Una arquitectura de datos universitaria preparada para IA no consiste en sumar herramientas. Es, ante todo, una iniciativa de arquitectura.
Esa diferencia es la que separa a las instituciones que logran extraer valor medible de la IA de aquellas que acumulan pilotos que nunca llegan a producción. La IA puede impulsar la personalización, acelerar el desarrollo de cursos y alinear la oferta educativa con las necesidades del mercado laboral, pero solo cuando los sistemas de base pueden ofrecer datos confiables, conectados y realmente utilizables.
La presión por resolver esto bien no deja de crecer. Los estudiantes ya no ven el título universitario como un evento único. Vuelven por cursos cortos, credenciales apilables, programas alineados con empleadores y procesos de recualificación a lo largo de décadas de vida laboral. La mayoría de los ecosistemas tecnológicos de educación superior no fueron diseñados para eso. Nacieron para gestionar admisiones, inscripción, avance académico y aprendizaje por períodos lectivos.
En el webinar in inglés de DataArt, AI and the Rise of the Lifelong Learning University Model, Dave Poritzky, advisor y especialista en educación en DataArt, y Luidmila Dezhkina, Senior Solutions Architect en DataArt, analizaron qué exige este cambio. Su planteo fue claro: la IA puede ayudar a las universidades a construir modelos de aprendizaje continuo más adaptativos, pero solo si la arquitectura está lista para sostenerlos.
La demanda de aprendizaje continuo es medible. El Foro Económico Mundial estima que 59 de cada 100 trabajadores necesitarán capacitación para 2030, que el 63% de los empleadores ve la brecha de habilidades como una barrera importante para la transformación y que el 85% planea priorizar la actualización de habilidades de su fuerza laboral.
Eso cambia el papel de la institución. La universidad ya no es el lugar que el estudiante deja atrás al graduarse. Pasa a ser un socio de largo plazo, presente a lo largo de cambios de carrera, transformaciones de la industria y nuevas demandas de habilidades.
Los estudiantes buscan trayectorias relevantes, no listados estáticos de cursos. Los empleadores quieren programas alineados con necesidades reales del mercado laboral. Los exalumnos esperan valor sostenido en el tiempo. Y las plataformas EdTech necesitan dar soporte a formatos de aprendizaje más breves y flexibles.
Como señaló Dave Poritzky durante el webinar, las microcredenciales, los certificados y los formatos cortos de aprendizaje dejaron de ser vías alternativas para pasar al centro de la oferta. El desafío es integrarlos en una experiencia de aprendizaje coherente. La mayoría de las plataformas de base no fueron pensadas para eso.
La IA puede hacer que el aprendizaje sea más adaptativo y receptivo. En la práctica, eso incluye recomendaciones personalizadas de cursos y credenciales, tutores de IA y asistentes inteligentes, alertas tempranas para estudiantes en riesgo, evaluación y retroalimentación automatizadas, creación más rápida de contenido para cursos cortos y paneles que siguen el progreso, la participación y los resultados.
El enfoque AI-first de DataArt en EdTech se centra en sistemas que usan datos en tiempo real para adaptar contenido, detectar señales tempranas, conectar LMS, SIS, CMS y herramientas de reporting, y ofrecer información útil sobre el aprendizaje con mayor rapidez.
Pero el punto del webinar era más práctico de lo que sugiere la lista de casos de uso: la IA no es el punto de partida. Es la capa que se vuelve útil una vez que se resuelve el problema de datos y arquitectura que está debajo.
Para las instituciones, eso significa que la preparación para IA debe estar alineada con su nivel de madurez. Una universidad con registros de estudiantes fragmentados, propiedad poco clara y sin una taxonomía estructurada de habilidades no necesita primero otro piloto de IA. Necesita una base que permita que un piloto se convierta en una capacidad operativa real.
El primer bloqueo es familiar para la mayoría de los equipos de TI universitarios. Los datos están repartidos entre sistemas desconectados: LMS, CRM, sistemas de información estudiantil, bases de datos de donantes, herramientas de reporting y plataformas de contenido. La IA no puede construir una imagen precisa del estudiante en un entorno así.
La personalización con IA depende del contexto. Para recomendar la trayectoria correcta, el sistema necesita saber quién es el estudiante, qué completó, qué habilidades demostró, qué resultado está buscando, qué programas son relevantes, cómo se construyen unas credenciales sobre otras y qué reglas de gobernanza y privacidad aplican.
Sin esa base, los resultados se vuelven poco confiables. La capa de IA puede parecer avanzada, pero está trabajando con información parcial o desactualizada.
Pensemos en un exalumno en una etapa intermedia de su carrera que cursó una materia optativa de MBA hace cinco años, después obtuvo un certificado en ciberseguridad y hoy trabaja para un empleador que busca capacitación en gobernanza de IA. Si esos registros están distribuidos en sistemas desconectados, la universidad no puede recomendar con facilidad la siguiente credencial más relevante, identificar habilidades transferibles ni vincular a esa persona con una trayectoria alineada con las necesidades del empleador.
La IA solo puede personalizar ese recorrido si la institución primero puede reconocer al estudiante a través de todos sus sistemas.
Un punto de partida práctico es un identificador común del estudiante. A partir de ahí, los equipos pueden construir flujos de datos confiables, reglas de gobernanza y patrones de integración que conecten programas de grado, cursos cortos, vínculo con alumni, aprendizaje patrocinado por empleadores y educación continua en una sola vista.
Para muchas instituciones, el objetivo no es construir desde cero cada capa de datos, cumplimiento e integración. El objetivo es estandarizar las partes que no generan diferenciación, para que los equipos puedan enfocarse en la experiencia del estudiante, la calidad académica y la relevancia para el mercado laboral.
El segundo bloqueo es organizacional. Muchas instituciones tienen comités de IA, experimentos de IA y pilotos aprobados. Eso es un avance, pero no alcanza.
Como señaló Luidmila Dezhkina, los pilotos suelen aprobarse porque pocas personas quieren decir que no a la experimentación. Pero muchos nunca llegan a producción porque nadie se hace cargo del resultado.
La responsabilidad tiene que ubicarse entre los equipos académicos, operativos y técnicos. Debe conectar investigación institucional, asuntos académicos, TI, gobernanza de datos y experiencia del estudiante. Esta es una decisión de gobernanza tanto como una decisión técnica.
Una institución puede llevar adelante 10 o 40 iniciativas de IA en paralelo. Sin responsables claros, esas iniciativas compiten por los mismos datos, duplican esfuerzos, generan riesgos de seguridad y terminan alejándose de las prioridades institucionales.
Un modelo viable define:
La IA puede acelerar la ejecución, pero los expertos siguen aportando el contexto, el criterio arquitectónico y la responsabilidad que mantienen esa ejecución acelerada en la dirección correcta.
El tercer bloqueo es el propio catálogo de programas. La personalización impulsada por IA parte del supuesto de que la institución tiene un mapa estructurado de lo que ofrece. Muchas no lo tienen.
Con el tiempo, las universidades han lanzado certificados, bootcamps, cursos cortos, programas ejecutivos y microcredenciales en distintos departamentos. Algunos se superponen. Algunos están desactualizados. Algunos ofrecen contenidos similares bajo nombres distintos.
Luidmila señaló este punto como uno de los grandes obstáculos: las instituciones pueden tener decenas de credenciales, pero no siempre cuentan con una visión clara de qué incluyen, cómo se relacionan con habilidades concretas o de qué manera se conectan con resultados profesionales.
La IA no puede recomendar una trayectoria si no puede consultar una vista estructurada de programas, habilidades, prerrequisitos, resultados y relaciones entre credenciales.
| Capa | Qué debe mapearse |
|---|---|
| Perfil del estudiante | Historial, metas, habilidades, preferencias |
| Catálogo de programas | Cursos, credenciales, prerrequisitos |
| Taxonomía de habilidades | Competencias, niveles, evidencias |
| Resultados profesionales | Roles, familias de puestos, necesidades de empleadores |
| Gobernanza | Propiedad, acceso, calidad, cumplimiento |
Una vez que esa base está en su lugar, la IA puede ofrecer recomendaciones realmente valiosas. Sin ella, la personalización no pasa de ser una aproximación.
Modernizar el stack tecnológico de educación superior no significa reemplazar todos los sistemas de una sola vez. Significa avanzar de manera gradual, guiados por la arquitectura, con un enfoque que pueda adaptarse a medida que evolucionan los objetivos institucionales y las necesidades de los estudiantes.
1. Mapear el entorno de datos actual
Identificar qué sistemas contienen datos de estudiantes, programas, credenciales, exalumnos y empleadores. Documentar los flujos de datos, la propiedad, la frecuencia de actualización, los problemas de calidad y las brechas de integración.
El objetivo es ganar visibilidad, no alcanzar la perfección.
2. Crear una capa unificada de datos del estudiante
Construir un identificador común del estudiante y conectar los sistemas más relevantes para el aprendizaje continuo: LMS, SIS, CRM, herramientas de contenido, sistemas de exalumnos, plataformas de reporting y, cuando corresponda, datos vinculados a alianzas con empleadores.
3. Construir la capa de catálogo y taxonomía
Crear un mapa estructurado de cursos, credenciales, programas, habilidades, prerrequisitos y resultados. Eso es lo que permite que la IA recomiende trayectorias relevantes, explicables y alineadas con los objetivos del estudiante.
4. Incorporar IA donde genere valor medible
Una vez que la base de datos es confiable, conviene priorizar los casos de uso de IA vinculados a resultados claros: trayectorias personalizadas, alertas tempranas, generación de contenido, apoyo tutorial, analítica del aprendizaje o diseño de programas alineados con las demandas del mundo laboral.
El orden importa. La preparación para IA no se logra sumando un chatbot a un entorno fragmentado. Surge de la arquitectura, la gobernanza y la responsabilidad operativa que permiten que la IA funcione de forma segura y consistente.
Cada vez más, las universidades esperarán que las plataformas EdTech se integren con su ecosistema de datos más amplio, en lugar de funcionar como otra herramienta aislada.
Eso implica que los productos EdTech deben ofrecer:
Las plataformas más sólidas no solo ofrecerán funcionalidades. También ayudarán a las instituciones a conectar aprendizaje, datos y resultados a lo largo de una relación mucho más prolongada con el estudiante.
El modelo de universidad orientado al aprendizaje continuo redefine la relación con el estudiante. Y también redefine la base tecnológica necesaria para sostener esa relación.
La IA puede ayudar a las universidades a crear trayectorias personalizadas, desarrollar programas con mayor rapidez, detectar antes las necesidades de los estudiantes y conectar la educación de manera más directa con la demanda laboral. Lo que no puede hacer, por sí sola, es resolver sistemas fragmentados, responsabilidades difusas o catálogos desestructurados.
Las instituciones que se adelanten serán las que entiendan la preparación para IA como un programa de arquitectura, y no como un simple despliegue de herramientas.
DataArt ayuda a universidades y empresas EdTech a identificar en qué puntos sus plataformas actuales limitan el aprendizaje continuo, y luego a modernizar las bases de datos, integración e IA necesarias para sostener una relación continua con el estudiante. El foco es práctico: conectar sistemas fragmentados, crear flujos de datos confiables y desarrollar capacidades de IA que puedan pasar del piloto a la producción.
Subscribe now to get a monthly recap of our biggest news delivered to your inbox!
These cookies are necessary for the website to function and cannot be switched off in our systems. They are usually only set in response to actions made by you which amount to a request for services, such as setting your privacy preferences, logging in or filling in forms. You can set your browser to block or alert you about these cookies, but some parts of the site will not then work. These cookies do not store any personally identifiable information.
These cookies enable the website to provide enhanced functionality and personalisation. They may be set by us or by third party providers whose services we have added to our pages. If you do not allow these cookies then some or all of these services may not function properly.
These cookies may be set through our site by our advertising partners. They may be used by those companies to build a profile of your interests and show you relevant adverts on other sites. They do not store directly personal information, but are based on uniquely identifying your browser and internet device. If you do not allow these cookies, you will experience less targeted advertising.
These cookies allow us to count visits and traffic sources so we can measure and improve the performance of our site. They help us to know which pages are the most and least popular and see how visitors move around the site. All information these cookies collect is aggregated and therefore anonymous. If you do not allow these cookies we will not know when you have visited our site, and will not be able to monitor its performance.
All Consent Allowed
