Sesgos de IA en admisión universitaria: cómo algoritmos excluyen saberes no occidentales
Los sistemas de selección académica replican disparidades en producción de conocimiento global y marginan perspectivas comunitarias
La inteligencia artificial opera como un espejo de los textos que la entrenan: acumula lo que ya posee voz, recursos y poder en el ecosistema digital global. Cuando se enfrenta a saberes no documentados, lógicas comunitarias o prácticas sin literatura académica occidental disponible, el sistema no procesa adecuadamente estas realidades,…
La inteligencia artificial opera como un espejo de los textos que la entrenan: acumula lo que ya posee voz, recursos y poder en el ecosistema digital global. Cuando se enfrenta a saberes no documentados, lógicas comunitarias o prácticas sin literatura académica occidental disponible, el sistema no procesa adecuadamente estas realidades, sino que las promedia matemáticamente o las excluye.
La disparidad en producción académica mundial explica esta limitación estructural. Estados Unidos genera aproximadamente 457 mil artículos anuales, la Unión Europea 600 mil y la OCDE 1.6 millones, mientras que México contribuye apenas con 21 mil. Esta brecha no es solo cuantitativa: determina qué vocabulario, qué lógica causal y qué forma de organizar el mundo internaliza el algoritmo. Los sistemas de IA aprenden a priorizar la eficiencia y la causalidad lineal, a menudo en detrimento de la ambigüedad y la complejidad de la convivencia social que caracteriza saberes ancestrales o comunitarios.
Las implicaciones para instituciones de educación superior son directas. Cuando algoritmos de IA se aplican en exámenes de selección en universidades públicas, tienden a catalogar como "sospechosas" a personas que se desvían de patrones estándar. Aspirantes con perspectivas inusuales, formación en contextos no hegemónicos o respuestas que reflejan lógicas no occidentales enfrentan desventajas sistemáticas en un proceso que favorece la homogeneidad. El resultado es un filtro que reproduce inequidades: no selecciona por capacidad, sino por alineación con marcos de referencia occidentales.
Para directivos y responsables de políticas educativas, esto plantea una pregunta estratégica: ¿qué tipo de talento está siendo excluido por estos sesgos algorítmicos? Las instituciones que reconozcan esta limitación y diversifiquen sus criterios de selección—combinando evaluación humana, múltiples perspectivas y saberes locales—tendrán acceso a perfiles más diversos y, potencialmente, a soluciones más innovadoras para problemas complejos que requieren precisamente esa pluralidad de pensamiento.
