Lo que hace especialmente significativo este tránsito es que no ocurre en el vacío conceptual: sustituye a un Sisbén IV que, desde el Documento CONPES 3877 de 2016, había hecho un esfuerzo explícito por superar el enfoque puramente monetario y construir una mirada integral de la pobreza, combinando estándar de vida, capacidad de generación de ingresos y una aproximación al Índice de Pobreza Multidimensional (IPM). Ese esfuerzo, sin embargo, arrastraba fallas de identificación documentadas por un estudio de investigación académica que realizamos recientemente, que revela una concordancia insignificante entre el Sisbén IV y el IPM oficial. El RUI llega, entonces, no como respuesta a un sistema perfecto de pobreza multidimensional que se abandona sin razón, sino como una decisión técnica que resuelve unos problemas de identificación reintroduciendo, por otra vía, el reduccionismo monetario que el propio Estado colombiano había intentado corregir.

Este ensayo sostiene que el RUI, tal como está diseñado, corre el riesgo de simplificar excesivamente la comprensión de la pobreza, de delegar decisiones que afectan derechos fundamentales en un algoritmo que el ciudadano no puede ver ni cuestionar, y de tratar a la población en situación de vulnerabilidad como sospechosa antes que como titular de derechos. Son tres problemas distintos pero entrelazados: uno conceptual —qué entendemos por pobreza—, uno técnico-ético —cómo se toman las decisiones que nos clasifican— y uno moral —desde qué actitud el Estado se relaciona con quien necesita ayuda—. Los tres convergen en una misma pregunta de fondo:

¿Puede un país reducir la complejidad de la vida humana a un solo número de ingreso sin perder, en el camino, tanto la precisión como la dignidad que dice perseguir?

El eclipse de la pobreza multidimensional

Colombia cuenta desde 2011 con un Índice de Pobreza Multidimensional (IPM) que el CONPES 150 oficializó en mayo de 2012 como medida complementaria —no sustitutiva— de la pobreza monetaria, calculado por el DANE a partir de cinco dimensiones (educación, niñez y juventud, trabajo, salud y servicios públicos, vivienda) y quince indicadores, bajo la metodología Alkire-Foster desarrollada por la Oxford Poverty and Human Development Initiative (OPHI). El propio CONPES 150 reafirma un arreglo institucional entre el DNP y el DANE precisamente para medir “de forma periódica, transparente y creíble” tanto la pobreza monetaria como la multidimensional, reconociendo formalmente que ningún indicador agota por sí solo la comprensión del fenómeno.

El propio Sisbén había intentado incorporar esta doble mirada. El Documento CONPES 3877 de 2016, que declaró de importancia estratégica al Sisbén IV, diagnosticó con precisión el problema del enfoque anterior: el Sisbén III se limitaba a un índice de estándar de vida sin considerar el ingreso del hogar, lo que generaba trayectorias divergentes entre la caída sostenida de la pobreza monetaria y multidimensional medida por el DANE y el crecimiento simultáneo del porcentaje de población con puntajes bajos en la base Sisbén, evidenciando errores de inclusión que llegaron al 49,9% en pobreza monetaria y 64,8% en IPM para 2015. La respuesta de política fue, en ese momento, no abandonar la multidimensionalidad sino integrarla: el CONPES 3877 propuso “un enfoque combinado de presunción de ingresos y estándar de vida” y, como valor agregado explícito, el desarrollo de una encuesta Sisbén que permitiera calcular el IPM a nivel municipal, departamental y nacional. Es decir, la respuesta institucional de 2016 fue sumar el ingreso a la mirada multidimensional, no sustituir una por la otra.

Sin embargo, la evidencia académica reciente muestra que ese Sisbén IV, a pesar de su ambición conceptual, falló en la práctica de identificación. Nuestro estudio, publicado en la revista Desarrollo y Sociedad de la Universidad de los Andes, compara sistemáticamente el IPM oficial con la clasificación del Sisbén IV para Colombia y para Medellín y encuentra una concordancia “insignificante” entre ambas medidas, con los valores más altos del indicador kappa por debajo de 0,36. En el estudio documentamos que el Sisbén IV identifica como pobre al 37,69% de las personas que no lo serían según el IPM, mientras que no identifica como pobres al 4,89% de quienes sí lo son bajo esa métrica; no contábamos con la información para comparar el Sisbén IV con la métrica de ingresos. Un análisis cualitativo complementario, realizado sobre cuatro familias no consideradas pobres por el sistema de identificación de beneficiarios, revela privaciones multidimensionales reales que el puntaje no captó. Nuestra recomendación es que la pobreza multidimensional debería usarse como complemento de la focalización social, “actualmente basada únicamente en el Sisbén IV”.

Este hallazgo es crucial para entender lo que está en juego con el RUI. El Sisbén IV, aun con su enfoque integral fallido en la práctica, mantenía al menos la aspiración normativa e institucional de una mirada multidimensional y la obligación de calcular un proxy del IPM como parte de su operación. El RUI, en cambio, no hereda esa aspiración: su variable central de ordenamiento es un ingreso per cápita del hogar estimado mediante registros administrativos y modelos de aprendizaje automático, calibrado contra la Gran Encuesta Integrada de Hogares, sin que el diseño reglamentario incorpore de manera estructural las quince variables de privación del IPM como criterio decisorio para el acceso a subsidios. El problema, entonces, no es solo que el RUI abandone la multidimensionalidad; es que lo hace precisamente en el momento en que la evidencia empírica había demostrado que el enfoque multidimensional del Sisbén no fallaba por exceso de ambición conceptual, sino por deficiencias de implementación y calidad de datos que un mejor diseño podría haber corregido sin necesidad de regresar al ingreso como único árbitro.

Esta elección de diseño no es neutra: al construir el instrumento único de focalización sobre una sola métrica monetaria, el RUI corre el riesgo de operacionalizar, en la práctica administrativa, una jerarquía epistemológica que subordina la pobreza multidimensional a un rol meramente descriptivo o estadístico, mientras la pobreza monetaria recupera su estatus de variable decisoria sobre el acceso real a subsidios, salud, educación y transferencias. La consecuencia es técnica y distributiva: un hogar puede tener ingresos per cápita por encima del umbral de focalización y, sin embargo, sufrir privaciones severas en vivienda, servicios públicos o acceso a la salud —exactamente el tipo de pobreza “oculta” que el IPM fue diseñado para visibilizar frente a las limitaciones del enfoque monetario—. Esa posibilidad de disociación entre ingreso y privación es el argumento central que Amartya Sen articuló contra el reduccionismo del ingreso como proxy del bienestar, al sostener que el ingreso es “solo un medio y no el fin último del bienestar humano”, y que existen “dificultades personales, sociales y ambientales” en la conversión de ingresos y recursos en funcionamientos efectivos y capacidades reales de vida.

La literatura del enfoque de capacidades —de la cual el IPM y OPHI son herederos institucionales directos— fue precisamente una respuesta crítica al consenso previo que definía la pobreza únicamente por la insuficiencia de ingreso para cubrir necesidades básicas. La Comisión Sarkozy (Stiglitz, Sen, Fitoussi, 2008) había advertido ya que el ingreso es “necesario pero no suficiente” para garantizar desarrollo humano, y explícitamente propuso el nuevo marco multidimensional como complemento, no como sustituto, del ingreso. Que el instrumento de focalización operativo del Estado colombiano regrese, catorce años después de oficializar el IPM y diez años después de intentar integrarlo formalmente al Sisbén IV mediante el CONPES 3877, a un ordenamiento fundamentalmente monetario para determinar el acceso concreto a la oferta social es un retroceso conceptual que reintroduce por la puerta administrativa lo que la política pública había expulsado por la puerta normativa. El riesgo es doble: primero, invisibilizar formas de pobreza no monetaria —hacinamiento, inasistencia escolar, trabajo infantil, falta de acceso a agua potable— en hogares con ingresos aparentemente suficientes; segundo, debilitar el estatus institucional del IPM al convertirlo en un indicador de seguimiento estadístico desconectado de las decisiones reales de asignación de recursos, contradiciendo el espíritu de coexistencia complementaria que tanto el CONPES 150 como el propio CONPES 3877 establecieron.

Opacidad algorítmica y la ética de la modelación

El segundo eje crítico se refiere a la naturaleza del algoritmo de estimación que sustenta el RUI. Según el proyecto de decreto reglamentario, cuando no existe ingreso observado en registros administrativos, el DNP recurre a un índice de aproximación de recursos económicos calibrado mediante modelos estadísticos y de aprendizaje automático sobre la GEIH, validados por “métricas de reducción de errores de inclusión/exclusión” —es decir, un modelo predictivo cuya lógica interna, ponderaciones y variables no se publican con el detalle necesario para que un ciudadano afectado pueda entender por qué fue clasificado de una manera específica. Esta configuración encaja con precisión en la crítica que Cathy O’Neil formuló en Weapons of Math Destruction: los modelos matemáticos problemáticos comparten tres rasgos —opacidad, escala masiva y daño potencial— y son, en sus palabras, “no regulados y no impugnables, incluso cuando están equivocados”. O’Neil advierte específicamente que estos modelos “refuerzan la discriminación: sostienen a los afortunados y castigan a los desfavorecidos, generando un cóctel tóxico para la democracia”, y que operan como cajas negras que “toman proxies pobres para abstraer el comportamiento humano y producen resultados sin tener que explicar cómo llegaron a ellos”.

La escala del RUI agrava esta preocupación: al integrar más de 40 fuentes administrativas y 55 millones de registros sobre prácticamente toda la población colombiana, cualquier sesgo, proxy deficiente o error de calibración en el modelo no afecta a un grupo acotado, sino que se escala automáticamente a la totalidad del universo de beneficiarios potenciales de la oferta social del Estado —el mecanismo exacto que O’Neil identifica como el rasgo más peligroso de las “armas de destrucción matemática”: su escalabilidad amplifica cualquier sesgo inherente para afectar poblaciones cada vez mayores. Virginia Eubanks, en Automating Inequality, documenta un patrón convergente en sistemas de bienestar social automatizados en Indiana, Los Ángeles y Allegheny County: llama a estos sistemas el “digital poorhouse” (casa de pobres digital), caracterizado por ser difícil de entender —porque los modelos son complejos y a menudo secretos o con derechos de propiedad—, masivamente escalable, persistente y prácticamente imposible de impugnar para quien resulta mal clasificado. Eubanks concluye que, más que racionalizar y optimizar beneficios como se anuncia oficialmente, el objetivo efectivo de estos sistemas ha sido históricamente “perfilar, vigilar y castigar a los pobres”.

Esta preocupación no es nueva en el debate colombiano sobre focalización. Ya en 2003, un análisis publicado en la Revista de Gerencia y Políticas de Salud de la Pontificia Universidad Javeriana criticaba la actitud del DNP de mantener en secreto los detalles de las metodologías del “nuevo” índice Sisbén de la época, señalando que esa opacidad era “dudosa desde el punto de vista del marco jurídico colombiano” y que, al ocultar el funcionamiento del instrumento, se “reafirma la desconfianza existente y se quita legitimidad al instrumento, bajo la suposición de que la población es pasiva y tramposa”. Que esta misma tensión reaparezca dos décadas después, ahora amplificada por modelos de aprendizaje automático de mayor complejidad y por una escala poblacional total, sugiere que la opacidad no es un defecto incidental corregible con el tiempo, sino un rasgo estructural recurrente de la manera en que el Estado colombiano ha diseñado sus instrumentos de focalización.

Frente a esta problemática, existen ya marcos normativos de referencia sobre transparencia algorítmica que el diseño del RUI no satisface plenamente. Propuestas de tratados y reglamentos de inteligencia artificial establecen que los sistemas inteligentes usados en el sector público “deben ser transparentes… poniendo a disposición los algoritmos y datos utilizados para su entrenamiento”, visibilizando explícitamente los procesos que emplean IA para tomar decisiones, y que “las personas afectadas deben tener derecho a obtener una explicación cuando la decisión las impacte”. El decreto reglamentario del RUI sí contempla un mecanismo de corrección de datos ante la entidad fuente del registro administrativo, pero este derecho opera sobre el dato de entrada, no sobre la lógica del modelo de estimación en sí: un ciudadano puede corregir un dato de la DIAN o del Ministerio de Salud, pero no tiene una vía clara para cuestionar por qué el algoritmo de aproximación de ingresos lo ubicó en una categoría específica cuando no existe ingreso observado directo. Esa asimetría —derecho a corregir el insumo, ausencia de derecho a impugnar el modelo— es precisamente el vacío que la literatura sobre ética algorítmica identifica como una violación sustantiva del derecho a la explicación y del debido proceso administrativo en la era de la toma de decisiones automatizada.

La política de la desconfianza y la erosión de la dignidad

El tercer argumento crítico atañe al régimen moral implícito en el diseño del RUI: la lógica de verificación cruzada, autodeclaración bajo gravedad de juramento y detección de “colados” —término que la propia literatura técnica sobre focalización usa para referirse al error tipo II o de inclusión— revelan una premisa institucional de sospecha generalizada hacia la población beneficiaria de la oferta social. El hallazgo reportado de que más del 30% de las personas clasificadas en pobreza extrema por el Sisbén corresponderían en realidad a una categoría distinta bajo el RUI, y que entre uno y 17 millones de personas estarían “invisibilizadas” en el sistema anterior, se ha presentado públicamente con mayor énfasis en el riesgo de error de inclusión (”colados”) que en el riesgo simétrico y más grave de error de exclusión —personas realmente vulnerables sin acceso a ningún beneficio—.

Este desequilibrio narrativo no es exclusivo del RUI: acompaña a la focalización colombiana desde hace más de dos décadas. Un análisis de 2003 sobre el régimen subsidiado de salud advertía ya que “los errores de exclusión son mucho más graves que los de inclusión, ya que significan una negación de los derechos y servicios iguales para quienes reúnen condiciones semejantes según un criterio de asignación”, y documentaba errores de exclusión de hasta 53,1% frente a errores de inclusión de apenas 14,9% en la aplicación del Sisbén de la época. Un llamado de atención al que se unió Esther Duflo en la conferencia del 2024 en el Banco Mundial (Addressing the Hidden Dimensions of Poverty), al recordar que los gobiernos suelen diseñar programas de asistencia bajo la premisa de que los pobres son perezosos o derrochadores; la autora propone transicionar hacia un sistema de protección social que asuma la dignidad y la buena fe del ciudadano, eliminando las barreras de la sospecha estructural.

En Colombia, que el debate público y político en torno al RUI en 2026 continúe privilegiando la narrativa de “cazar colados” sobre la de “encontrar a los excluidos” muestra que la política de la desconfianza no es un efecto colateral pasajero, sino una orientación institucional persistente que la sola modernización tecnológica no corrige por sí misma —de hecho, puede agravarla al dotarla de mayor capacidad de vigilancia—.

Esta lógica reproduce exactamente lo que Eubanks describe como la herencia moralizante y punitiva de las “casas de pobres” del siglo XIX, ahora digitalizada: los sistemas de bienestar automatizados administran recursos, “perfilan, vigilan y castigan” bajo el supuesto de que la población pobre debe demostrar continuamente su elegibilidad y su honestidad, en lugar de que el Estado asuma la obligación de ampliar activamente la cobertura hacia quienes permanecen fuera del sistema. Eubanks señala que estas poblaciones “soportan una carga mucho mayor de monitoreo, seguimiento y clasificación social que los grupos aventajados”, y advierte que las herramientas de vigilancia digital estatal “controlan qué vecindarios son vigilados, qué familias acceden a recursos necesarios... y quién es investigado por fraude”. La arquitectura del RUI, con su énfasis normativo en la verificación cruzada permanente, la actualización obligatoria de autodeclaraciones y la responsabilidad del ciudadano de probar su condición mediante gravedad de juramento, traslada la carga probatoria hacia el sujeto pobre, en lugar de construir un sistema orientado prioritariamente a la detección proactiva de quienes deberían estar cubiertos y no lo están.

Este giro tiene una implicación normativa profunda desde la perspectiva de la dignidad humana: cuando el diseño institucional parte de la sospecha —buscar activamente a quien “no debería estar”— antes que de la garantía —buscar activamente a quien “debería estar y no está”—, el Estado invierte la relación de confianza que debería sostener cualquier política social de derechos. Sen advertía que la pobreza es, en última instancia, “la privación de capacidades básicas” y una “falta de equidad en relación con las oportunidades de acceso a medios de vida”; una política de focalización que trata al beneficiario primariamente como sospechoso de fraude potencial, antes que como titular de un derecho social, erosiona precisamente la dimensión de agencia y respeto que el enfoque de capacidades sitúa en el centro del desarrollo humano. La consolidación de más de 40 fuentes administrativas sobre la totalidad de la población para verificar continuamente su elegibilidad es un ejercicio técnico de interoperabilidad, también es, siguiendo a Eubanks, una forma de vigilancia diferenciada que normaliza el escrutinio constante de la vida económica, laboral y patrimonial de las personas en situación de pobreza como condición de acceso a derechos básicos, mientras el resto de la población permanece fuera de ese régimen de transparencia forzosa.

Síntesis

Los tres argumentos convergen en una tensión común: el RUI, presentado como una modernización técnica orientada a mejorar la precisión y la equidad de la focalización, puede terminar reproduciendo tres formas distintas de reducción de la pobreza a una gestión administrativa de riesgo y sospecha antes que a una garantía ampliada de derechos. La subordinación de la pobreza multidimensional a un ordenamiento monetario contradice el consenso técnico-normativo que el propio Estado colombiano construyó desde 2012 y reafirmó en 2016 con el CONPES 3877 —aun cuando ese Sisbén IV, según lo documenta la evidencia académica reciente, fallara en la práctica de identificación con una concordancia insignificante frente al IPM oficial—; la dependencia de un algoritmo de estimación opaco sin mecanismos robustos de impugnación choca con los estándares de transparencia algorítmica que la propia discusión regulatoria sobre IA en el sector público reclama, y repite una crítica a la opacidad del Sisbén que ya se formulaba hace más de veinte años; y la arquitectura institucional de verificación permanente reproduce la lógica de vigilancia y sospecha que la literatura crítica sobre bienestar digital ha documentado como perjudicial precisamente para las poblaciones más vulnerables, y que en Colombia ha priorizado históricamente combatir los errores de inclusión sobre los errores de exclusión, más graves en términos de derechos negados.

Ninguno de estos riesgos es inevitable en un sistema de registros administrativos interoperables, pero su mitigación exigiría decisiones de diseño explícitas que, a la fecha, no aparecen como prioridades centrales en la reglamentación del RUI.

Líneas de avance: hacia una focalización coherente y respetuosa

La crítica anterior no busca descartar el uso de datos administrativos ni negar que el Sisbén tenía fallas reales de cobertura y precisión —incluida su baja concordancia con el IPM oficial— que el RUI intenta corregir. El problema no es la interoperabilidad de registros en sí misma, sino las decisiones de diseño que determinan a quién sirve, cómo se explica y desde qué actitud moral opera. A partir de esa distinción, pueden proponerse rutas concretas de mejora:

• Integrar el IPM como criterio vinculante, no solo descriptivo. Recuperando la aspiración original del CONPES 3877 de calcular un proxy del IPM junto al ingreso, el Índice de Pobreza Multidimensional debería incidir directamente en las decisiones de permanencia y salida de programas sociales, no limitarse a un indicador de seguimiento estadístico paralelo al ordenamiento por ingresos. Un hogar con ingresos por encima del umbral pero con privaciones severas en vivienda, salud o educación no debería perder automáticamente el acceso a la oferta social.

• Corregir la identificación, no abandonar la multidimensionalidad. La evidencia académica muestra que el problema del Sisbén IV no era su ambición conceptual sino su baja capacidad de identificación conjunta con el IPM; el RUI debería usar la mejor calidad de datos administrativos que promete precisamente para mejorar esa concordancia, en lugar de descartar la mirada multidimensional.

• Publicar y auditar el modelo de estimación de ingresos. El algoritmo que aproxima el ingreso cuando no hay registro administrativo directo debe estar sujeto a auditorías externas periódicas, con metodología y variables de ponderación accesibles al público académico y a organismos de control, no solo a documentos técnicos dispersos.

• Crear un derecho efectivo de explicación y réplica. Además de poder corregir un dato de entrada ante la entidad fuente, toda persona clasificada por el RUI debería tener derecho a solicitar una explicación comprensible de por qué el sistema llegó a esa clasificación, y un mecanismo ágil de reclamación cuando considere que el resultado no refleja su situación real.

• Invertir la lógica de búsqueda: priorizar a los excluidos, no solo a los “colados”. Los recursos institucionales destinados a detectar errores de inclusión deberían equilibrarse con esfuerzos iguales o mayores para identificar activamente a la población que permanece fuera del sistema, revirtiendo la carga de la prueba que hoy recae desproporcionadamente sobre quien ya es vulnerable, y corrigiendo un sesgo narrativo documentado desde hace más de dos décadas en la focalización colombiana.

• Fortalecer la protección de datos personales como límite, no como trámite. La consolidación de más de 40 fuentes administrativas sobre toda la población exige garantías reales de finalidad legítima, minimización de datos y seguridad, con supervisión independiente que evite que la información socioeconómica se convierta en un instrumento de vigilancia más allá de su propósito social.

• Mantener espacios de participación de la población beneficiaria en el diseño. Las decisiones sobre qué mide el sistema y cómo se usa no deberían tomarse exclusivamente entre técnicos y entidades administrativas; las comunidades directamente afectadas por la clasificación tienen un conocimiento situado de su propia pobreza que ningún cruce de bases de datos puede sustituir.

Ninguna de estas propuestas exige abandonar la modernización tecnológica del Estado ni renunciar a la promesa de mayor precisión en la focalización. Exigen, en cambio, que esa modernización se construya sobre los mismos principios que ya reconoce la política pública colombiana desde 2012 y que intentó, con resultados imperfectos, el propio CONPES 3877 en 2016: que el ingreso es un medio necesario pero insuficiente para comprender el bienestar humano, y que ninguna eficiencia administrativa justifica tratar a quien necesita ayuda del Estado como una amenaza potencial antes que como un titular pleno de derechos.

¿Qué es el ICES?

El ICES es una operación estadística del DANE que mide, semestre a semestre, la variación de precios de una canasta representativa de los bienes y servicios que consumen las instituciones de educación superior para funcionar: salarios docentes y administrativos, insumos de laboratorio, mantenimiento de infraestructura, suscripciones académicas, servicios generales. Nació en 1995 como ICESP, exclusivamente para universidades privadas, ante una crítica de fondo: el Índice de Precios al Consumidor (IPC) mide la inflación que enfrentan los hogares, no la estructura de costos de una institución educativa, donde el peso del gasto en personal calificado no tiene equivalente en la canasta familiar. Solo hasta 2014, tras solicitudes del ICFES, el ICETEX y el Ministerio de Educación, el índice incorporó el carácter público y tomó su nombre actual.

Técnicamente, el ICES es un índice de precios tipo Laspeyres, es decir, de ponderaciones fijas. Esto significa que se congela una canasta de bienes y servicios en un periodo base —actualmente el segundo semestre de 2013— y luego se sigue exclusivamente la variación de los precios de esa misma canasta, sin recalcular las cantidades ni los pesos relativos hasta la siguiente actualización metodológica. El cálculo se estructura en niveles jerárquicos: artículo, clase, subgrupo y grupo, agregándose finalmente en dos grandes bloques de gasto —personal, y bienes y servicios— cuyas ponderaciones provienen de los Estados de Pérdidas y Ganancias que las propias instituciones reportaron en el levantamiento base. El DANE mantiene además una estructura flexible, que permite actualizar artículos específicos sin alterar las ponderaciones agregadas, y una estructura fija, que se sostiene por varios años para dar estabilidad a la serie.

¿Por qué esto importa ahora?

Un decreto que desarrolla la Ley 2568 de 2026, reglamentando los artículos 86 y 86a de la Ley 30 de 1992, establece que los aportes anuales de la Nación y las entidades territoriales a las universidades estatales deberán crecer, como mínimo, en el porcentaje de variación del ICES calculado para instituciones públicas, publicado por el DANE con corte al segundo semestre del año anterior. La misma regla aplica a las instituciones técnicas, tecnológicas y universitarias (ITTU) estatales cuya financiación no depende directamente de la Nación. Como salvaguarda, si el ICES resulta inferior al IPC certificado, se usa este último como piso mínimo de ajuste.

Esto convierte al ICES en algo más que un dato estadístico de referencia: es la llave legal que define el crecimiento real del presupuesto de funcionamiento de la educación superior pública en el país. Es, sin duda, un avance conceptual importante, porque por primera vez el ajuste presupuestal universitario se basa en un índice diseñado para medir los costos propios de las instituciones educativas, y no el gasto de los hogares colombianos.

Las grietas metodológicas que merecen escrutinio

Celebrar la existencia del ICES no puede significar aceptarlo sin revisión crítica. Un análisis de su diseño metodológico revela debilidades relevantes para una implementación justa:

• Un índice pensado primero para lo privado. El ICES nació para universidades privadas y solo incorporó el carácter público de forma tardía, sin una caracterización profunda y diferenciada de la estructura de costos estatal, que incluye funciones misionales de investigación, extensión y bienestar con un peso presupuestal distinto al de muchas instituciones privadas.

• Ponderaciones congeladas en el tiempo. El sistema de pesos fijos data de la caracterización de 2010-2011, y el decreto solo compromete al DANE a revisarlo “sujeto a la disponibilidad presupuestal”, sin una obligación programada de actualización. Al ser Laspeyres, el índice, además, arrastra un sesgo de sustitución conocido en la teoría de números índice: tiende a no capturar cambios en la composición real del gasto institucional a lo largo del tiempo.

• Un solo índice para realidades muy distintas. El ICES agrega en un único número el comportamiento de costos de universidades de investigación intensiva y de instituciones tecnológicas regionales con estructuras de gasto muy diferentes, sin distinguir entre unas y otras.

• Infraestructura mal aproximada. El propio DANE reconoce que no logró construir un valor de “arrendamiento hipotético” adecuado para los extensos campus universitarios públicos, y en su lugar usa como proxy el índice de costos de construcción, una aproximación que no equivale al costo real de mantener infraestructura pública extensa y muchas veces patrimonial.

• La regionalización, un punto ciego. El índice se calcula sobre un conjunto de 24 ciudades con un promedio nacional, sin ponderadores diferenciados por sede, lo que no refleja bien a universidades con múltiples seccionales y estructuras de costos descentralizadas.

• La cláusula de piso reintroduce el viejo problema. Usar el IPC como salvaguarda cuando el ICES resulta más bajo parece razonable, pero reintroduce por la puerta de atrás la misma distorsión que originó la creación del ICES: medir el costo universitario con la vara del consumo de los hogares.

Una propuesta para mejorar el índice

Estas debilidades tienen soluciones técnicas concretas, coherentes con la práctica de la estadística oficial:

• Desagregar el ICES por tipo de institución, distinguiendo universidades de alta actividad investigativa de instituciones centradas en pregrado, replicando la lógica de subgrupos que el propio índice ya aplica entre personal y bienes y servicios.

• Programar actualizaciones periódicas obligatorias de las ponderaciones —cada cuatro o cinco años, por ejemplo— usando la información que las instituciones ya reportan al Ministerio de Educación vía SNIES, en lugar de dejarla sujeta a disponibilidad presupuestal.

• Crear un componente específico de investigación y ciencia, dado que equipos científicos, insumos de laboratorio y suscripciones académicas tienen dinámicas de precio distintas a una canasta genérica.

• Incorporar ponderadores regionales o por sede, que reconozcan el peso real de cada seccional en la estructura de costos institucional.

• Mejorar el proxy de infraestructura física, con un indicador que refleje directamente el mantenimiento y operación de campus universitarios extensos, en lugar de depender únicamente del índice de costos de construcción.

• Institucionalizar una mesa técnica permanente entre el DANE, el Ministerio de Educación, el Sistema Universitario Estatal (SUE) y la Red ITTU, que revise anualmente la pertinencia de la canasta con criterios de transparencia.

Un asunto de toda la comunidad universitaria

La discusión sobre ponderaciones, canastas y periodos base puede parecer terreno exclusivo de estadísticos, pero no lo es. Si el termómetro que mide cuánto sube el costo de sostener una universidad está mal calibrado, el efecto no se queda en una hoja de cálculo: se traduce en menos cupos, menos becas, menos mantenimiento de laboratorios y menos investigación. Profesores, estudiantes, administrativos y egresados tienen un papel legítimo en exigir que la actualización del ICES no dependa de la disponibilidad presupuestal de turno, sino de una obligación técnica programada.

La Ley 2568 de 2026 abrió una puerta importante al vincular el crecimiento presupuestal de las universidades estatales a un índice diseñado para medir sus propios costos. Corresponde ahora a la academia, al gobierno y a la sociedad civil empujar para que ese índice se perfeccione con rigor técnico, en coherencia con la justicia distributiva que el propio decreto proclama como principio. Un índice mejor calibrado no es solo una mejora estadística: es una condición para que la promesa de una educación superior pública, equitativa y de calidad, se sostenga con números que reflejen la realidad.

La Universidad de Antioquia avisora llegar al umbral del empalme rectoral en una condición financiera que no admite eufemismos: opera bajo medidas preventivas de inspección y vigilancia del Ministerio de Educación Nacional (MEN), sostenida en buena parte por una inyección extraordinaria de salvamento de $70.000 millones girada por la Nación en enero de 2026, y cargando un déficit estructural que ninguna de sus administraciones anteriores logró desactivar con carácter permanente. El plan de 95 acciones remitido al Ministerio de Educación Nacional es, en ese sentido, un documento de doble naturaleza: es simultáneamente un instrumento de gobernanza de emergencia y una hoja de ruta que la rectoría entrante recibirá como marco normativo vinculante, con todas sus virtudes y con todas sus tensiones no resueltas.

Para comprender la lógica del plan es necesario ubicarlo en su coordenada histórica. La UdeA, como las demás universidades públicas del Sistema Universitario Estatal (SUE), ha operado durante tres décadas bajo la trampa fiscal que la Ley 30 de 1992 le tendió al congelar los aportes de la Nación en términos reales, mientras la nómina docente y administrativa crecía, los costos pensionales se acumulaban y la demanda de cobertura regional se expandía sin financiamiento proporcional. Los lectores de este blog saben que hemos discutido la crisis estructural de la Universidad de Antioquia en diferentes entradas de este blog, una de ellas la pueden consultar aquí.

La crisis de nuestra alma máter llevó al MEN a tomar medidas de vigilancia especial, incluyendo una decisión discutida de remover del cargo al rector en diciembre de 2025 y, en consecuencia, designar un rector con la consigna de agilizar el plan de mejoramiento solicitado. Así surge el plan propuesto por el equipo rectoral encargado. El plan de acciones no es entonces una anomalía administrativa: es la expresión comprimida de una crisis sistémica que finalmente desbordó los instrumentos ordinarios de gestión y se materializó con la intervención estatal.

El mapa como instrumento de lectura crítica

El plano estratégico trade-off que sirve de base a este análisis organiza las 95 acciones propuesta sobre dos ejes: el impacto en la misionalidad académica —donde los valores bajos indican alta afectación del pregrado, la investigación, la extensión y la cobertura regional— y el impacto en la sostenibilidad financiera —donde los valores altos indican saneamiento estructural real de la caja. Esta doble lectura revela de inmediato un hallazgo que la narrativa oficial tiende a suavizar: la mayor concentración de acciones con puntaje alto en sostenibilidad financiera se logra precisamente en las zonas de mayor afectación misional. En otras palabras, el plan salva la caja sacrificando, en parte, la misionalidad.

Los cuatro cuadrantes del mapa no son categorías abstractas; son diagnósticos de política. Entonces, el mapa en los cuadrantes es una asociación subjetiva en términos de los datos disponibles de la descripción de las acciones que propone la rectoría encargada y el contexto de la Universidad. Así, el Cuadrante II —alta sostenibilidad, alta protección misional— agrupa las acciones virtuosas: gobernanza de caja, trazabilidad presupuestal, recuperación de cartera, saneamiento de HAMA y generación de ingresos propios vía extensión (acciones 30, 31, 37, 38, 72–95). Estas acciones representan el corazón de una estrategia sostenible y no generan fricciones con la misión social de la institución. El Cuadrante I —alta sostenibilidad financiera, pero alta afectación misional— concentra las medidas de choque: suspensión de contratos de apoyo, recorte de horas cátedra, topes al Decreto 1279 y restricciones docentes (acciones 1, 3, 7, 51–53, 59–60). Aquí radica la tensión más profunda del plan. El Cuadrante IV —baja sostenibilidad pero alta protección misional— aloja la austeridad logística habilitadora: recortes en viáticos, eventos y publicidad (acciones 8–25). Son medidas correctas, pero de impacto financiero marginal frente al déficit global. Finalmente, el Cuadrante III señala las acciones verdaderamente ineficientes: la suspensión lineal de infraestructura y licencias de software (acciones 62, 63, 66). Congela el campus sin sanear el presupuesto de manera apreciable.

Fuente: elaboración propia con base en acciones propuestas al MEN. Si los lectores requieren la base del análisis, pueden solicitarlo con un mensaje directo.

El nudo crítico: cuando el ahorro amenaza la razón de ser

La acción más reveladora del plan, y la que merece mayor debate en la comunidad universitaria, es la Acción 43: la evaluación de sostenibilidad académica bajo el criterio del punto de equilibrio financiero por programa. Con un puntaje de apenas 1,2 sobre 10 en misionalidad, esta acción introduce implícitamente una lógica de mercado en la universidad pública que es incompatible con su función constitucional. Una serie de programas académicos en campus regionales como Caucasia, Turbo, Andes o Yarumal, estarían lejos ser rentables en términos comerciales. Pero su existencia determina si una región del país accede o no a educación superior de calidad, y esa función no puede medirse con los mismos instrumentos con que se evalúa la viabilidad de un producto en el mercado.

En esta misma línea de riesgo misional crítico se ubica la Acción 51, la cual impone techos máximos a la contratación de horas cátedra basándose estrictamente en promedios históricos y metas de reducción de caja. Al desvincular la asignación de horas docentes de la demanda real de matrícula y de las necesidades curriculares imperativas de cada semestre, la medida asume la docencia directa como un gasto corporativo elástico y no como un insumo ineludible del servicio público. La aplicación de recortes matemáticos planos en las facultades no solo amenaza con la cancelación inminente de asignaturas obligatorias —como ya se evidenció empíricamente en unidades como Ciencias Farmacéuticas—, sino que genera un severo “cuello de botella” académico. Sancionar la insuficiencia financiera de los fondos generales con el bloqueo del currículo transfiere el costo del déficit estructural directamente a los estudiantes, retrasando sus tasas de graduación y vulnerando el principio de permanencia en el sistema.

Un impacto restrictivo similar recae sobre el ecosistema de investigación y la infraestructura de soporte académico, evidenciado en el bloque de las Acciones 1, 7 y 66. Someter la operatividad de los laboratorios, el apoyo técnico de las sedes y los proyectos de extensión a la autorización burocrática de un comité centralizado para recortar personal, sumado a la paralización en la renovación de licencias de software científico, decreta la obsolescencia de las capacidades investigativas de la universidad. Estas decisiones actúan como un torniquete financiero: detienen la hemorragia de liquidez en el corto plazo, pero necrosan el tejido académico a largo plazo. Al paralizar la producción científica y deteriorar la relación técnica de soporte, la institución erosiona directamente los indicadores de excelencia exigidos por el Consejo Nacional de Acreditación (CNA), arriesgando la reacreditación institucional de alta calidad y marchitando su competitividad para captar futuros recursos de regalías y cooperación internacional.

Las acciones que deben defenderse

Sería injusto con el plan reducirlo a sus tensiones. Un conjunto significativo de acciones —concentrado en el Cuadrante I del mapa— constituye reforma estructural verdadera y debe defenderse con convicción política ante toda la comunidad. La herramienta de costeo de extensión (Acción 37) y la recuperación obligatoria de costos indirectos (Acción 38) resuelven un subsidio cruzado histórico: durante décadas, los proyectos de fondos especiales utilizaron infraestructura, servicios y personal de la universidad sin reembolsar el costo real al presupuesto ordinario. Fijar un overhead mínimo obligatorio del 15% al 20% para todo convenio externo es una corrección elemental que protege los fondos generales sin afectar la competitividad en el mercado de la extensión, cuya facturación en 2025 alcanzó $489.113 millones.

El modelo de flujo de caja mensual (Acción 74), las metas de liquidez y endeudamiento (Acción 72) y el seguimiento milimétrico al plan ante el MEN (Acción 95) representan el núcleo de una gobernanza financiera que la institución necesitaba desde hace tiempo. Una universidad que no sabe en tiempo real cuándo va a quedar sin caja para pagar nómina no tiene gobernanza: tiene improvisación. La instrumentalización de la planificación de recursos para bloquear compromisos sin respaldo líquido (Acción 29) y la trazabilidad de los techos presupuestales por dependencia (Acción 87) son reformas de gestión que la rectoría entrante debe preservar con independencia de cualquier otra consideración política.

El saneamiento del Hospital Alma Máter (HAMA) (acciones 67–69, 76–77) merece capítulo aparte. Una filial hospitalaria que opera con pérdidas recurrentes y transfiere ese déficit al presupuesto ordinario de la universidad es una bomba fiscal de tiempo. El diseño y la ejecución del plan de saneamiento —incluyendo la pignoración de ingresos operacionales del hospital y la exigencia de giro directo del Ministerio de Salud para el cobro de la deuda acumulada— no solo es financieramente correcto: es la única forma de proteger las prácticas formativas de los estudiantes de medicina y ciencias de la salud sin hipotecar el presupuesto institucional completo.

Las colisiones de las acciones con el estatuto general y el profesoral

bajo un modelo descentralizado, donde las facultades y sus decanaturas poseen la autonomía necesaria para administrar sus recursos y definir sus prioridades en función de su entorno. Sin embargo, las medidas de choque propuestas, al imponer comités centralizados para la aprobación de gastos transitorios o al exigir métricas de rentabilidad comercial como el punto de equilibrio para la oferta académica, amenazan con desdibujar el alma de la universidad pública. Este pragmatismo financiero, aunque matemáticamente comprensible en tiempos de iliquidez, corre el riesgo de suplantar la responsabilidad social de la institución, transformando un proyecto académico, colectivo y territorial en una estructura rígidamente corporativa que ignora la naturaleza colegiada de sus propios acuerdos supremos.

Por otro lado, esta extralimitación administrativa colisiona de frente con el Estatuto Profesoral, fracturando el delicado equilibrio de las relaciones laborales y académicas en la institución. Dicho estatuto consagra de manera invariable que el plan de trabajo docente debe ser un acuerdo concertado, protegiendo así la relación simbiótica entre la docencia, la investigación y la extensión. No obstante, la imposición de techos unilaterales a las horas de cátedra, el congelamiento de estímulos estatutarios como las comisiones de estudio o el año sabático, y la modificación vertical de los estándares de docencia directa, eluden la autoridad legítima del Consejo Académico. Al reducir al profesorado a una simple variable de ajuste contable en lugar de reconocerlo como el sujeto activo de la misión universitaria, estas acciones no solo rozan la ilegalidad al desconocer el debido proceso y las competencias colegiadas, sino que arriesgan quebrar la confianza estamental. En definitiva, salvar las finanzas de la universidad no puede costarnos la destrucción de su pacto estatutario; la verdadera sostenibilidad exige que la austeridad sea democráticamente deliberada, jurídicamente estructurada y misionalmente protectora.

Las restricciones que hereda la nueva rectoría

La rectoría entrante no llega a una hoja en blanco. Recibe un marco de compromisos formales ante el MEN que condicionan cada decisión de política interna. Incumplir el plan de acciones no es una opción administrativa: según la Acción 95, el incumplimiento “detona la intervención de Estado” en la forma de medidas correctivas que podrían incluir la destitución de directivos y el bloqueo de transferencias financieras. Esta restricción de gobernabilidad es real y debe ser comunicada con transparencia a la comunidad universitaria: la nueva administración hereda no solo una crisis, sino también el contrato que su predecesora suscribió con el Estado para gestionarla.

Al mismo tiempo, heredar compromisos no significa ejecutarlos mecánicamente. Es urgente una discusión abierta con los estamentos y la comunidad universitaria para legitimar las decisiones y garantizar el cumplimiento ante MEN, una discusión que fue omitida por la rectoría, aumentando la crisis de gobernanza que ya se advertía. Ente el problema, tres ajustes al plan son técnicamente necesarios, política y académicamente urgentes:

Primero, los recortes en horas cátedra deben condicionarse a una auditoría previa de dedicación docente de planta, no a reducciones porcentuales uniformes. La solución al sobredimensionamiento de la bolsa de cátedra no es reducir la oferta académica; es optimizar la asignación de los profesores de planta a tiempo completo y dedicación exclusiva antes de recurrir a la contratación externa. La base presupuestal de $76.074 millones aprobada por el CSU solo resiste si se alimenta de esa racionalización interna, no de la cancelación de cursos obligatorios.

Segundo, la Acción 43 debe ser modificada formalmente ante el Consejo Superior, con una propuesta que excluya taxativamente al pregrado regular y a las sedes regionales del criterio comercial del punto de equilibrio, sustituyéndolo por un Indicador de Sostenibilidad Social y Cobertura Misional. La Ley 30 de 1992, la Constitución Política y los compromisos del Plan de Desarrollo Institucional obligan a la UdeA a garantizar acceso a la educación superior con criterios de equidad territorial, no de rentabilidad de mercado. Aplicar la métrica de equilibrio financiero exclusivamente a los posgrados autofinanciados y a los programas de educación continua es una corrección técnicamente legítima y políticamente defendible ante el propio MEN.

Tercero, las exenciones médicas (Acción 47) y la actualización de tarifas de matrícula (Acción 45) deben ejecutarse con un mecanismo de graduación socioeconómica rigurosa. Una suspensión plana de exenciones para residentes de Medicina, sin cruce con el nivel de ingresos familiar verificado, no es austeridad institucional: es una transferencia regresiva del ajuste fiscal hacia los estudiantes más vulnerables. El desmonte gradual, condicionado a capacidad de pago certificada, protege la caja sin clausurar el acceso.

La universidad que queremos defender

Este ensayo no tiene por propósito elegir entre la sostenibilidad financiera y la misionalidad académica, como si fueran valores irreconciliables. El mapa estratégico demuestra que existen más de treinta acciones ubicadas en el Cuadrante II—el cuadrante de la gobernanza virtuosa— que producen saneamiento financiero real sin sacrificar la función social de la institución. El problema no es el tamaño del plan; es su composición interna: el porcentaje más significativo de las acciones con mayor impacto en caja opera sobre la base docente y de personal de apoyo, que es precisamente el recurso humano sin el cual la universidad deja de ser universidad.

La crisis financiera de la UdeA tiene una causa estructural que ningún plan de austeridad interna puede resolver por sí solo: el desfinanciamiento crónico de la educación superior pública, generado por el congelamiento real de los aportes de la Nación. Los $70.000 millones recibidos en enero de 2026 son una demostración de que el Estado puede inyectar recursos extraordinarios cuando la situación llega al punto de quiebre, pero no son una solución sistémica. La agenda de la nueva rectoría debería incluir, con la misma urgencia que el plan de austeridad interna, la gestión política sostenida ante el SUE para la reforma de los artículos 86 y 87 de la Ley 30 y el logro de un nuevo pacto de financiamiento que indexe los aportes al costo real de la educación superior pública, no al IPC de la economía general; una gestión que incluye la discusión del Índice de Costos a la Educación Superior, con ajustes que se visibilice con suficiencia la diferencia de los costos diferenciados de una universidad pública.

En el entretanto, la comunidad universitaria tiene el derecho y la obligación de exigir que las medidas de ajuste sean técnicas, graduales, diferenciadas por contexto académico y regional, y nunca comerciales. La Universidad de Antioquia existe porque el Estado colombiano y el pueblo de Antioquia decidieron que existiera para algo más que sobrevivir: para transformar el territorio. Ese mandato no aparece en ninguna de las 95 acciones del plan. Pero es precisamente lo que justifica defenderlas —y cuando sea necesario, corregirlas— con el mismo rigor con el que fueron formuladas.

La buena noticia: esa bomba fue desactivada.

Lo que cambió y por qué importa

La nueva versión pasa de 5 a 4 artículos. El cambio más relevante es la eliminación completa del artículo que ataba los topes al salario del Rector o del gobernador. Con eso desaparece el escenario más injusto del borrador original: el de un docente en Quibdó con un techo de 285 puntos mientras su colega en Bogotá tenía margen hasta 1.141. La inequidad territorial más flagrante del texto anterior ya no existe.

En su lugar, la nueva versión define topes fijos por categoría docente, con valores concretos por primera vez:

Esto también resuelve otro defecto del borrador original: ese texto fue socializado con los sindicatos con todos los valores en blanco (“XXXX puntos”). Negociar un tope sin conocer el número es negociar a ciegas. Ahora hay cifras sobre la mesa y se puede hacer el cálculo de quién queda afectado.

Con el puntaje promedio actual de 480 puntos, un docente está al 76% del tope de la categoría Auxiliar y muy lejos del tope Titular (1.120 puntos). Esto es un cambio sustancial: la nueva versión ya no congela de inmediato la carrera del profesor promedio, como sí lo hacía el borrador anterior con municipios de categoría 4ª en adelante.

El tercer cambio positivo está en el Artículo 2: el límite anual de reconocimiento de puntos por productividad ya no es solo un techo discrecional. La nueva versión incorpora explícitamente un monto mínimo garantizado, calculado sobre el total de docentes de carrera y las metas del Plan de Desarrollo Institucional. Es un avance real frente a la versión anterior, que podía dejar ese reconocimiento en cero si el presupuesto no alcanzaba.

El problema que nadie está discutiendo: ¿qué pasa con quien ya alcanzó el tope?

Hay una pregunta que el decreto no responde y que es central para no destruir los incentivos académicos: ¿qué ocurre con el profesor que ya tiene más puntos acumulados que el nuevo tope de su categoría?

El Artículo 4 (régimen de transición) protege los derechos adquiridos: nadie pierde los puntos que ya tiene reconocidos. Eso está bien. Pero el problema es lo que viene después.

Piense en un caso concreto y cada vez más frecuente: un investigador que llega por primera vez a una universidad pública con doctorado, posdoctorado y un historial sólido de publicaciones en revistas indexadas —digamos, 15 artículos en los últimos cinco años, varios libros y participación en proyectos de investigación financiados. Bajo el Decreto 1279, ingresa en la categoría de Profesor Auxiliar, que es el punto de entrada del escalafón independientemente de su trayectoria previa. Si esos méritos ya acumulados se traducen en puntos por productividad reconocida al momento del ingreso, puede llegar rápidamente a 580 o 600 puntos —muy cerca o por encima del nuevo tope de 634 que el decreto fija para esa categoría—. El resultado es absurdo: un docente que apenas empieza su vida universitaria pública ve su carrera salarial congelada desde el primer año, no porque haya abusado del sistema, sino porque llegó demasiado bien preparado. Cualquier investigación futura, cualquier nuevo libro, cualquier proyecto que dirija a partir de ese momento no generará ningún retorno salarial adicional. El decreto, en ese caso, no disciplina un exceso: castiga la excelencia de entrada.

Eso genera un incentivo perverso muy concreto: ¿para qué seguir produciendo investigación de calidad si ya no genera ningún reconocimiento económico? La lógica académica dice que el salario no es el único motor de la productividad —hay vocación, reputación, contribución al conocimiento— y eso es cierto. Pero también es cierto que el sistema de puntos del Decreto 1279 fue diseñado precisamente como un contrato de largo plazo: invertir en formación y productividad tiene retorno acumulado y predecible. Al romperse ese contrato para quienes alcanzan el tope, el sistema pierde su coherencia de incentivos.

Una solución técnica que el decreto podría haber contemplado —y no contempló— es diferenciar entre acumulación de puntos (que genera salario permanente y por eso se limita) y reconocimiento de productividad activa (que podría existir como bonificación no pensionable para quienes ya alcanzaron el tope, premiando la producción continua sin inflar indefinidamente el salario base). Esa distinción existe en universidades privadas y en muchos sistemas universitarios de América Latina. No está en este decreto.

El resultado práctico: los docentes más productivos del sistema —los que llevan décadas publicando con rigor y por eso llegaron al tope— son exactamente los que quedan sin incentivo futuro. Los que produjeron menos y tienen margen, siguen con estímulo. Es una paradoja que el decreto no parece haber visto, o que vio y decidió ignorar.

Lo que no cambió y sigue siendo el problema central

Reconocer las mejoras no obliga a olvidar lo que permanece igual. Y lo que permanece igual es, precisamente, lo más estructural. (Para ampliar el contexto, se pueden remitir al análisis anterior del primer borrador).

El Capítulo II del Decreto 1279 sigue intacto. Los criterios que definen qué cuenta como productividad académica y cuántos puntos vale cada publicación no fueron tocados. Las coautorías con aporte real mínimo, las revistas de bajo rigor académico y los demás mecanismos que permitieron construir salarios de 60 o 90 millones al mes siguen siendo formalmente válidos. El decreto pone un techo más razonable, pero no cierra la puerta por donde entraron los abusos. Es poner un balde más pequeño bajo el grifo que sigue abierto.

El parágrafo 1 del Artículo 2 no fue modificado. Sigue estableciendo que el reconocimiento de puntos por productividad “no constituye derecho automático ni consolidado”. Esto transforma lo que hoy es un incentivo con certeza jurídica en una recompensa sujeta al presupuesto anual de cada institución. Un investigador puede hacer exactamente el mismo trabajo dos años seguidos y recibir reconocimiento diferente según las finanzas de su universidad ese año. Eso no incentiva la investigación; la fragiliza.

El mínimo garantizado de productividad sigue siendo definido institucionalmente, sin un piso nacional. Una universidad bien financiada puede reconocer 30 puntos anuales por persona; una con déficit crónico puede definir su mínimo en 2 o 3. La desigualdad entre instituciones no desaparece; cambia de forma.

Los docentes ocasionales y de cátedra siguen ausentes del decreto. Ni un artículo, ni un parágrafo, ni una mención. Este grupo no recibe ningún beneficio de una norma que dice perseguir la equidad remuneratoria.

La consulta pública sigue incompleta. El campo de actores formalmente consultados aparece como “XXXXXXXXX” también en la nueva versión. La Ley 1437 de 2011, que el mismo decreto cita en sus considerandos, exige transparencia y objetividad en ese proceso. Publicar el decreto sin identificar a los consultados no cumple ese estándar.

De nuevo ¿Cómo leer este momento?

La nueva versión es evidencia de que la presión técnica y el debate público funcionan. El primer borrador tenía un defecto tan grave —la inequidad territorial— que su corrección era inevitable una vez que los datos lo evidenciaron. Que el MEN lo haya corregido antes de expedir el decreto es una señal positiva y debe reconocerse.

Pero hay tres preguntas que esta versión deja sin responder y que definen si la reforma es buena política pública o simplemente una mejor política de comunicación:

1. ¿Qué pasa con los docentes que ya están en o cerca del tope? Sin un mecanismo de reconocimiento de productividad activa para quienes llegaron al límite, el decreto mata el incentivo académico de los profesores más productivos del sistema.

2. ¿Cuándo se reforma el Capítulo II? Sin corregir los criterios de calidad de la productividad académica, los abusos que motivaron este decreto siguen siendo posibles, solo que con un techo más bajo.

3. ¿Cuándo se garantiza un piso para los más precarizados? La equidad remuneratoria que el decreto invoca en sus considerandos exige tanto topes arriba como pisos abajo. Hoy solo hay lo primero.

Un decreto mejorado no es todavía un decreto bien concebido. El debate debe continuar.

Este texto es una actualización del análisis completo disponible en este mismo blog. Los cálculos de topes en pesos usan el valor del punto docente de $23.924 para 2026. Los datos de distribución salarial corresponden al análisis de los 2.032 docentes de la Universidad de Antioquia (Muñetón, 2024). Los topes por categoría docente provienen del Artículo 1 del borrador del decreto revisado (Proyecto-Adición-Decreto-1279, abril 2026).

El punto de partida: la falacia que lo contamina todo

Todo comenzó con un titular. En abril de 2024, la Revista Raya reveló que en la Universidad Nacional algunos profesores recibían salarios de $60 a $68 millones mensuales. En abril de 2026, nuevas denuncias en la Universidad de Sucre hablaron de un “cartel de puntos” con salarios de hasta $93 millones. La prensa amplificó esos casos. La ciudadanía se indignó, con razón.

El Ministerio reaccionó. Pero cometió el error más clásico del diseño de política pública: usar el caso extremo para describir la realidad de todos y construir una norma sobre esa generalización.

Los datos reales dicen algo radicalmente diferente.

El 50% de los profesores universitarios en Colombia gana menos de $9,57 millones mensuales. El promedio estadístico es $10,6 millones —inflado por los pocos casos altos—, y la mediana honesta está 9% por debajo de ese promedio. Los docentes ocasionales y de medio tiempo, que sostienen buena parte de la docencia, ganan entre $6,7 y $8,9 millones. Solo el 1% tiene salarios que se pueden llamar realmente altos, y son menos de 20 personas de cada 2.000 profesores en la universidad analizada.

El borrador de decreto del 14 de abril de 2026, firmado por el Ministerio de Hacienda (Germán Ávila Plazas), el Ministerio de Educación (José Daniel Rojas Medellín) y la Directora de la Función Pública (Mariela Barragán Beltrán), aplica topes salariales a la totalidad de los profesores para corregir el comportamiento de la minoría.

Lo que el decreto propone: tres artículos, tres problemas

El borrador introduce tres mecanismos al Decreto 1279 de 2002:

Artículo 1: Topes máximos de puntos salariales por categoría docente (Auxiliar, Asistente, Asociado, Titular). Los valores aún aparecen en blanco: XXXX puntos. El decreto fue socializado con los sindicatos sin cifras concretas.

Artículo 2: El salario de cualquier docente no puede superar el del Rector de su universidad ni el del Gobernador o Alcalde de su entidad territorial.

Artículo 3: Cada año, el Consejo Superior Universitario fija cuántos puntos de productividad puede reconocer, según su disponibilidad presupuestal.

Cada uno de estos mecanismos, analizado con datos, produce consecuencias que contradicen sus propios objetivos declarados.

Incoherencia 1: el decreto socializado sin cifras no puede debatirse honestamente

El Artículo 1 del borrador es el corazón de la reforma: define topes de puntos por categoría. Pero en el documento del 14 de abril que fue presentado a los sindicatos ASPU, UTRADEC y SINTRAUNICOL, todos los valores críticos aparecen literalmente como “XXXX puntos”.

Esto no es un detalle menor. Es estructural. Negociar un tope salarial sin conocer el número del tope es negociar a ciegas. El Gobierno conocía los rangos que estaba considerando; los profesores, no. Tampoco se identificó formalmente a los actores consultados en la consulta pública: ese campo también aparece como “XXXXXXXXX” en el documento.

La Ley 1437 de 2011, que el mismo decreto cita en sus considerandos, exige que la consulta pública garantice transparencia y objetividad. Publicar un borrador sin cifras no cumple ese estándar. Es, en el mejor caso, una formalidad vacía.

Incoherencia 2: el tope regional convierte la reforma en una máquina de desigualdad

El Artículo 2 ata el salario máximo de los profesores al salario del gobernador o alcalde de su entidad territorial, no establece un tope nacional uniforme. Parece razonable. Con los datos, no lo es.

Con el ajuste del 7% aplicado a los topes del Decreto 620 de 2025, los topes para 2026 quedan así:

Ahora compare eso con este dato fundamental: el valor promedio de puntos que tiene un profesor universitario hoy es 480. Su salario actual equivale a $11.483.520.

Eso significa que un profesor con el puntaje medio nacional ya excede los topes de los municipios de categoría 4ª, 5ª y 6ª desde el primer día de vigencia del decreto. No por abuso. No por prácticas cuestionables. Simplemente por llevar una carrera académica normal durante años.

Esto genera una estratificación geográfica de la carrera académica: el mismo profesor con los mismos méritos, publicaciones y antigüedad tiene un techo salarial radicalmente diferente según dónde trabaje. Un Titular en la Universidad de Antioquia (ciudad especial, tope ~$27.3M) tiene una carrera viva; el mismo Titular en la Universidad del Pacífico (municipio pequeño) puede estar congelado con 480 puntos desde el año 1 de la reforma.

La pregunta que el MEN no responde: ¿cuántas de las 34 universidades públicas del país operan en municipios de categoría 4ª o inferior? La reforma que se dice dirigida al 1% problemático congela de facto la carrera del 50% del profesorado en las regiones más vulnerables del país.

Incoherencia 3: en las ciudades grandes, el decreto casi no aplica a nadie

Para hacer más evidente la paradoja: en Bogotá, Medellín, Cali y Barranquilla (todas categoría especial), el tope equivale a 1.141 puntos.

¿Cuántos profesores tienen hoy más de 1.141 puntos? Una fracción muy pequeña del total: los casos extremos que motivaron el escándalo mediático.

Resultado: el decreto es casi inoperante donde el problema es real (grandes universidades urbanas) y aplastante donde no había problema (universidades regionales). La solución está geográficamente invertida.

Un ejemplo concreto: un Profesor Titular de la Universidad del Pacífico (Buenaventura, municipio categoría 4ª o similar), con doctorado, 15 años de trayectoria y publicaciones en revistas indexadas, puede tener perfectamente entre 450 y 500 puntos. Bajo este decreto, su carrera queda congelada de inmediato. Su homólogo en la Universidad Nacional de Bogotá con los mismos méritos puede seguir creciendo durante décadas más.

Eso no es equidad. Es segregación territorial por norma.

Ahora bien, el MEN justifica el decreto en la sostenibilidad fiscal (Ley 819 de 2003, Art. 334 CP). Sin embargo, el cálculo evidencia una contradicción: si el profesor promedio ya está en 480 puntos y el tope de las categorías más frecuentes es de 285–469 puntos, el decreto no genera ahorro fiscal para el Estado —los derechos adquiridos se respetan según el Artículo 5— sino que bloquea el gasto futuro esperado en aquellas universidades donde ese gasto ya era modesto. El verdadero gasto desbordado (salarios de 60–90 millones) está en unas pocas universidades de categoría especial o nacional, y allí el tope de 1.141 puntos es tan alto que no limitaría a casi nadie en el corto plazo.

El riesgo fiscal real es mínimo donde el decreto es más restrictivo (regiones), y el decreto es más permisivo precisamente donde el gasto es mayor (ciudades especiales y nacionales). La reforma fiscal está, paradójicamente, mal calibrada geográficamente.

Trayectorias proyectadas 2026–2035

El gráfico revela la brecha fundamental: el perfil de alta productividad (+30 pts año) alcanzaría el tope de una ciudad especial (~$27.3M) solo en el año 2035, tras nueve años continuos de producción. El perfil de productividad media nunca lo alcanzaría en 10 años. Pero en los municipios de categoría 4ª en adelante, todos los perfiles ya están sobre el tope desde el primer día de vigencia del decreto.

Un profesor en una universidad de municipio de 4ª categoría con 480 puntos actuales ya está bloqueado desde el primer día. No importa cuánto investigue ni cuántas publicaciones produzca: el decreto le dice que ya llegó al límite. El sistema crea así el peor incentivo posible: premiar la mediocridad geográfica sobre el mérito académico.

Incoherencia 4: el decreto pone techo, pero no arregla el piso ni las paredes

Los casos extremos que motivaron la reforma —salarios de 60 a 93 millones mensuales— no vienen de categorías normales del Decreto 1279. Vienen de prácticas específicas que el propio MEN reconoce pero deja intactas:

• Coautorías donde el aporte individual es mínimo o nulo

• Uso estratégico de revistas depredadoras para acumular puntos sin calidad real

• Carteles de puntos

• Inequidades por áreas conocimiento

• Aprovechamiento de vacíos normativos del Capítulo II del Decreto 1279 (criterios de productividad)

El borrador modifica el Capítulo III (topes) y declara que los problemas del Capítulo II “desbordan el alcance de esta reforma y corresponden a una reforma estructural posterior”. Sin fecha.

Es la trampa técnica central del decreto: pone un techo sin reparar el piso. Las prácticas que generaron los abusos permanecen habilitadas. Un profesor que hoy acumula puntos mediante coautorías masivas seguirá haciéndolo hasta alcanzar el nuevo tope —que en ciudades grandes es 1.141 puntos, suficiente para décadas de acumulación cuestionable—. Mientras tanto, el profesor de una universidad regional que construyó su carrera con mérito real ya está bloqueado desde el día uno.

Los análisis muestran que las disciplinas con menor facilidad de publicación en revistas indexadas (artes, humanidades, ciencias sociales, pedagogía) acumulan puntos más lentamente. Bajo un tope uniforme por categoría, estas áreas —donde también hay mayor presencia femenina en la docencia universitaria— tienen carreras más cortas antes de alcanzar el techo, comparadas con STEM. El decreto no contiene ningún mecanismo de corrección por esta asimetría estructural.

Incoherencia 5: el decreto castiga la carrera que crece, no la que abusó

El Artículo 3 introduce el mecanismo más peligroso de todos: convierte el reconocimiento de puntos por productividad en una decisión anual discrecional del Consejo Superior, sujeta a disponibilidad presupuestal.

El parágrafo 1 es explícito: “El reconocimiento de puntos por productividad no constituye derecho automático ni consolidado”.

Esto rompe el contrato implícito sobre el que se construyó la carrera académica pública en Colombia desde 2002. Un investigador que hoy tiene 480 puntos aceptó un salario de entrada relativamente bajo —con doctorado, inferior a lo que paga el sector privado— a cambio de una trayectoria predecible de crecimiento asociada a mérito verificable. El decreto le dice: “lo que produzcas en el futuro puede no ser reconocido si el presupuesto no alcanza ese año”.

Y la consecuencia lógica es devastadora para la calidad: si publicar una investigación seria puede o no generar reconocimiento salarial dependiendo de variables financieras externas al mérito, ¿para qué invertir el esfuerzo? Las actividades más rentables serán las no sujetas a evaluación de puntos: consultoría externa, actividades comerciales, carga docente mínima. El decreto desincentiva exactamente lo que dice querer fortalecer.

Las universidades con déficit crónico —precisamente las regionales que más necesitan atraer talento— reconocerán menos. La norma convierte la desigualdad presupuestal histórica en desigualdad salarial permanente por mandato legal.

Incoherencia 6: el tope en pesos equivale a un techo que se encoge solo

Hay un efecto que el borrador no menciona pero que los números revelan con claridad. El punto docente crece con el tiempo: en 2026 pasó de $22.358 a $23.924 (un incremento del 7%, atado al ajuste salarial del sector público). El tope del decreto, en cambio, está atado al salario del Gobernador o Alcalde, que se ajusta con IPC más un componente adicional —típicamente entre 4% y 6% en años normales.

Si el punto crece al 7% anual y el tope monetario crece al 5%, el equivalente en puntos del tope cae aproximadamente 2% cada año. El techo, medido en puntos, se vuelve más bajo cada año sin que nadie lo haya decidido explícitamente.

Un ejemplo numérico: el tope de un municipio de 3ª categoría equivale hoy a 560 puntos. En 10 años, si el punto crece más rápido que el tope monetario, ese mismo tope puede equivaler a 460 puntos. Un docente con productividad media que hoy está a 80 puntos del límite puede encontrarse, sin hacer nada distinto, que el límite bajó hasta alcanzarlo.

Es un tope decreciente disfrazado de tope fijo.

Incoherencia 7: los más precarizados no existen en este decreto

El decreto tiene cinco artículos. Ninguno menciona a los docentes ocasionales ni a los catedráticos.

Estos docentes —que ganan entre $6,7 y $8,9 millones mensuales y sostienen una fracción significativa de la docencia en universidades públicas colombianas— son los que más necesitan una reforma salarial. Son también los que más sufren la precarización estructural del sistema: sin estabilidad, sin acceso al escalafón, sin posibilidad de acumular puntos de productividad.

El MEN justifica su exclusión citando la Sentencia C-006 de 1996 y los artículos 73-74 de la Ley 30 de 1992. La justificación jurídica es técnicamente correcta. Pero el efecto es que una reforma que invoca la equidad como su primer objetivo no hace nada por el grupo más inequitativamente tratado del sistema.

Años para alcanzar el tope: la trampa del tiempo

Ahora, revisemos qué efecto tendrá el decreto en la perspectiva temporal, tomando como base el profesor promedio y calculando una productividad en términos diferenciada, sin atajos o comportamientos abusivos. Con base en 480 puntos actuales como inicio (Valor promedio), un crecimiento del punto del 5% anual y tres niveles de productividad (baja: +5 pts/año; media: +20 pts/año; alta: +35 pts/año), el resultado es el siguiente:

Un profesor de baja productividad en una universidad de municipio de 3ª categoría alcanzaría el tope en 16 años. En municipio de 2ª categoría, en 44 años, lo que supera con creces cualquier horizonte laboral razonable. Sin embargo, para profesores de media o alta productividad, la carrera queda estructuralmente congelada antes de que termine su vida profesional. Un sistema universitario segregado por diferencias territoriales.

El borrador de decreto ¿Qué aporta?

El gráfico anterior sintetiza, en una sola imagen, la incoherencia estructural del borrador del decreto. De las seis dimensiones centrales del problema salarial docente en Colombia, el decreto aborda parcialmente solo una —y apenas en un 5% a 10%—: los casos de prácticas cuestionables, y lo hace tocando únicamente el resultado final (el puntaje acumulado) sin cerrar los mecanismos que las generaron. En las dos dimensiones donde sí interviene, produce daño colateral cuantificable: entre el 60% y el 85% del impacto sobre los docentes en regiones de categoría 4ª a 6ª no es corrección de abuso, sino congelamiento de carreras académicas legítimas construidas durante décadas. Y frente a las tres dimensiones donde la reforma era más urgente y necesaria —mejorar el salario de enganche para doctores nuevos, corregir los criterios de calidad de la productividad, y proteger a los docentes ocasionales más precarizados—, el borrador simplemente no existe: cien por ciento ignorado, cero por ciento abordado. Un decreto que resuelve el 5% del problema que declara atacar, genera daño en el 80% de lo que toca, e ignora completamente el 60% restante de las causas reales, no merece llamarse reforma. Merece llamarse lo que es: una respuesta política a un escándalo mediático, construida sobre generalizaciones estadísticas, sin datos desagregados, sin cifras concretas en sus artículos centrales, y sin ninguna consideración por las consecuencias regionales de una norma que prometía equidad y produce exactamente lo contrario.

A manera de conclusión

El borrador del decreto del 14 de abril de 2026 puede resumirse en una sola frase: trata el síntoma de una minoría con una medicina que daña a la mayoría, sin tocar las causas de la enfermedad.

Diagnostica con titulares de prensa en lugar de distribuciones estadísticas. Aplica topes universales donde necesitaba bisturí de precisión. Crea desigualdad territorial donde prometía equidad. Congela incentivos a la investigación justo donde más se necesitan —en las universidades regionales—. Y deja sin tocar los vacíos normativos que permitieron los abusos que lo motivaron.

Un decreto que produce el resultado opuesto a todos sus objetivos declarados no es una reforma mal ejecutada. Es una reforma mal concebida. Y los datos lo demuestran con una claridad que ningún considerando jurídico puede desestimar.

Nota metodológica: Los cálculos de topes en puntos se basan en el valor del punto docente de $23.924 para 2026, sobre los topes del Decreto 620 de 2025 ajustados al 7%. Las distribuciones salariales usadas para el razonamiento corresponden al análisis de los 2.032 docentes de la Universidad de Antioquia. Las proyecciones asumen crecimiento del punto del 5% anual y productividad acumulada de 5, 20 y 35 puntos por año para perfiles bajo, medio y alto respectivamente.

¿Quién es McKinsey y por qué importan sus reportes sobre IA?

McKinsey & Company es una de las firmas de consultoría estratégica más influyentes del mundo, fundada en 1926. Asesora a gobiernos, corporaciones multinacionales y organizaciones en más de 130 países, incluyendo empresas líderes en Colombia en sectores como banca, manufactura, energía y retail.​

Sus reportes anuales sobre el Estado de la Inteligencia Artificial se han convertido en referencia mundial porque encuestan entre 1,300 y 2,000 ejecutivos globalmente, capturando no solo si las empresas usan IA, sino cuánto invierten, dónde la aplican, y —crucialmente— cuánto valor financiero real están generando. Como asesores de las organizaciones más grandes del planeta, McKinsey tiene acceso privilegiado a datos sobre qué estrategias de IA funcionan en la práctica y cuáles fracasan.

A continuación presento la comparación de los reportes listando 10 aspectos:

1. El Cambio Fundamental en Adopción: De 72% a 88%

Entre febrero de 2024 y junio de 2025, la adopción de IA de cualquier tipo creció de 72% a 88%, un incremento de 16 puntos porcentuales. De forma más específica, el uso regular de inteligencia artificial generativa pasó de 65% a 79%. Este crecimiento refleja la normalización de la IA como herramienta empresarial estándar, pero también enmascara una verdad incómoda: la adopción generalizada no ha traído consigo beneficios empresariales proporcionales.

Lo más revelador es el cambio en cómo las organizaciones abordan múltiples funciones. En 2024, el 50% de las empresas usaba IA en dos o más departamentos; en 2025, ese porcentaje ascendió a 67%, y el 50% reporta uso en tres o más funciones. Este patrón sugiere que las organizaciones no solo están experimentando con IA de manera aislada, sino que están expandiendo su presencia transversal—aunque, como se verá, sin necesariamente escalarla de forma estratégica.

2. La Brecha entre Adopción y Escalamiento: El “Pilot Purgatory”

Una de las conclusiones más críticas del reporte 2025 es que mientras la adopción ha alcanzado niveles récord, el escalamiento real permanece estancado. Aproximadamente 62% de las organizaciones aún se encuentran en fases de experimentación o pilotaje, mientras que solo 38% ha logrado escalar sus programas de IA a nivel empresarial. Esta cifra es particularmente significativa porque revela que la mayoría de las inversiones en IA aún no se han traducido en despliegues operacionales maduros.

Para los agentes de inteligencia artificial (sistemas autónomos capaces de planificar y ejecutar múltiples pasos en un flujo de trabajo), el panorama es aún más temprano: 62% de las organizaciones experimenta con agentes, pero solo 23% ha logrado escalarlos. En cualquier función de negocio individual, menos del 10% de los encuestados reporta escalamiento de agentes, indicando que la revolución de agentes de IA sigue siendo fundamentalmente aspiracional para la mayoría.

3. El Impacto Financiero: De 5.2% a 39%, pero con Matices Críticos

Quizás el hallazgo más sorprendente es el cambio aparente en la métrica de impacto financiero de EBIT (ganancias operativas antes de intereses e impuestos). En 2024, solo el 5.2% de las organizaciones (46 de 876 encuestados) atribuía más del 10% de su EBIT a la inteligencia artificial generativa. En 2025, ese número parece haber saltado a 39% de organizaciones reportando algún impacto de EBIT.

Sin embargo, esta cifra requiere interpretación cuidadosa. De ese 39%, la mayoría reporta que menos del 5% de su EBIT es atribuible a IA. Solo el 6% de las organizaciones califica como “AI high performers”—aquellas que atribuyen más del 5% de su EBIT a IA y reportan valor significativo. En otras palabras, mientras que 39% ve algún impacto, solo 6% ve impacto material.

Esta distinción es crucial para la sala de juntas: significa que la mayoría de las inversiones en IA siguen generando retornos marginales en el nivel de utilidad operativa, incluso cuando producen beneficios cualitativos visibles.

4. Dónde se Concentra el Valor: Funciones y Beneficios

En términos de donde el valor se materializa, el reporte 2025 identifica patrones claros, aunque diferentes según el tipo de beneficio:

Ahorros de Costos (funciones reportando reducciones más frecuentemente):

• Ingeniería de Software

• Fabricación (manufacturing)

• Operaciones de TI

Incrementos de Ingresos (funciones reportando crecimiento):

• Marketing y Ventas

• Estrategia y Finanzas Corporativas

• Desarrollo de Productos y Servicios

Este patrón refleja una dinámica crucial: las organizaciones utilizan IA principalmente para automatizar y optimizar procesos existentes (reduciendo costos operativos), mientras que la generación de nuevos ingresos sigue siendo una aplicación más sofisticada y menos generalizada. El hecho de que Marketing & Sales aparezca como foco de ingresos, a la vez que no aparece en la lista de funciones con mayor reducción de costos, sugiere un reconocimiento de que el verdadero valor de IA en estas áreas reside en la expansión del negocio (personalización a escala, optimización de precios), no en la automatización.

5. El Paradox de la Innovación: 64% Reporta Mejora, Pero Solo 39% Ve EBIT

Uno de los hallazgos más intrigantes del reporte 2025 es la desconexión entre beneficios cualitativos y cuantitativos. Aunque 64% de los encuestados reporta que el uso de IA ha mejorado la innovación en sus organizaciones, y casi 50% reporta mejoras en satisfacción del cliente y diferenciación competitiva, solo 39% ve impacto material en EBIT.

Esta brecha sugiere varias posibilidades:

• Rezago de impacto: Las mejoras en innovación y satisfacción del cliente aún no se han traducido en mejoras de rentabilidad.

• Métricas de difícil captura: Los beneficios en innovación pueden ser reales pero difíciles de atribuir directamente a IA en los sistemas de contabilidad actual.

• Efecto de selección: Las organizaciones que reportan innovación quizás están en sectores donde el impacto en EBIT es más lento de materializar (e.g., investigación y desarrollo, innovación de productos).

6. El Patrón de Inversión: 5x de Brecha entre Líderes y Rezagados

Un hallazgo estratégico crucial es cómo los “AI high performers” (el 6% superior) asignan presupuesto de forma radicalmente diferente:

Esta brecha de 5x en inversión no es coincidencia. Las organizaciones que logran escalar valor con IA no simplemente integran la tecnología en presupuestos existentes; la prioridad y los recursos se reorientan fundamentalmente. Los high performers alcanzan esta posición porque:

• Asignan capital proporcionalmente mayor a IA

• Redireccionan el trabajo y la cadena de mando alrededor de IA, no al revés

• Establecen objetivos de crecimiento e innovación, no solo eficiencia

7. Los Diferenciales de los AI High Performers: Las 6 Características Clave

El 6% de organizaciones que logran más del 5% de EBIT atribuible a IA comparte un conjunto de características distinguibles:

1. Uso Extenso Pero Profundo: Utilizan IA en promedio en 3 funciones de negocio (versus el promedio de 2), con mayor probabilidad de uso en funciones estratégicas como riesgo, legal, cumplimiento y finanzas corporativas.

2. Rediseño de Workflows Fundamentales: Son 3x más probables que otras organizaciones de reportar que han “reconstruido fundamentalmente” cómo fluye el trabajo en sus empresas. No simplemente integran IA en procesos existentes; reimaginan los procesos alrededor de IA.

3. Objetivos Ambiciosos: Mientras que 80% de todas las organizaciones establecen eficiencia como objetivo, los high performers adicionalmente establecen crecimiento e innovación como objetivos paralelos. Esta distinción es crucial: están buscando expansión, no solo optimización.

4. Liderazgo Senior Comprometido: Son 3x más probables de reportar que los líderes senior demuestran propiedad y compromiso activo con iniciativas de IA. El CEO no delega IA al CIO; la trata como prioridad estratégica.

5. Gobierno de Riesgo Sofisticado: Reportan más experiencias negativas con IA (porque despliegan más casos de uso) pero también implementan más prácticas de mitigación de riesgos, incluyendo validación de salida de modelos y revisiones de riesgo temprana en el desarrollo.

6. Escalamiento de Agentes Avanzado: Son al menos 3x más probables de reportar que están escalando agentes de IA en múltiples funciones. Mientras que para la mayoría, los agentes siguen siendo experimentales, los high performers ya están moviendo casos de uso de producción.

8. El Impacto Laboral: Cambios Graduales Pero Acelerar

En 2025, las expectativas de impacto en la fuerza laboral muestran una divergencia interesante. Aunque 32% anticipa reducciones significativas, es notable que 43% espera ningún cambio y 13% espera crecimiento. Sin embargo, esto representa un cambio temporal versus tendencias. En el año anterior, solo 17% (mediana por función) reportó reducciones de fuerza laboral; ahora, 30% espera reducciones en el próximo año, indicando una aceleración anticipada de desplazamiento de empleo.

Los datos muestran que las mayores reducciones esperadas están en:

• Servicio al cliente y operaciones de centro de contacto

• Supply chain y logística

• Ciertas funciones administrativas

Simultáneamente, la demanda de nuevas habilidades crece—particularmente en ingeniería de software e ingeniería de datos. Esto sugiere que el impacto laboral no es simplemente destrucción, sino transformación y reskilling.

9. El Cambio en Narrativa: De “Adopción Rápida” a “Escalamiento Lento”

El reporte 2025 marca un cambio deliberado en enfoque respecto a 2024. El reporte 2024 enfatizaba el crecimiento explosivo de la adopción (”65% es casi el doble de 10 meses atrás”). El reporte 2025 reemplaza esta narrativa con el reconocimiento de que la adopción no es suficiente: “Aunque la adopción de IA se ha generalizado, la mayoría de las organizaciones no ha escalado suficientemente para realizar beneficio empresarial material.”

Esta recalibración es importante porque refleja un reconocimiento maduro de que la disponibilidad de la tecnología no es equivalente a la capacidad organizacional de explotarla. La adopción es tabla base; la transformación es el diferenciador.

10. Implicaciones Estratégicas para Tomadores de Decisiones

Extraído de los datos de ambos reportes, las implicaciones estratégicas son:

Para Boards y C-Suites:

• La IA no es un proyecto de TI: Es una agenda de transformación de negocio que requiere rediseñar los flujos de trabjo, relocalización de capital, y liderazgo senior explícito.

• El gap entre líderes y seguidores se está ampliando: El 6% de high performers está consolidando ventajas competitivas mientras que el 94% permanece en pilotos extendidos. Este gap de productividad probablemente se trasladara en divergencia de rentabilidad en 3-5 años.

• Inversión es una precondición necesaria pero no suficiente: Asignar 20% del presupuesto digital a IA es importante, pero solo es efectivo cuando se acompaña de rediseño de flujos de trabajo y objetivos amplios (no solo costos).

Para Organizaciones en Fase de Piloto:

• Diseña pilotos para escala: No ejecutes un piloto aislado; diseña arquitecturas de datos, tecnología y gobernanza que permitan multiplicación sin reconstrucción.

• Combina eficiencia + crecimiento: Mientras que la reducción de costos es más fácil de demostrar a corto plazo, los beneficios sostenibles vienen de usos de IA que expanden, no solo optimizan.

• Invierte en gobernanza de riesgos temprano: Los high performers tienen más consecuencias negativas reportadas porque despliegan más, pero mitigan más. Construye frameworks de validación y revisión ahora.

Conclusión

Entre 2024 y 2025, la historia de la IA empresarial pasó de “adopción explosiva” a “transformación selectiva”. La adopción es ahora universal; el escalamiento, selectivo. Solo el 6% de organizaciones está capturando valor material, diferenciándose a través de rediseño de workflows, liderazgo comprometido, y inversión proporcionalmente mayor. Para el 94% restante, el riesgo no es quedarse atrás tecnológicamente, es quedarse atrás en capacidad organizacional para convertir IA en ventaja competitiva.

Datos de:

• McKinsey Global Survey on AI (Early 2024) - 1,363 encuestados, febrero-marzo 2024

• McKinsey Global Survey on the State of AI (2025) - 1,993 encuestados, junio-julio 2025

  

Fuente: Foto del autor.

Este análisis examina el período 2006-2024 en pesos corriente, además, integra valores reales (expresados en pesos constantes de 2014) para eliminar el efecto distorsionador de la inflación. Todos los valores están expresados en millones de pesos colombianos, y los datos provienen de los registros financieros oficiales de la Universidad. Me concentro en los datos financieros agregados, grandes rubros de ingresos y gastos de los dos principales fondos que soportan las finanzas institucionales: fondos generales y fondos especiales.

🎯 Objetivo y Alcance del Análisis

Este diagnóstico tiene un propósito claro y urgente: proporcionar evidencia cuantitativa incuestionable sobre la magnitud de la crisis financiera institucional, identificar sus causas estructurales, y evaluar los escenarios futuros posibles.

Más allá de las cifras, busco responder preguntas fundamentales: ¿Qué llevó a la Universidad a esta situación? ¿Cuándo comenzó realmente el deterioro? ¿Es posible revertir esta crisis? ¿Qué se requiere para garantizar la sostenibilidad institucional?

Este análisis es un complemento de la app que diseñé para aportar a la comprensión de la situación financiera de la Universidad de Antioquia. (ver aquí la aplicación)

📚 Comprendiendo los Fondos: La Arquitectura Financiera de la Universidad

Antes de adentrarnos en los números, es fundamental entender la estructura financiera básica de la Universidad de Antioquia, con base en dos grandes categorías de fondos:

🏦 Fondos Generales (FG)

Los Fondos Generales comprenden los ingresos correspondientes a las partidas asignadas dentro de los presupuestos nacional y territorial, de conformidad con lo previsto en la Ley 30 de 1992 y otras disposiciones legales. También incluyen los derechos académicos y otros pagos directos de estudiantes.

Esta es la columna vertebral del financiamiento universitario: los recursos del Estado y las matrículas estudiantiles. Son fondos destinados al funcionamiento básico, la nómina de docentes y trabajadores, y los gastos operacionales esenciales. Aquí no discuto la necesidad, ya argumentada en varios espacios, de exigir la modificación de la ley 30 y sus artículos 86 y 87 que tratan de la financiación de la educación pública.

💼 Fondos Especiales (FE)

Los Fondos Especiales comprenden la administración independiente de los recursos provenientes de la ejecución de convenios, venta de bienes y servicios derivados del cumplimiento de los ejes misionales. Incluyen recursos recibidos de terceros (privados o públicos) y de la propia Universidad para realizar actividades de docencia, investigación, extensión y bienestar universitario.

Estos fondos representan la capacidad de la Universidad para generar recursos propios mediante proyectos de investigación, programas de extensión, venta de servicios académicos y convenios con entidades externas.

Históricamente, los FE funcionaron como un mecanismo de amortiguación financiera, compensando los déficits eventuales de los FG. Sin embargo, como veremos, esta capacidad de compensación ha colapsado dramáticamente en años recientes.

🚨 Nueve Datos que Confirman la Crisis

Antes de explorar las tendencias y los análisis detallados, presentamos nueve cifras críticas que resumen la magnitud del problema:

1. Crisis de liquidez: -200.269 millones (disponibilidades totales en 2024)

2. Año crítico identificado: 2017 (punto de inflexión definitivo)

3. Cobertura FE sobre FG: 14,1% en 2024 (colapsó desde el 100%)

4. Puntos porcentuales perdidos: 85,9 (en capacidad de cobertura)

5. Déficit acumulado FG: 366.038 millones (deuda estructural consolidada)

6. Disponibilidades FG: -364.728 millones en 2024 (situación insostenible)

7. Años consecutivos de crisis: 8 (período 2017-2024)

8. Pérdida de poder adquisitivo: 42,3% (valores reales vs nominales)

9. Capacidad de sostenibilidad: CRÍTICA (requiere reformas urgentes)

Estas nueve cifras no son datos aislados. Son síntomas de una crisis estructural profunda que analizaremos en detalle.

🔬 Metodología: Rigor Técnico para un Análisis Confiable

La solidez de este análisis descansa en una metodología rigurosa:

- Período de análisis: 19 años de datos históricos (2006-2024)

- Deflactación: Todas las series nominales se ajustan con año base 2014, eliminando el efecto inflacionario, con el fin de apoyar los análisis nominales cuando se requiera.

- Valores reales: Expresados en pesos constantes de 2014 para comparabilidad temporal

- Unidades: Millones de pesos colombianos (formato: punto para miles, coma para decimales)

- Fuentes: Registros financieros oficiales de la Universidad de Antioquia

- Cálculos derivados: Disponibilidades acumuladas, capacidad de cobertura, déficit estructural

Esta metodología garantiza que los hallazgos no estén distorsionados por la inflación y que las comparaciones temporales sean válidas, manteniendo el anclaje en datos corrientes para calcular efectos de valores nominales acumulados y en años particulares. Aunque se hace el análisis real, los gráficos y las cifras de los déficit, disponibilidades y otros particulares presentan los valores nominales. Pido disculpas adelantadas a los lectores por la posible confusiones que se generen entre valores nominales y reales en el discurrir del documento.

📈 Gráfico 1: La Crisis Emerge desde 2017 - El Punto de No Retorno

El Momento Crítico

El análisis temporal revela un hallazgo contundente: 2017 marca el punto de inflexión definitivo en las finanzas institucionales. A partir de este año, las disponibilidades totales entran en una trayectoria de deterioro irreversible que se prolonga hasta la actualidad.

Las cifras son elocuentes:

- 2016: Disponibilidades totales de 175.136 millones (última cifra elevada positiva)

- 2017: Caída brutal a 24.332 millones (reducción del 86,1% en un solo año)

- 2018: Primera vez con disponibilidades negativas (-53.371 millones)

- 2024: Crisis consolidada con -200.269 millones

Tres Períodos Claramente Diferenciados

Pre-crisis (2006-2016): La Era de Estabilidad

Durante once años, la Universidad mantuvo disponibilidades positivas con un promedio de 125.680 millones. Los FE cumplían efectivamente su función compensatoria, y aunque había déficits ocasionales en FG, el balance general era positivo. Aunque, es necesario anotar que desde el 2008 se comienza a ver que los ingresos por fondos generales son menores a los gastos, año que comenzaba a anunciar un riesgo financiero.

Inflexión (2017): El Colapso Súbito

En un solo año, las disponibilidades cayeron 86,1%. Este no fue un deterioro gradual, sino un quiebre estructural. Los modelos de sostenibilidad que habían funcionado durante una década dejaron de ser viables.

Crisis Consolidada (2018-2024): El Deterioro Acelerado

Siete años consecutivos con disponibilidades negativas. Las disponibilidades negativas se multiplicaron por 8,2 entre 2018 y 2024, con una pérdida promedio de 24.120 millones anuales.

¿Qué Pasó en 2017?

El quiebre de 2017 no fue accidental. Coincidió con varios factores estructurales:

- Reducción significativa de transferencias estatales en términos reales

- Incremento de gastos fijos (nómina, servicios, mantenimiento)

- Agotamiento de la capacidad de los FE para compensar déficits crecientes de FG

- Cambios en la estructura de costos operacionales

⚖️ Gráfico 2: El Desequilibrio Estructural se Intensifica

Gráfico de Ingresos vs Gastos Fondo General

Gráfico del déficit estructural del FG

La Brecha Insostenible

El análisis de los valores reales (base 2014) del Fondo General revela que el desequilibrio no es coyuntural, sino estructural. Los ingresos y gastos han seguido trayectorias divergentes que generan una brecha cada vez más difícil de cerrar.

Las Cifras del Desequilibrio

Crecimiento de ingresos reales FG:

- 2006: 214.431 millones

- 2024: 468.268 millones

- Crecimiento total: 118,4% en 18 años

- Tasa promedio anual: 1,6%

Crecimiento de gastos reales FG:

- 2006: 213.816 millones

- 2024: 477.984 millones

- Crecimiento total: 123,5% en 18 años

- Tasa promedio anual: 1,8%

Puede parecer una diferencia pequeña (0,2 puntos porcentuales), pero compuesta durante casi dos décadas, genera una brecha acumulada de miles de millones de pesos.

El Déficit Recurrente

Resultados históricos FG (valores reales):

- Años con déficit: 15 de 19 (78,9% del período)

- Déficit promedio anual: -17.543 millones

- Déficit 2024: -9.716 millones

- Aceleraron post-2017: el déficit anual promedio se triplicó

La Presión Estructural

¿Por qué los gastos crecen más rápido que los ingresos?

Factores de presión en gastos:

- Nómina docente y administrativa con incrementos anuales por encima del IPC (Indexación por el cual se incrementan los ingresos de la Nación)

- Costos de servicios públicos creciendo por encima de la inflación

- Mantenimiento de infraestructura cada vez más costoso

- Nuevas obligaciones legales y prestacionales

- Expansión de cobertura sin correspondiente incremento de ingresos o disponibilidad de previsión financiera

- Nueva infraestructura sin cubrimiento financiero de sus costos asociados

- Programas de bienestar estudiantil, para garantizar inclusión y permanencia, sin cobertura financiera directa.

Limitaciones en ingresos:

- Transferencias estatales sin crecimiento real y por debajo de los incrementos de los gastos operativos

- Matrículas subsidiadas para estudiantes de bajos recursos

- Límites legales a los incrementos de derechos académicos

- Reducción de ingresos por extensión y servicios

💸 Gráfico 3: Disponibilidades Negativas Comprometen la Operación

Gráfico de Crisis de Liquidez

La Amenaza Operacional Inmediata

Las disponibilidades totales negativas de 200.269 millones en 2024 no son solo una cifra contable abstracta. Representan una amenaza directa y concreta a la capacidad operacional de la Universidad.

¿Qué Significan las Disponibilidades Negativas?

En términos simples, significa que la Universidad ha gastado más de lo que ha ingresado de forma acumulada, y ha tenido que recurrir a mecanismos de financiamiento (créditos, préstamos internos, diferimiento de pagos) para mantener la operación.

Evolución de la Crisis de Liquidez

Disponibilidades totales (millones):

- 2006: 94.390 (positivo, saludable)

- 2010: 128.385 (máximo histórico)

- 2017: 24.332 (último año positivo, pero crítico)

- 2018: -53.371 (primera vez negativo)

- 2020: -87.256 (empeoramiento pandémico)

- 2024: -200.269 (crisis consolidada)

La velocidad de deterioro es alarmante: las disponibilidades negativas casi se cuadruplicaron en seis años.

Impacto en la Operación Universitaria

Esta crisis de liquidez tiene consecuencias tangibles, muchas de las cuales aún no se manifiestan, pero es inminente que la crisis puede llevar a al afectación de la misionalidad:

Riesgo operacional inmediato:

- Dificultades para el pago oportuno de nómina y proveedores

- Necesidad de priorizar pagos urgentes sobre inversiones estratégicas

- Riesgo de embargos o sanciones por incumplimiento de obligaciones

Presión sobre programas académicos:

- Recursos limitados para materiales, equipos y tecnología educativa

- Imposibilidad de expandir cupos o crear nuevos programas

- Restricciones en actividades de docencia e investigación

Afectación del bienestar estudiantil:

- Limitaciones en programas de becas y apoyos socioeconómicos

- Reducción de actividades deportivas, culturales y de bienestar

- Deterioro de servicios estudiantiles básicos

Deterioro de infraestructura:

- Postergación de mantenimientos preventivos críticos

- Edificaciones y laboratorios envejeciendo sin renovación

- Riesgo de accidentes o cierres por condiciones inadecuadas

Pérdida de competitividad institucional:

- Dificultad para atraer y retener docentes de excelencia

- Limitaciones para participar en convocatorias internacionales

- Deterioro de indicadores de calidad y rankings universitarios

Riesgo reputacional:

- Percepción externa de inestabilidad institucional

- Desconfianza de aliados estratégicos y financiadores

- Impacto en la matrícula y la imagen pública

🛡️ Gráfico 4: Los Fondos Especiales Perdieron su Capacidad de Compensación

Gráfico de Capacidad de Cobertura

El Colapso del Mecanismo de Amortiguación

Históricamente, los Fondos Especiales funcionaron como un colchón financiero, compensando los déficits de los Fondos Generales mediante excedentes generados por proyectos, convenios y servicios. Esta capacidad de cobertura fue fundamental para la sostenibilidad institucional durante décadas.

Sin embargo, este mecanismo ha colapsado de manera dramática.

Las Cifras del Colapso

Capacidad de cobertura FE sobre FG (%):

- 2006-2014: Promedio 94,7% (funcional y estable)

- 2015: 50,3% (primera caída significativa)

- 2017: 28,1% (deterioro acelerado)

- 2020: 16,5% (nivel crítico)

- 2024: 14,1% (colapso consolidado)

Pérdida acumulada: 85,9 puntos porcentuales

Esto significa que los FE, que antes podían cubrir casi la totalidad de los déficits de FG, hoy apenas pueden compensar el 14,1%. La función estabilizadora prácticamente ha desaparecido.

¿Por Qué Colapsó la Capacidad de Cobertura?

Factores en los Fondos Especiales:

1. Reducción de proyectos de investigación financiados: Menor captación de recursos externos

2. Competencia incrementada: Otras universidades captando proyectos que antes iban a la UdeA

3. Gastos operacionales de FE creciendo: Los proyectos generan menos excedentes netos

4. Cambios en la estructura de convenios: Márgenes de utilidad más reducidos

Factores en los Fondos Generales:

1. Déficit creciendo exponencialmente: Los FE ya no pueden compensar brechas tan grandes

2. Dependencia insostenible: El modelo asumía que FE siempre tendría excedentes

3. Límite estructural alcanzado: Los FE tienen un techo natural de generación de recursos

La Función Estabilizadora Perdida

El gráfico muestra tres zonas claramente diferenciadas:

Zona verde (cobertura >80%): Funcionamiento saludable del mecanismo compensatorio, entre 2006-2014

Zona amarilla (cobertura 30-80%): Señal de alarma, función estabilizadora comprometida

Zona roja (cobertura <30%): Crisis del mecanismo, FE insuficientes

La Universidad lleva siete años consecutivos en zona roja crítica, con tendencia al empeoramiento.

📊 Gráfico 5: Tres Períodos Marcan el Deterioro Financiero Progresivo

Gráfico de Análisis por Períodos

La Evolución de la Crisis en Tres Actos

Para comprender la trayectoria completa de la crisis, dividimos los 19 años analizados en tres períodos claramente diferenciados, cada uno con características y dinámicas específicas.

Período I: Estabilidad Financiera (2006-2014)

Indicadores promedio:

- Liquidez: +118.847 millones (altamente positiva)

- Capacidad de cobertura: 91,2% (funcional)

- Resultado FG promedio: -5.234 millones (déficit controlado)

Características:

Este fue el período de relativa estabilidad. Aunque los FG registraban déficits ocasionales, los FE generaban excedentes suficientes para compensarlos. El balance general era positivo, las disponibilidades crecían, y la Universidad podía invertir en proyectos estratégicos.

Factores de estabilidad:

- Transferencias estatales relativamente estables

- FE con alta capacidad de generación de recursos

- Gastos controlados y crecimiento sostenible

- Modelo financiero funcionando según lo diseñado

Período II: Transición y Alerta (2015-2019)

Indicadores promedio:

- Liquidez: -62.693 millones (primera vez negativa)

- Capacidad de cobertura: 24,2% (deterioro significativo)

- Resultado FG promedio: -24.730 millones (déficit duplicado)

Características:

Período de transición donde aparecen las primeras señales críticas de alarma estructural. Las disponibilidades se vuelven negativas por primera vez en la historia reciente, y la capacidad de cobertura de FE cae dramáticamente.

Factores de transición:

- Reducción real de transferencias estatales

- Incremento acelerado de gastos fijos

- Agotamiento del modelo de compensación FE-FG

- Primeras medidas de ajuste insuficientes

Período III: Crisis Consolidada (2020-2024)

Indicadores promedio:

- Liquidez: -132.965 millones (crisis profunda)

- Capacidad de cobertura: 16,3% (insuficiencia crítica)

- Resultado FG promedio: -26.356 millones (déficit estructural)

Características:

Crisis estructural consolidada con empeoramiento acelerado. Las disponibilidades negativas se profundizan, la capacidad de cobertura colapsa, y el modelo financiero institucional muestra insostenibilidad evidente.

Factores de crisis:

- Impacto de pandemia COVID-19 (2020-2021)

- Déficit estructural del FG sin solución

- FE sin capacidad para compensar brechas

- Límites del modelo financiero alcanzados

La Progresión del Deterioro

Comparando los tres períodos, observamos:

- Liquidez: Empeoró 2,1 veces entre período I y II, y 2,1 veces adicionales entre II y III

- Cobertura: Cayó 67 puntos entre período I y II, y 8 puntos adicionales entre II y III

- Velocidad: El deterioro se aceleró en cada período sucesivo

🔮 Gráfico 6: Solo Reformas Urgentes Pueden Estabilizar las Finanzas

Gráfico de Proyecciones de Escenarios

Tres Caminos Posibles, Una Sola Salida

Los modelos financieros proyectan **tres escenarios posibles** para el período 2025-2030, cada uno basado en supuestos específicos sobre las acciones que la Universidad implemente (o no) en el corto plazo.

La conclusión es contundente: únicamente el escenario optimista ofrece una ruta hacia la estabilización financiera. Los otros dos escenarios conducen a la profundización de la crisis o, en el peor caso, al colapso operacional.

Escenario Optimista: Reformas Integrales

Supuestos:

- Incremento de ingresos: +3% anual en términos reales

- Reducción de gastos: -2% anual mediante optimización operativa, en gastos flexibles.

- Implementación de reformas estructurales profundas

- Nuevas fuentes de ingreso desarrolladas exitosamente

Resultados proyectados:

- 2025: -150.000 millones (mejora moderada)

- 2027: -50.000 millones (tendencia positiva consolidada)

- 2029: -10.000 millones (acercamiento al equilibrio)

- 2030: +50.000 millones (disponibilidades positivas recuperadas)

Requerimientos para este escenario:

1. Reformas estructurales inmediatas:

- Revisión integral de la estructura de gastos. Clasificación entre flexibles y rígidos.

- Optimización de procesos administrativos

- Modernización tecnológica para eficiencia operativa

2. Nuevas fuentes de ingreso:

- Desarrollo de programas autofinanciables de posgrado

- Incremento sustancial de proyectos de investigación con financiamiento externo

- Alianzas estratégicas con sector productivo y gubernamental

- Servicios académicos especializados de alto valor agregado

3. Acción inmediata:

- Las reformas deben iniciarse en el primer trimestre de 2026

- Cada mes de retraso incrementa exponencialmente el esfuerzo requerido

Escenario Moderado: Ajustes Graduales

Supuestos:

- Incremento moderado de ingresos: +1,5% anual

- Reducción gradual de gastos: -1% anual

- Reformas parciales sin cambios estructurales profundos

- Mantenimiento del modelo actual con ajustes marginales

Resultados proyectados:

- 2025: -180.000 millones (ligera mejora)

- 2027: -140.000 millones (mejora lenta)

- 2029: -100.000 millones (tendencia positiva insuficiente)

- 2030: -80.000 millones (disponibilidades aún negativas)

Evaluación del escenario:

Este escenario muestra mejora, pero insuficiente para resolver la crisis estructural. Las disponibilidades permanecen negativas durante toda la década, y aunque la tendencia es positiva, no alcanza el punto de equilibrio.

Riesgo: Prolongar la crisis sin resolverla, manteniendo la vulnerabilidad institucional indefinidamente.

Escenario Conservador: Status Quo

Supuestos:

- Mantener las tendencias actuales sin reformas significativas

- Ingresos estancados o con crecimiento inferior a la inflación

- Gastos creciendo por inercia institucional

- No se implementan cambios estructurales

Resultados proyectados:

- 2025: -220.000 millones (empeoramiento)

- 2027: -260.000 millones (deterioro acelerado)

- 2029: -300.000 millones (crisis agravada)

- 2030: -320.000 millones (colapso inminente)

Evaluación del escenario:

Este es el escenario de colapso. Las disponibilidades negativas se multiplican por 1,6 veces en seis años, alcanzando niveles que comprometen seriamente la viabilidad operacional de la Universidad.

Consecuencias del status quo:

- Imposibilidad de cumplir obligaciones básicas

- Riesgo de intervención externa o medidas de emergencia

- Pérdida de acreditación y calidad institucional

- Deterioro irreversible de la infraestructura y la operación

La Urgencia de la Decisión

Los tres escenarios no son predicciones determinísticas, sino proyecciones condicionales: muestran los resultados probables según las decisiones que se tomen.

La evidencia es clara:

- Solo el escenario optimista resuelve la crisis estructural

- El escenario moderado la atenúa pero no la resuelve

- El escenario conservador conduce al colapso

La ventana de oportunidad se está cerrando. Cada año de retraso en la implementación de reformas:

- Multiplica exponencialmente el esfuerzo requerido

- Reduce las opciones disponibles

- Incrementa los costos de estabilización

- Aumenta el riesgo de escenarios catastróficos

Los modelos son claros: sin reformas urgentes e integrales iniciadas en el primer trimestre de 2026, la Universidad enfrentará una crisis de sostenibilidad que pondrá en riesgo su misionalidad y su futuro como institución pública de educación superior.

💡 Hallazgos Clave y Conclusiones del Análisis

Hallazgo 1: La Crisis es Estructural, No Coyuntural

Los datos desmienten cualquier interpretación de la crisis como un problema temporal o circunstancial. Es un **desequilibrio estructural profundo** que se ha desarrollado durante casi dos décadas:

- 15 de los últimos 19 años con déficit en FG

- Brecha creciente entre ingresos y gastos reales

- Colapso progresivo del mecanismo de compensación FE-FG

- Deterioro acelerado post-2017

Implicación: No se resolverá con medidas coyunturales o ajustes menores. Requiere reformas estructurales profundas.

Hallazgo 2: 2017 es el Punto de Inflexión Definitivo

El análisis temporal identifica claramente 2017 como el año crítico donde la situación financiera pasa de manejable a crítica:

- Caída del 86,1% en disponibilidades en un solo año

- Primera vez con capacidad de cobertura inferior al 30%

- Inicio de siete años consecutivos de deterioro

- Quiebre del modelo de sostenibilidad institucional

Implicación: Comprender qué sucedió en 2017 es clave para diseñar las reformas necesarias.

Hallazgo 3: Los Fondos Especiales Ya No Pueden Compensar

La capacidad de cobertura colapsó del 100% al 14,1%, eliminando el principal mecanismo de estabilización financiera de la Universidad:

- FE con excedentes insuficientes

- Déficit de FG demasiado grande para ser compensado

- Dependencia histórica insostenible

Implicación: El modelo de financiamiento basado en que FE compense déficits de FG está agotado. Se requiere un nuevo modelo.

Hallazgo 4: La Crisis Tiene Consecuencias Operacionales Reales

Las disponibilidades negativas de 200.269 millones no son solo una cifra contable. Tienen impacto directo en:

- Capacidad de pago oportuno

- Inversión en calidad académica

- Mantenimiento de infraestructura

- Programas de bienestar estudiantil

- Competitividad institucional

Implicación: La crisis financiera amenaza directamente la misionalidad universitaria.

Hallazgo 5: Solo el Escenario Optimista Resuelve la Crisis

Las proyecciones muestran que ajustes graduales o mantenimiento del status quo no son suficientes:

- Escenario moderado: mejora insuficiente

- Escenario conservador: colapso progresivo

- Escenario optimista: única ruta hacia la estabilización

Implicación: Se requieren reformas profundas, no ajustes marginales. La solución es ambiciosa o no es solución.

✊ Llamado a la Acción: Defendamos Juntos la Universidad

La Crisis Requiere Acción Colectiva Inmediata

Los datos son contundentes y no admiten interpretaciones ambiguas: la Universidad de Antioquia enfrenta la crisis financiera más grave de su historia moderna. Con disponibilidades negativas de 200.269 millones, una capacidad de cobertura del 14,1% y un déficit acumulado que supera los 366.038 millones, al 2024, la institución está en un momento de inflexión crítico.

Esta crisis no es solo un problema de cifras o de administración; es una amenaza directa a la misionalidad universitaria y al futuro de la educación superior pública en Antioquia y Colombia. Es hora de aceptar que la crisis financiera es grave, hemos comprado tiempo para aplazar los hechos inminentes del colapso.

Llamado a la Comunidad Universitaria

Estudiantes, docentes, trabajadores, egresados y directivos: Este es nuestro momento de unidad institucional. La crisis financiera no es responsabilidad de un sector, sino un desafío colectivo que requiere la participación activa de toda la comunidad universitaria.

Comprender la gravedad de la situación es el primer paso hacia la solución. Los números muestran que sin reformas estructurales urgentes, la Universidad podría perder su capacidad operativa y, con ella, su misión de formar profesionales, generar conocimiento y contribuir al desarrollo regional. El llamado es para la comunidad universitaria, abrazar la universidad significa tomar decisiones que a todos nos va a doler, pero que son las necesarias para mantener la coherencia con la realidad financiera.

Muchos ya saben que hay caminos posibles, pocos quieren aceptar apretar el botón de las decisiones obligadas, de los ajustes en personal, de los controles estrictos, los congelamientos de beneficios, la limitación de garantías, en general, no queremos tomar decisiones incómodas que a toda reflexión razonada, son necesarias.

Responsabilidad Financiera Colectiva

La responsabilidad financiera debe ser asumida por todos los miembros de la comunidad universitaria:

Estudiantes: Comprender que la calidad de su formación depende de la sostenibilidad financiera institucional. Participar activamente en los debates sobre el futuro de la Universidad.

Docentes: Contribuir a la generación de recursos a través de proyectos de investigación y extensión. Participar en la optimización de procesos académicos y de asignación de cursos sin generar presiones adicionales a las finanzas institucionales. Replicar la información con base en evidencias.

Trabajadores: Apoyar la eficiencia operativa y la modernización de procesos administrativos. Ser parte activa de las soluciones.

Directivos: Liderar las reformas estructurales necesarias con transparencia, decisión y participación democrática de toda la comunidad.

Egresados: Fortalecer los vínculos con la institución y apoyar iniciativas de sostenibilidad. Ser embajadores de la Universidad en la sociedad.

Sociedad: Reconocer el valor de la universidad pública y apoyar su fortalecimiento. Exigir políticas públicas que garanticen financiamiento adecuado.

Protegiendo la Misionalidad Institucional

La Universidad de Antioquia es patrimonio de todos los antioqueños y colombianos. Su misión trasciende lo financiero: formar ciudadanos críticos, generar conocimiento transformador y contribuir al desarrollo social y económico de la región.

Proteger esta misionalidad requiere decisiones difíciles pero necesarias, más allá de la discusión de la ley de financiamiento de la educación superior y de los decretos de reglamentación de los gastos operativos, a toda luz un proceso de gestión y exigencia necesario con el gobierno nacional que merece mayor discusión, las siguientes acciones las propongo con base en las posibilidades internas:

Diversificación urgente de fuentes de financiamiento:

- Programas autofinanciables de alta calidad

- Servicios académicos especializados

- Alianzas con sector productivo

- Captación de proyectos internacionales

Optimización de la estructura de gastos sin afectar la calidad académica:

- Adecuación de las asignaciones de cátedra

- Revisión de procesos administrativos

- Modernización tecnológica

- Eficiencia energética y sostenibilidad

- Gestión eficiente de recursos (Con énfasis la planta docente)

Fortalecimiento de la capacidad de generación de recursos propios:

- Proyectos de investigación con financiamiento externo

- Programas de extensión rentables y de impacto social

- Servicios especializados de alto valor agregado

- Innovación y emprendimiento universitario

Modernización de procesos administrativos y operativos:

- Digitalización de trámites

- Automatización de procesos repetitivos

- Mejora continua en la gestión

- Gobierno corporativo eficiente

Establecimiento de alianzas estratégicas:

- Con sector público para proyectos de desarrollo

- Con sector privado para investigación aplicada

- Con universidades internacionales para cooperación

- Con organizaciones sociales para extensión

📌 Conclusión: La Evidencia Habla por Sí Misma

Este análisis integral de 19 años de datos financieros de la Universidad de Antioquia no deja espacio para ambigüedades:

1. La crisis es real y está documentada: No es alarmismo ni exageración política

2. Es estructural y profunda: No se resolverá con medidas superficiales

3. Tiene consecuencias operacionales inmediatas: Afecta la calidad y la misionalidad

4. Requiere acción urgente: La ventana de oportunidad se está cerrando

5. Solo reformas integrales pueden resolverla: Ajustes menores son insuficientes

6. Es responsabilidad colectiva: Toda la comunidad debe ser parte de la solución

La Universidad de Antioquia es una institución fundamental para el desarrollo de Antioquia y Colombia. Su crisis financiera más allá de un problema interno, es un asunto de interés público que requiere atención, comprensión y acción por parte de toda la sociedad.

Los datos están sobre la mesa. Las proyecciones muestran los caminos posibles. La evidencia es clara. Ahora, la decisión está en nuestras manos.

¿Qué Universidad queremos para las próximas generaciones?

La respuesta a esa pregunta definirá las acciones que tomemos hoy.

--——-

Análisis realizado con base en datos financieros oficiales de la Universidad de Antioquia, período 2006-2024. Valores expresados en millones de pesos colombianos constantes de 2014. Metodología rigurosa de deflactación y análisis temporal. Proyecciones basadas en modelos financieros cuantitativos con supuestos explícitos.

Para más información, análisis interactivos y acceso a los datos completos, visite el dashboard financiero interactivo Universidad de Antioquia

#UniversidadDeAntioquia #CrisisFinanciera #EducaciónPública #SostenibilidadUniversitaria #AnálisisBasadoEnDatos

Pero aquí hay un problema fundamental: si no entendemos correctamente qué causó la crisis, las soluciones que propongamos van a ser inútiles. Somos bastante egocéntricos para creer que siempre tenemos la razón, con el manto de la verdad soluciones aparecen sin esclarecer las relaciones de causa que nos han llevado a la crisis. Es como intentar curar una gripe tomando medicamentos para el dolor de estómago: no solo no se cura, sino que puede empeorar.

Por eso es crucial separar los mitos de las realidades, las explicaciones reales de los chivos expiatorios, especialmente cuando tenemos datos empíricos que nos permiten evaluar cada argumento. Porque en este momento, son múltiples los argumentos y la búsqueda de culpables cuando la Universidad de Antioquia necesita un diagnóstico correcto basado en evidencia para poder salvarse.

Las versiones oficiales y los mitos que reproducen los medios.

“El problema es que las universidades no son eficientes”

Esta es la explicación favorita de muchos funcionarios del gobierno. Según esta versión, la Universidad de Antioquia tiene suficiente plata, pero la gasta mal. Comparan la universidad pública con las privadas y dicen: “Miren, ellas funcionan sin déficit, ¿por qué la UdeA no puede?”

¿Suena lógico? Sí. ¿Es cierto? No completamente.

Es como comparar un hospital público que atiende todo tipo de pacientes, incluidos los más pobres y complicados, con una clínica privada que escoge solo los casos rentables. La Universidad de Antioquia debe:

• Formar estudiantes de todos los estratos sociales con garantías reales como la gratuidad para aquellos clasificados en estratos 1, 2 y 3.

• Hacer investigación científica, que no siempre genera dinero inmediato o busca rentabilidades comerciales.

• Llegar a los municipios del departamento de Antioquia con la oferta institucional en infraestructuras propias.

• Ofrecer una enorme variedad de programas académicos, no solo los rentables.

Una universidad privada puede especializarse en carreras como administración de empresas o finanzas porque estas resultan rentables. La Universidad de Antioquia tiene que ofrecer también filosofía, música, antropología y otras carreras fundamentales que probablemente no sean clasificadas como rentables en la concepción de mercado actual.

“Las universidades deben conseguir su propia plata”

Otro argumento oficial es que las universidades públicas deben “diversificar sus fuentes de financiación”. En otras palabras: “Arréglenselas para conseguir su propia plata y dependan menos del Estado”.

Esto tiene algo de razón, pero oculta un problema más grave: durante 30 años, el Estado ha reducido progresivamente su compromiso con la educación pública. Es como si un padre le dijera a su hijo: “Aprende a ser independiente”, mientras cada mes le da menos dinero para los costos de la universidad.

La Ley 30 de 1992, que debía garantizar la financiación de las universidades públicas, estableció que los aportes estatales crecieran únicamente según el Índice de Precios al Consumidor (IPC); sin embargo, según estimaciones del Sistema Universitario Estatal (SUE), los gastos de funcionamiento crecen sistemáticamente cinco puntos por encima del IPC. Entre 2022 y 2023, el presupuesto general de la nación en el rubro educativo creció un 11%, mientras que el crecimiento real, es decir, teniendo en cuenta la inflación anual, solo fue de un 2.1%.

En Colombia, la inversión en educación representa entre un 4% y un 5% del Producto Interno Bruto (PIB). Por ejemplo, en 2019 fue del 4,5% y en 2023 bajó al 4,2%. Además, esta inversión también ha disminuido como parte del gasto total del Estado. Si comparamos con otros países de la región, Colombia gasta menos: Chile invierte el 5,4% de su PIB, Brasil el 6,1% y Costa Rica el 6,7%. Esto muestra que el problema no es que las universidades sean ineficientes, sino que el Estado está invirtiendo mucho menos de lo necesario.

“Los profesores ganan mucho y trabajan poco”

Esta es probablemente la explicación más popular en redes sociales y algunos medios. La narrativa es simple: “Los profesores de la universidad son unos vagos privilegiados que ganan millones sin trabajar”.

Esta explicación no solo tiene un problema: los datos la contradicen completamente.

El año pasado realicé un análisis de los salarios de los 2.032 profesores de la Universidad de Antioquia en 2024, en el texto se presenta evidencias de una realidad completamente diferente a la percepción pública:

Datos contundentes del análisis sobre los salarios:

• El 50% de todos los profesores gana menos de $9.57 millones mensuales

• El salario promedio es de $10.57 millones (inflado por casos atípicos)

• Solo 5 profesores de los 2.032 analizados ganan más de $40 millones

• Solo 83 profesores (4% del total) ganan más de $20 millones

• Solo 20 profesores (1% del total) tienen salarios que pueden considerarse realmente altos

La realidad por tipo de vinculación

• Profesores Ocasionales: Promedio de $7.56 millones, solo 4 superan los $12 millones

• Profesores Ocasionales Medio Tiempo: Promedio de $6.72 millones

• Profesores de Medio Tiempo: Promedio de $8.88 millones

• Profesores de Tiempo Completo: Entre $8 y $12 millones la mayoría

¿Es esto “exorbitante”? Para ponerlo en perspectiva: un profesor típico de la Universidad de Antioquia, altamente formado y con experiencia en docencia e investigación, gana menos que muchos gerentes de bancos, ejecutivos de empresas privadas, profesionales senior de empresas privadas o incluso algunos futbolistas de equipos locales.

Los famosos casos de profesores que ganan $60-75 millones mensuales son extremadamente excepcionales: representan menos del 1% del total. Usar estos casos para generalizar es como juzgar a todos los colombianos por los salarios de James Rodríguez: estadísticamente engañoso y conceptualmente incorrecto.

La falacia del trabajo docente: datos vs. prejuicios

En el análisis presentado en junio del 2025, tomando cinco años (2020-2025) de los planes de trabajo de los docentes de la UdeA, busco atacar el mito de la generalidad sobre la vagancia y advertir el riesgo de homogenizar la diversidad de docentes que tiene la UdeA. Los resultados permiten conclusiones sobre la diversidad docente:

• 35% de los profesores se dedican principalmente a dar clases (alta carga docente)

• 33% tienen una dedicación equilibrada entre clases e investigación

• 32% se dedican más a investigación (traen recursos externos y prestigio)

¿Es esto malo? Todo lo contrario. Son perfiles diferenciados para darle contenido de calidad y pertinencia al mismo concepto de Universidad.

Los profesores que dan pocas clases son los que traen millones de pesos en proyectos de investigación, publican artículos que posicionan a la universidad internacionalmente y forman a los futuros doctores. Los que dan muchas clases son los que forman directamente a los miles de estudiantes de pregrado. No quiere decir que el mismo perfil lo ejerce el docente durante toda su vida universitaria, lo común es el tránsito entre perfiles a través del tiempo, un tipo de equilibrio dinámico que se puede leer como la principal riqueza de la Universidad.

Por tanto, si obligáramos a todos a dar muchas clases, según la simulación del análisis, ganaríamos 153.000 horas de clase, pero perderíamos 65.000 horas de investigación. Perderíamos la ventaja competitiva de la diversidad, sacrificaríamos uno de los activos más preciados para mantener un Universidad de calidad y para obtener recursos por gestión propia.

¿Qué determina realmente los salarios altos?

Los datos revelan que los profesores con mejores salarios no son “vagos privilegiados”, sino que han construido su remuneración a través de méritos específicos:

En los grupos de salarios más bajos:

• 74% del salario proviene de títulos académicos (maestrías, doctorados)

• Poca influencia de la producción académica

En los grupos de salarios más altos:

• 73% del salario proviene de producción académica (investigaciones, publicaciones, proyectos)

• Los profesores con más edad (experiencia acumulada) tienden a tener mejores salarios

Es decir: los profesores mejor pagados son precisamente los más productivos académicamente, de acuerdo con los incentivos normados por el mismo Estado, no los más vagos.

“El problema es la mala administración”

Los medios también han destacado casos de mala gestión administrativa. Es cierto que ha habido problemas: el rector actual recibió la peor calificación de la historia (1,75 sobre 5). Hay proyectos como el Hospital Alma Máter que han sido problemáticos y todavía es común escuchar quejas de pasillo sobre la ineficiencia administrativa y las llamadas “roscas” o gastos innecesarios.

Pero aquí está el punto crucial: la mala administración explica una parte del problema, no todo el problema.

La universidad logró ahorrar $16.000 millones con medidas de austeridad. Pero el déficit anual es de $76.000 millones. Es decir, incluso con un administración buscando con intensidad la eficiencia y el recorte de gastos, seguiríamos con un déficit de $60.000 millones anuales.

Es como una familia que debe $100 millones y logra ahorrar $20 millones dejando de comer en restaurantes y evitando los gastos de transporte en taxi. Está bien, pero el problema principal no era el gasto en restaurantes o taxis.

Los argumentos políticos: cuando la ideología nubla el juicio

La versión de derecha: “Lo privado es mejor”

Algunos sectores políticos han promovido la idea de que el sector privado siempre es más eficiente que el público. Según esta visión, habría que privatizar las universidades públicas o, al menos, dejar que se financien como las privadas.

El problema de esta explicación: ignora que las universidades públicas y privadas tienen misiones completamente diferentes.

Es como comparar una biblioteca pública con una librería comercial. La librería solo vende los libros que se venden bien. La biblioteca debe tener de todo: libros de poesía, manuales técnicos, literatura clásica, incluso si pocas personas los leen, porque esa es su función social.

La versión de izquierda: “Es una conspiración”

Del otro lado, algunos argumentan que el desfinanciamiento es una estrategia deliberada para destruir la educación pública y justificar su privatización posterior.

Aunque el desfinanciamiento es real, atribuirle intencionalidades conspirativas simplifica un problema más complejo. Es más probable que sea resultado de decisiones presupuestales erróneas y falta de comprensión sobre la importancia de la educación superior pública.

Los análisis técnicos más sólidos

Los estudios más serios, especialmente los del SUE, han identificado la causa principal del problema:

Los costos de funcionamiento de una universidad crecen más rápido que la inflación. En promedio, crecen 5 puntos por encima. Pero las transferencias del gobierno solo crecen según la inflación. Es matemáticamente inevitable que se genere un déficit creciente. Un ejemplo simple: Si su salario crece al 3% anual pero sus gastos al 8% anual, cada año estará más endeudado. Eso es exactamente lo que pasa con las universidades públicas desde hace 30 años.

La evidencia de la productividad académica

Los datos sobre producción académica de los profesores de la Universidad de Antioquia entre 2002-2023 revelan un patrón interesante:

• Desde 2010, el crecimiento de la producción académica ha oscilado alrededor de cero

• No hay un crecimiento exponencial descontrolado como sugieren algunos críticos

• La productividad se ha estabilizado, no está en un crecimiento desmedido

Esto desmiente el argumento de que los salarios crecen porque los profesores “inventan” investigaciones para ganar más. La evidencia muestra que la producción académica se ha estabilizado, no disparado.

Lo que dicen los gremios docentes

Los sindicatos de profesores, por su parte, a veces argumentan que “el problema es solo el desfinanciamiento” y rechazan cualquier autocrítica sobre gestión interna. Demandan del sistema garantía completas, en ocasiones con análisis sesgados, sin ceder ante la necesidad apremiante de la cordura del gasto.

Esta posición, aunque comprensible, también es problemática. Es cierto que el desfinanciamiento es la causa principal, pero ignorar completamente los problemas de gestión impide soluciones integrales.

¿Qué es verdad y qué es mentira?

Las verdades respaldadas por datos

1. El desfinanciamiento estructural es real: 30 años de transferencias insuficientes han creado un déficit acumulado gigantesco

2. La ley actual es inadecuada: Crecer según inflación no refleja los costos reales de una universidad

3. Los salarios docentes no son exorbitantes: El 50% gana menos de $10 millones, solo el 1% tiene salarios realmente altos

4. Los profesores sí trabajan: La diversidad de perfiles funciona y es productiva

5. Hay problemas de gestión: La calificación del rector (1,75/5) los evidencia

Las medias verdades

1. “Las universidades deben autosostenerse”: Cierto para algunos servicios, falso como principio general

2. “Algunos profesores ganan mucho”: Cierto para menos del 1%, engañoso como generalización

3. “Falta eficiencia”: Cierto puntualmente, insuficiente para explicar el déficit estructural

Las mentiras evidentes

1. “Los profesores no trabajan”: Completamente falso según análisis enmarcado en los planes de trabajo.

2. “Todos los profesores ganan millones”: Solo 83 de 2.032 (4%) ganan más de $20 millones

3. “Los salarios crecen descontroladamente”: La producción académica se estabilizó desde 2010

4. “Lo privado siempre es mejor”: Ignora las diferencias fundamentales de misión

Las consecuencias de creer las versiones incorrectas

Si creemos que el problema son los profesores “vagos”, la solución sería obligarlos a dar más clases. Pero los datos demuestran que esto destruiría la investigación que trae recursos y prestigio a la universidad.

Si creemos que todos los profesores “ganan millones”, la solución sería recortar salarios. Pero los datos muestran que el 50% ya gana menos de $10 millones y que los salarios altos están justificados por productividad académica. Sin desconocer que la discusión de la ley 1279 es una necesidad, al menos, como lo propongo en otro ensayo, cambiar la formula para asignación de los puntos salariales buscando la equidad, además de otras propuestas basada en datos.

Si creemos que es solo un problema de administración, la solución sería cambiar administradores. Pero un nuevo rector con los mismos recursos insuficientes seguiría teniendo déficit.

Los mitos sobre los salarios “exorbitantes” y la “vagancia generalizada” han generado estigmatización hacia los profesores universitarios, afectando:

• El reconocimiento social de su trabajo

• La atracción de nuevo talento a la carrera académica

• El apoyo ciudadano a la universidad pública

• La autoestima y motivación del cuerpo docente

Esto es especialmente injusto cuando los datos demuestran que la mayoría tiene salarios modestos y que los mejor pagados son precisamente los más productivos. A los mitos se le suma la consecuencia de una mala explicación de la crisis, que alimenta la incertidumbre social y de mercado, con impactos que se traducen en aumentos de tasas de interés en préstamos, dificultades para negociar nuevos proyectos financiados por empresas o sector público y en aumentos de expectativas negativas por riesgos de insolvencia en la ejecución de proyectos y en la formación académica.

A modo de diagnóstico

Tras analizar algunos datos y argumentos contradictorios, la realidad es clara: la Universidad de Antioquia enfrenta una crisis de desfinanciamiento estructural de 30 años, agravada por problemas de inversiones problemáticas (Hospital Alma Máter) y otros de gestión recientes y planeación de largo plazo. No se trata de profesores vagos o salarios exorbitantes —los datos ya desmintieron esos mitos— sino de una Ley 30 obsoleta que condena matemáticamente a las universidades públicas al déficit creciente.

El Estado redujo su compromiso del 70% al 43%, mientras la universidad cumplía su responsabilidad de crecimiento en cobertura de 18.000 a 40.000 estudiantes. Esta ecuación invertida, combinada con una gestión administrativa sin transparencia, creó la tormenta perfecta que hoy amenaza la supervivencia institucional.

Soluciones al alcance

La salvación requiere acción en tres frentes simultáneos: reformar urgentemente la Ley 30 para que las transferencias crezcan según costos reales educativos, no según inflación; renovar el liderazgo institucional para gestionar efectivamente la crisis; reducir la dependencia de recursos propios al 40%; y aprovechar la diversidad de perfiles docentes para generar nuevas fuentes de recursos sin sacrificar calidad académica.

La Universidad de Antioquia nos pertenece a todos. Su supervivencia depende de que dejemos de buscar culpables imaginarios y enfrentemos las causas reales con soluciones basadas en evidencia. Cada día perdido en debates sobre mitos ya desmentidos es un día menos para implementar las reformas que sabemos funcionarán.

El momento de actuar es ahora. Exige a tus representantes que aprueben la reforma de la Ley 30. Motiva y haz parte de veedurías ciudadanas para el control social de de gestión pública de la Universidad. Defiende la universidad cuando escuches críticas basadas en prejuicios. Comparte diagnósticos reales, no las versiones distorsionadas que solo sirven para distraernos del problema fundamental.

Porque al final, una universidad que se pierde por diagnósticos equivocados es un futuro que se pierde por ignorancia. Y el futuro de Antioquia no puede perderse porque preferimos creer en mitos cómodos antes que en datos incómodos.

La Universidad de Antioquia se puede salvar. Solo necesita que entendamos correctamente su enfermedad y apliquemos el tratamiento adecuado. Los números no mienten. Los prejuicios sí.

Cuando llenamos nuestros planes de trabajo docente (PTD), dividimos nuestra vida académica en casillas ordenadas: tantas horas de clase, tantas de investigación, tantas en extensión o en administración. Pero esas casillas no pueden contener la conversación improvisada con un estudiante que cambia su perspectiva de vida, ni la intuición que surge a las 2 AM y que se convierte en una línea de investigación, ni el tiempo "invisible" que dedicamos a pensar, a conectar ideas, a ser universitarios en toda la extensión de la palabra.

Sin embargo, existe una tentación creciente en la gestión universitaria: usar estos números como si fueran la radiografía completa de nuestro trabajo, reducir la variabilidad de trabajos al reduccionismo de la homogeneidad y la estandarización. Peor aún, existe la ilusión de que podemos "optimizar" la universidad forzando a todos los profesores a comportarse según un único molde, como si fuéramos piezas intercambiables de una máquina industrial.

Este ensayo demuestra, con datos concretos y transparentes, que esa tentación es nuestro mayor peligro. La diversidad de perfiles docentes no es un problema a resolver, sino nuestra mayor fortaleza estratégica. Las decisiones estratégicas no pueden basarse en anécdotas o en los casos extremos que distorsionan la realidad. Y cualquier política que pretenda homogeneizarnos no solo es ingenua: es potencialmente catastrófica.

Construyendo un espejo honesto: la metodología

Antes de presentar cualquier resultado, debo ser completamente transparente sobre cómo hemos analizado los datos recibidos por la Vicerrectoría de docencia de la Universidad de Antioquia. Ante el revuelo de las afirmaciones del presidente del Consejo Superior, y la insistencia de usar el aplicativo del plan de trabajo como fuente “segura” de la actividad docente, solicitamos los planes de trabajo de los profesores de la Universidad; datos anonimizados desde el semestre 2020-1 hasta el 2025-1. En una época de "posverdad", la credibilidad de nuestras conclusiones depende de la honestidad de nuestros métodos.

Limpieza de datos: Comparando realidades similares

¿Qué excluimos y por qué? Eliminamos del análisis todos los planes de trabajo con 900 horas o más en la categoría de "otras actividades". Estos casos, asumo que corresponden a colegas en año sabático, comisiones de estudio o comisiones de servicio. Con esto evitamos inflar los porcentajes que se agregan por unidades académicas para llegar a conclusiones generales alejadas de la realidad.

Piénselo así: sería como evaluar el rendimiento de un equipo de fútbol incluyendo a los jugadores lesionados. El resultado no reflejaría la realidad del juego, sino que la distorsionaría.

Agregación de variables: Entendiendo el trabajo real

Los PTD tienen decenas de columnas, pero nosotros las agrupamos en cuatro ejes que reflejan mejor nuestro trabajo real:

- Docencia directa: Incluye las horas dedicadas a pregrado y posgrado.

- Docencia total: Incluye tanto las horas frente a estudiantes (docencia directa) como las "invisibles" (preparación, calificación, atención personalizada).

- Investigación total: Proyectos de investigación y todas sus actividades de apoyo

- Extensión total: Proyectos de extensión y su ecosistema de actividades

- Administración y Otras: Gestión académica y actividades no clasificadas

El modelo de Perfiles: Una lente para ver la diversidad

Aquí está la clave de nuestro análisis. En lugar de usar promedios generales (que ocultan la realidad), se crean tres perfiles basados en la dedicación a docencia directa de cada profesor comparado con sus colegas de la misma unidad académica. Específicamente, estos umbrales se definen usando los terciles (los percentiles 33 y 66) de la distribución de la dedicación a docencia directa dentro de cada grupo, así, propongo tres perfiles:

1. Baja dedicación: Profesores cuyo porcentaje de docencia directa está por debajo del percentil 33 de su grupo de referencia.

2. Media dedicación: Aquellos que se encuentran entre el percentil 33 y el 66.

3. Alta dedicación: Quienes superan el percentil 66.

¿Por qué esto es importante? Porque un profesor de Medicina que dedica 30% de su tiempo a docencia directa puede estar en el perfil de "baja dedicación" en su facultad, mientras que un profesor de Bibliotecología con el mismo 30% puede estar en "alta dedicación" en la suya. El contexto importa. Aunque también se presentan datos generales de los comportamientos.

La Simulación: Un experimento mental con números reales

Finalmente, me pregunto: "¿Qué pasaría si obligáramos a todos los profesores a trabajar como los de 'Alta Dedicación'?" Los supuestos fueron simples:

- Aplicamos los porcentajes promedio del grupo "Alta dedicación" a todos los demás

- Conservamos el total de horas contratadas de cada profesor

- Solo redistribuimos el tiempo según el "molde" de alta dedicación

Los hallazgos: Un retrato de la diversidad funcional

Al ver el panorama general de la dispersión de la dedicación a docencia directa de los docentes de la Universidad de Antioquia, confirmamos la que somos un ecosistema diverso en cuanto a docencia directa respecta. Intentar clasificar a todos los docentes con promedios, oculta la discusión y dispersa la atención de las grandes diferencias que sustentamos como universidad. La evidencia de lo anterior es el grafico de dispersión, la caja de color representa al 50% de los docentes, quienes se distribuyen entre un mínimo de 14,2% y un máximo de 37% de horas dedicadas a docencia directa. El otro 50% se distribuye en la parte inferior y superior de la caja, un 25% de los docentes dedica menos de 14,2% de su tiempo a docencia directa, mientras otro 25% dedica más del 37%, con datos atípicos hacía valores mayores que inflan el promedio y corresponde a docentes con cargas extremas en docencia directa. Un dato que puede llegar a representar mejor la tendencia central de la dedición a docencia directa de los docentes es la mediana, es decir, un 22,7%; significa que el 50% de los docentes están por encima de ese porcentaje de dedicación y el restante 50%, por debajo.

La docencia directa: Cada unidad académica tiene su personalidad

Observemos en el siguiente gráfico las diferencias en dedicación a docencia directa entre unidades académicas. Lo primero que salta a la vista es la variabilidad. Vemos un espectro que va desde Medicina y Odontología que superan el 40%, hasta Bibliotecología y el Instituto de Estudios Regionales que están por debajo del 20%. ¿Significa esto que unos son más "docentes" que otros? Absolutamente no. Significa que cada unidad académica ha desarrollado su propia forma de cumplir la misión universitaria. Significa que se tienen particularidades en todas las unidades académicas y que cada comportamiento requiere de un análisis más detallado. La línea roja del 21,3% nos muestra que, a pesar de la diversidad la mayoría cumple con el mínimo (12 h semana, por 16 semanas lectivas, divido 900 horas del plan), pero sus formas son diferentes.

Esta variación no es aleatoria, es el reflejo de modelos pedagógicos y prioridades misionales distintas que se deben analizar con más cuidado en términos de las particularidades. Una lectura atenta, enriquecida con el contexto normativo y las realidades disciplinares, revela un mapa complejo de las múltiples "formas de ser" universidad. Este gráfico no muestra "mejores" o "peores" facultades; muestra diferentes vocaciones misionales y, fundamentalmente, expone los peligros de una interpretación literal y descontextualizada de los datos. No obstante, una tendencia que sí es consistente en las unidades académicas es que los docentes ocasiones tienen más docencia directa que los de planta, puede obedecer que a menudo los profesores ocasionales son contratados para cubrir necesidades específicas de docencia.

El gráfico anterior nos invita a ir más allá de los números, de la tiranía de los promedios ciegos. Lo que en una facultad es una clase magistral, en otra es una tutoría de laboratorio, una asesoría o una salida de campo. Aplicar una única vara de medir es ignorar esta riqueza pedagógica. El gráfico, nos llama a iniciar un diálogo cualitativo y pedagógico, a preguntar a las unidades de los extremos no "¿por qué dedican tanto o tan poco?", sino "¿cómo conciben y practican la docencia para cumplir su misión de la mejor manera?". Solo así podremos pasar de una gestión basada en datos ciegos a una basada en la construcción colectiva y la comprensión profunda de nuestra propia diversidad. Lo único importante no es cumplir un mínimo normativo, es garantizar una formación de alta calidad, y cada unidad lo logra con una estrategia diferente, equilibrando la docencia con la investigación y la extensión según su naturaleza.

La Docencia total: El trabajo invisible se hace visible

Aquí viene un primer hallazgo. Cuando incluimos la docencia indirecta (preparación, calificación, atención a estudiantes), el panorama cambia dramáticamente(ver el siguiente gráfico). Lo que salta a la vista es cómo se reduce la brecha entre las diferentes unidades académicas. Prácticamente todas las unidades rondan o superan el 50% de dedicación a la docencia total.Así calculado el dato, el esfuerzo docente real es inmenso y consistente en toda la universidad, pero gran parte de él es invisible si solo contamos las horas de clase. Podríamos afirmar que, en promedio, la docencia indirecta añade un 25% adicional a la carga de trabajo docente, demostrando que por cada hora de clase, hay una cantidad significativa de tiempo de preparación y seguimiento. Es notable que unidades como Ingeniería o Ciencias Exactas, que en el gráfico anterior se encontraban en un rango medio, aquí muestran una dedicación total a la docencia que supera el 55%. Esto indica que, además de su carga lectiva, sus profesores invierten una porción sustancial de su tiempo en el soporte y la preparación que requieren sus disciplinas.

Un ejemplo concreto: María, profesora de Ingeniería, tiene 8 horas semanales de clase (docencia directa), pero dedica 15 horas adicionales a preparar laboratorios complejos, revisar demostraciones matemáticas y atender estudiantes con dificultades. Su docencia real no son 8 horas, sino 23. La propuesta aquí es abrazar la diversidad y más bien recoger experiencias de todas las unidades académicas, casuísticas que nos mostrarían lo vibrante de la universidad y gran parte del sustento de nuestra alta calidad académica.

El ecosistema docente: Tres perfiles

En la metodología del texto, descrita al inicio, presenté la forma de hacer los perfiles considerando que puede ayudar a la discusión para evitar generalidades abruptas sin considerar las diferencias en la Universidad, aquí veremos algunos hallazgos con esta forma de agrupar.

La Distribución perfecta: Un equilibrio natural

Uno de los hallazgos más sorprendentes es que la universidad se autorregula de manera casi perfecta: 35% de profesores en alta dedicación, 33% en media, 32% en baja, cerca de un tercio para cada perfil. No es casualidad, es inteligencia colectiva. ¿Por qué esta distribución es óptima? Porque combina tres tipos de especialización que se complementan.

Recordemos que estamos hablando de perfiles de profesores de acuerdo con su plan de trabajo, entonces, como veremos en otro gráfico, las facultados presentan esa distribución interna de perfiles y, dada la forma de calcularlo, los docentes en un semestre pueden estar en el perfil de alta dedicación, en otro semestre pasar a media o a baja dedicación. Esos tránsitos entre perfiles, que no se pueden calcular con la base que tengo, resultan de gran interés para una evaluación más coherente de nuestra forma de ser y estar en la universidad.

La verdadera revelación del gráfico se encuentra en las anotaciones. Estas desvelan una relación inversa y fundamental que define el quehacer de nuestra universidad: a menor docencia directa, mayor es la dedicación promedio a la investigación. Los docentes de "alta dedicación" (35% del total): Son la columna vertebral de nuestra labor formativa. Pero, como es lógico, su alta carga en el aula se traduce en una menor dedicación a la investigación, promediando un 13,6%. Los docentes de "media dedicación" (33% del total): Con un 18,9% de dedicación a investigación, este perfil actúa como el conector esencial, el puente que asegura que la investigación de vanguardia permee la docencia y que las necesidades del aula informen las nuevas líneas de investigación. Los docentes de "baja dedicación" (32% del total): Este grupo no es menos trabajador; su misión es diferente. Son el motor de la creación de conocimiento, dedicando en promedio un impresionante 27,1% de su tiempo a la investigación, prácticamente el doble que el perfil de alta dedicación.

Miremos algunos perfiles a modo de simulación aludiendo a las prácticas que debemos documentar. Baja dedicación: Carlos, de Ingeniería, que coordina tres cursos de pregrado, dirige múltiples trabajos de grado y mantiene una oficina de puertas abiertas para estudiantes; su investigación se enfoca en pedagogía de la ingeniería. Media dedicación: Ana, de Ciencias Sociales, que dicta dos cursos, dirige un proyecto de investigación con estudiantes tesistas y coordina un semillero; traduce su investigación en nuevos cursos y lleva problemas del aula a sus proyectos. Baja dedicación: Roberto, de Ciencias Exactas, que dicta un curso avanzado de posgrado, lidera un grupo de investigación reconocido internacionalmente y forma doctores; sus estudiantes son los futuros investigadores que necesita el país.

¿Por qué necesitamos los tres perfiles?

Imagine una orquesta sinfónica. Los violines llevan la melodía principal (Alta dedicación), los instrumentos de viento crean la armonía (Media dedicación), y los instrumentos de percusión marcan el ritmo profundo (Baja dedicación). ¿Qué pasaría si convertimos a todos en violinistas? Tendríamos mucho volumen, pero perderíamos la música. En términos universitarios: si todos fueran de Alta Dedicación, tendríamos muchas clases, pero ¿quién haría la investigación que alimenta esas clases con conocimiento nuevo? ¿Quién formaría a los doctores que serán los profesores del futuro? Lo interesante en este punto es que muchos de mis colegas se mantienen en un tránsito constante entre esos perfiles, lo que invita a considerar y aplaudir su completitud y la capacidad para adaptarse a los entornos de baja investigación, extensión o administración en la Universidad.

La personalidad de las unidades académicas

El siguiente gráfico nos muestra la distribución de los perfiles de las unidades académicas tomando todos los datos disponibles (2020-2025). Quizás el hallazgo más sorprendente y poderoso es lo que ocurre en el centro del gráfico de composición de perfiles por unidad unidad académica: cada facultad, escuela o instituto tiene su propia "personalidad" misional, pero todas mantienen un equilibrio. La gran mayoría de las unidades académicas, desde Ingeniería y Ciencias Exactas hasta Artes y Ciencias Sociales, muestran una distribución asombrosamente equilibrada, muy cercana a la proporción de un tercio para cada perfil que vimos a nivel institucional.

Tomemos el caso de Ingeniería (35% Alta, 33% Media, 32% Baja) o Ciencias Sociales (35% Alta, 34% Media, 31% Baja). Esta distribución no es un accidente. Es el retrato de una facultad que ha logrado un equilibrio funcional entre:

1. Un núcleo de profesores de alta dedicación que garantiza la formación de pregrado y posgrado.

2. Un núcleo de profesores de baja dedicación que lidera la investigación.

3. Un núcleo de profesores de media dedicación que actúa como el tejido conectivo, llevando la investigación al aula y nutriendo a los semilleros.

La gran mayoría de las facultades se mueven en un rango de equilibrio notable de la distribución entre los perfiles, similar a lo visto de manera institucional, otras muestran especializaciones que es crucial entender. Ciencias Económicas muestra una ligera inclinación hacia los perfiles de media y alta dedicación (39% y 35%), mientras que Ciencias Sociales mantiene una distribución casi perfectamente equitativa (35% Alta, 34% Media, 31% Baja), al igual que Ingeniería (35% Alta, 33% Media, 32% Baja). Por su parte, unidades como el Instituto de Estudios Regionales y Filosofía se destacan por tener la mayor proporción de perfiles de baja dedicación (con un 41% y 37% respectivamente); Esto no es una debilidad, sino una evidencia de su fuerte vocación por la investigación o su concepción diferenciada de las actividades formativas. Por otro lado, aunque el ordenamiento del gráfico no lo resalta, un análisis más profundo de los datos revela que unidades con una fuerte carga de formación práctica y profesionalizante tienden a concentrar sus esfuerzos en los perfiles de alta y media dedicación, asegurando el cumplimiento de sus objetivos pedagógicos.

Esta diversidad no es un caos, sino una diferenciación inteligente. Cada unidad académica ha desarrollado el balance de perfiles que mejor le permite cumplir con sus metas específicas, contribuyendo desde su particularidad a la misión global de la universidad. Intentar imponer un único "balance ideal" a todas sería ignorar sus historias, sus contextos y sus fortalezas únicas

Tendencias temporales: Somos consistentes en el tiempo

El gráfico de evolución temporal (2020-2025) muestra algo tranquilizador: somos consistentemente diversos. A lo largo de 5 años, la dedicación promedio a cada eje misional se mantiene estable:Docencia oscila entre 50-57%, con un ligero crecimiento, investigación: Se mantiene estable alrededor del 19%, extensión: Consistente en el 4%. Nuestra diversidad no es caótica o accidental. Es una característica estructural estable que refleja nuestra identidad institucional.

La simulación catastrófica: El costo de la estandarización

El Experimento Mental: "¿Qué Pasaría Si...?"

Ahora viene la parte más importante del análisis. Simulamos qué ocurriría si aplicáramos una política de estandarización, forzando a todos los profesores a trabajar como los de "Alta Dedicación". Para la simulación usamos solo los datos del semestre del 2025-1 para ver el cambio por semestre, excluyendo los profesores en situaciones especiales (900 horas o más en otras actividades). A continuación, tomamos una "fotografía" de lo reportado, sumando las horas que actualmente se dedican a cada gran tarea (docencia, investigación, etc.). Paralelamente, calculamos los porcentajes promedio de dedicación de los profesores que ya pertenecen al perfil de "Alta Dedicación", creando así un "molde" de trabajo. Finalmente, aplicamos este "molde" al total de horas de cada profesor en el semestre, sin alterar su contratación, para obtener un nuevo total de "Horas Simuladas". La diferencia entre las horas actuales y las simuladas nos revela con cifras concretas la ganancia en un área y el inevitable sacrificio en todas las demás, un juego de suma cero.

Los números no mienten: Ganancias y pérdidas

El gráfico final nos presenta una paradoja visual impactante: para construir una enorme montaña verde de 153.043 horas adicionales de docencia directa (un aumento del 50%), la simulación nos obliga a excavar un profundo valle rojo de sacrificios en todas las demás funciones universitarias. Miremos el detalle de ese costo:

• Investigación: -65.380 horas (-29%). Dado que el efecto compensación de la docencia de los perfiles de media y baja dedicación es la investigación. ¿Qué significa esto? Menos proyectos de investigación, menos publicaciones, menos redes de colaboración, menos innovación. Se apaga el motor de la ciencia y la tecnología.

• Administración: -30.788 horas (-34%) ¿Qué significa esto? Menos tiempo para coordinar programas, menos participación en comités académicos, menos autogobierno universitario.

• Extensión: -10.417 horas (-29%) ¿Qué significa esto? Menos proyectos de impacto social, menos vínculos con la comunidad, menos transferencia de conocimiento. Programas como consultorías a pequeñas empresas, a los gobiernos o proyectos de desarrollo comunitario tendrían que reducirse significativamente.

• Docencia Indirecta: -7.338 horas (-3%)¡La ironía suprema! Para tener más horas de clase, sacrificamos tiempo de preparación de clases, calificación cuidadosa y atención personalizada a estudiantes.

Es cierto que este es un modelo simplificado, un "juego de suma cero" que no captura toda la complejidad de las sinergias universitarias. Sin embargo, precisamente por su simplicidad, la advertencia es aún más potente. Si incluso en este escenario lineal y conservador el resultado es un desequilibrio tan dramático, es muy probable que en la realidad, donde los efectos negativos suelen amplificarse, el impacto de una política de estandarización fuera aún más perjudicial.

El resultado es como destruir un ecosistema complejo para crear un monocultivo. Podríamos tener más de una sola cosa, pero perderíamos todo lo demás que hace posible la vida universitaria. Son escenarios que pueden enriquecerse con una evaluación particular, más cualitativa, de las prácticas de los docentes en sus unidades académicas. Incluso, comenzar con un proceso pedagógico para comprender las diversidades y las representaciones del ser docente y sus actividades asociadas, las cuales, por formalismo, se disponen en un instrumento (aplicativo de plan de trabajo) que parece estar cegando la visión administrativa.

Ya hemos pasado por los señalamientos a los docentes como fuente de la desfinanciación estructural de la Universidad. La primera falacia se concentró en los salarios “exorbitantes”, con claridad argumentamos que allí no estaba el problema, que la reflexión era mañosa y oportunista. Ahora, sin vergüenza por retirar el dedo acusador sobre la humanidad docente, y con una lógica necia, un nuevo señalamiento se propone: “Los docentes no trabajamos”.

El argumento económico: ¿Cuánto vale la diversidad? Más allá del costo por hora de clase

Los administradores universitarios a menudo piensan en términos de "costo por hora de clase dictada". Pero ese cálculo ignora el valor de la integralidad universitaria. Bajo esta lógica de costo-beneficio ¿Cuánto vale una tesis doctoral dirigida? ¿Cuánto vale un artículo científico que posiciona a la universidad internacionalmente? ¿Cuánto vale un proyecto de extensión que transforma una comunidad? Cada peso invertido en investigación se multiplica en: Recursos de convocatorias externas, prestigio institucional, formación de capital humano de alto nivel, innovación y desarrollo tecnológico, creación de redes académicas, entre las demás que seguro puede añadir el lector. Cada peso invertido en docencia indirecta se multiplica en: Mejor formación de profesionales, menor deserción estudiantil, mayor empleabilidad de egresados, mejor posicionamiento institucional, de nuevo la lista sería más grande. Cada peso invertido en extensión se multiplica en: Impacto social medible, vinculación con sectores productivos, transferencia de conocimiento, responsabilidad social universitaria.

En este punto espero se comprenda mi argumento, si jugamos a la lógica del costo de oportunidad de la estandarización, de la suma cero y los supuesto rendimientos monetarios, la discusión debe ser más profunda. Recordemos que un sacrificio en un área como la investigación puede significar una ganancia menos que proporcional en términos de docencia, probablemente, los ajustes de compensación no son lineales como propone este escueto ejercicio de la simulación. Es aquí donde abogamos por una discusión más amplia sobre el ecosistema docente en la universidad de Antioquia y llamar a la cordura con los señalamientos irresponsables que buscan culpables sin evaluar las causas y sin un análisis juicioso de sus propuestas. La simplicidad en la medición lleva a la simplificación en la gestión; la universidad es compleja porque su misión es compleja. Necesitamos indicadores sofisticados que capturen esa complejidad, no simplificarla hasta hacerla irreconocible.

Conclusiones: celebrar la complejidad

La universidad pública no es una fábrica de créditos académicos. Es un ecosistema complejo donde se crea conocimiento, se forman ciudadanos críticos, se resuelven problemas sociales y se construye futuro. Los planes de trabajo son fotografías, no películas. Capturan un momento de nuestro trabajo, pero no pueden contener la integralidad de nuestra misión ni la complejidad de nuestro impacto.

En estes sentido, nuestro análisis demuestra que somos diversos por naturaleza y por necesidad, que cada perfil tiene un papel específico, la estandarización sería una catástrofe misional cuantificable, nuestra diversidad es estable y funcional en el tiempo. No necesitamos homogeneización, necesitamos armonización. No necesitamos que todos los profesores sean iguales, necesitamos que todos los profesores sean excelentes en su papel específico dentro de la sinfonía universitaria. El reto no es forzar a un investigador a ser un docente de alta carga, ni a un pedagogo a publicar papers que no transformarán la educación. El reto es crear las condiciones para que cada uno, desde su vocación y talento, contribuya al máximo de su potencial. El reto es comprender que los perfiles pueden son móviles, que las fotos de los planes muestran agregados, pero los tránsitos entre los perfiles y la forma de ser y estar en la Universidad es diversa. Últimos mensajes:

• A los directivos: Resistir la tentación de la simplicidad numérica. Gestionar la complejidad requiere herramientas sofisticadas, no simplificaciones peligrosas.

• A los colegas: Reconocer y valorar la diversidad de formas de ser universitario. El colega investigador no es menos docente, el colega docente no es menos universitario.

• A la comunidad universitaria: Defender nuestra identidad compleja como fortaleza, no como problema. Somos diversos porque somos una universidad integral, no una escuela de oficios.

Las instituciones de educación superior deben abrazar la transformación impulsada por la IA no como una amenaza, sino como una oportunidad sin precedentes para reinventar sus modelos educativos, revalorizar el papel del docente y ampliar el acceso a una educación personalizada y de calidad. Al hacerlo, prepararán a sus estudiantes para un futuro donde la interacción con sistemas inteligentes será parte fundamental del desempeño profesional y ciudadano, un mundo cada vez más definido por la automatización y la digitalización.

La urgencia de transformar los roles docentes

La imagen del profesor como fuente primaria de conocimiento se ha desvanecido irremediablemente con la llegada de internet, y se ha transformado aún más radicalmente con el advenimiento de los sistemas de IA generativa. Este fenómeno, lejos de disminuir el valor del docente, lo eleva a un plano superior. El profesor ya no es valioso por la información que posee, sino por su capacidad para guiar al estudiante en un océano de datos y posibilidades que la IA pone a su disposición.

Los docentes que se resisten a este cambio, prohibiendo herramientas como ChatGPT en sus aulas, cometen un error estratégico fundamental: preparan a sus estudiantes para un mundo que ya no existe. Como señalan múltiples estudios internacionales, los profesionales que dominarán el mercado laboral futuro no serán aquellos que memoricen información, sino quienes sepan formular las preguntas correctas a los sistemas de IA y evaluar críticamente sus respuestas. Ya el mercado pregunta más por ingeniero de prompts que por un ingeniero de programación. Este cambio de paradigma exige una reconceptualización profunda del rol docente, transformándolo en un facilitador, un curador de experiencias de aprendizaje y un mentor que modela el uso ético y crítico de la tecnología.

Por tanto, no se trata de resistir el cambio, sino de liderarlo: de navegar la ola de la transformación con el conocimiento necesario para no ser arrastrados, sino para dirigir su rumbo. Las universidades deben implementar urgentemente programas de actualización docente que vayan más allá del manejo técnico de herramientas, para abarcar una verdadera alfabetización en IA que permita comprender sus alcances, limitaciones y potencial pedagógico. La experiencia práctica con estas tecnologías sigue siendo limitada, y sus aplicaciones pedagógicas no han recibido suficiente atención. Esta situación plantea una pregunta crucial que varios investigadores han destacado: "¿dónde están los educadores?" en el desarrollo e implementación de estas tecnologías. Los educadores aún no comprenden completamente cómo aprovechar las ventajas pedagógicas de la IA a mayor escala ni cómo esta podría tener un impacto significativo en la enseñanza y el aprendizaje.

Rediseño curricular: de la transmisión de contenidos al desarrollo de competencias

Los currículos universitarios actuales, diseñados mayoritariamente en una era pre-digital, resultan cada vez más inadecuados para un mundo donde el conocimiento se duplica a velocidades vertiginosas y donde la IA puede reproducir gran parte del saber codificado. Este desfase exige una reconsideración profunda del qué y el cómo enseñamos.

El contenido estático, tradicional en los modelos educativos que privilegia la memorización y la recuperación de contenido, debe ceder paso a currículos dinámicos centrados en competencias transferibles. Modelos con resultados del aprendizaje enfocados en el desarrollo de habilidades como el análisis y pensamiento crítico, la comunicación efectiva, la resiliencia, la creatividad, la resolución de problemas y el dominio de la comunicación verbal, la alfabetización informática, la colaboración y, fundamentalmente, la capacidad de aprender a aprender. Estas habilidades, precisamente las más difíciles de automatizar, serán las que permitan a los graduados adaptarse a un entorno laboral en constante evolución.

Las estrategias pedagógicas tradicionales basadas en la memorización y reproducción de información resultan obsoletas cuando herramientas como ChatGPT pueden generar ensayos coherentes o resolver problemas complejos en segundos. La capacidad de estas herramientas para superar las tasas de aprobación estándar en evaluaciones universitarias comparables justifica una reconsideración del propósito de la educación superior y un rediseño del currículo, la pedagogía y la evaluación. En respuesta, debemos implementar metodologías activas que sitúen al estudiante como protagonista: aprendizaje basado en proyectos, aulas invertidas, simulaciones y estudios de caso donde la IA sea una herramienta de apoyo y no una amenaza.

El potencial democratizador de la IA

La integración de la inteligencia artificial (IA) en el aula representa un potente recurso democratizador, al permitir que todos los estudiantes, sin importar sus ritmos o estilos de aprendizaje, accedan a experiencias educativas personalizadas y más inclusivas. Herramientas como los sistemas de aprendizaje adaptativo, tutores inteligentes y plataformas de evaluación automatizada optimizan la enseñanza, al tiempo que liberan tiempo para que los docentes se concentren en estrategias pedagógicas más significativas. Tecnologías inmersivas como la realidad aumentada y virtual, junto con generadores de contenido educativo, enriquecen el aprendizaje y fomentan la participación activa. Además, los sistemas de análisis de datos ayudan a identificar necesidades específicas de los estudiantes, promoviendo decisiones informadas en el aula. La IA también amplía el alcance educativo mediante el aprendizaje ubicuo, permitiendo estudiar desde cualquier lugar, y apoya el bienestar estudiantil con chatbots emocionales. Así, la IA es un herramienta clave para cerrar la brecha educativa y fomentar la educación más equitativa, eficiente y centrada en el estudiante, pues mejora la calidad de la enseñanza e iguala las oportunidades de acceso.

En el ecosistema de IA, los Modelos de Lenguaje a Gran Escala (LLMs) como ChatGPT representan una oportunidad sin precedentes para democratizar el acceso a experiencias educativas personalizadas. En sistemas educativos con recursos limitados, donde la ratio estudiante-profesor es elevada y el acceso a tutoría personalizada es un lujo, estos sistemas pueden ofrecer retroalimentación inmediata, adaptación al ritmo individual y apoyo constante. Particularmente, los sistemas de tutoría inteligente representan una de las aplicaciones pedagógicas más prometedoras de la IA, pero se ha observado que muchas soluciones carecen de consideraciones teóricas detalladas sobre cómo podrían utilizarse pedagógicamente "la Inteligencia Artificial y las actividades de aprendizaje son, de hecho, una combinación perfecta, pero los educadores deberían liderar la IA, no ser dirigidos por ella" (Simonsen et al., 2020)

La evidencia empírica respalda este potencial. Un estudio con 120 estudiantes universitarios mostró que el uso de ChatGPT incrementó los resultados de investigación científica del 2,8% en el pretest al 80,6% en el postest (Muñoz et al, 2025). Sistemas de IA adaptan recursos educativos según el ritmo y estilo de aprendizaje individual, mejorando la retención de conocimientos. Este salto cualitativo se atribuye a la capacidad de la IA para optimizar la formulación de hipótesis, el análisis de datos y la estructuración de artículos.

Sin embargo, este potencial democratizador solo se materializará si se abordan simultáneamente las brechas digitales existentes. El acceso a la tecnología, la conectividad y las habilidades digitales básicas son prerrequisitos para que la IA beneficie a todos los estudiantes y no simplemente amplifique las desigualdades existentes.

Desafíos ineludibles: riesgos éticos y la urgencia de una implementación crítica de la IA

No obstante, este potencial democratizador y transformador de la IA no está exento de profundos desafíos éticos y riesgos inherentes que deben ser abordados con urgencia. La personalización educativa, si bien prometedora, se sustenta en la recopilación masiva de datos estudiantiles, lo que plantea serias interrogantes sobre la privacidad y el uso adecuado de dicha información. Más alarmante aún es el espectro del sesgo algorítmico: los sistemas de IA, entrenados con datos que pueden reflejar prejuicios históricos, corren el riesgo no solo de perpetuarlos, sino de amplificarlos y sistematizarlos, afectando negativamente a grupos ya marginados. La implementación de estas tecnologías, muchas de las cuales aún carecen de evidencia empírica sólida sobre su impacto real, exige una atención ética prioritaria para asegurar una adopción equitativa y verdaderamente beneficiosa.

A estos dilemas éticos se suma la creciente preocupación por la dependencia tecnológica y la posible erosión del componente humano esencial en la educación. La delegación excesiva de funciones pedagógicas a sistemas automatizados, que a menudo se encuentran en etapas tempranas de desarrollo y son propensos a errores, podría mermar el desarrollo de habilidades críticas tanto en estudiantes como en educadores. Esta excesiva confianza en la tecnología amenaza con socavar la interacción humana significativa, piedra angular del aprendizaje profundo y el desarrollo del pensamiento crítico. El temor a que la IA reemplace a los docentes trasciende la mera cuestión laboral, apuntando a las consecuencias a largo plazo para el desarrollo humano y la producción de conocimiento si se descuida la insustituible dimensión interpersonal de la enseñanza.

Propuestas para una implementación transformadora

1. Alfabetización en IA para toda la comunidad universitaria

Es imperativo desarrollar programas formativos diferenciados para estudiantes, docentes y personal administrativo, que aborden aspectos técnicos, éticos, sociales y pedagógicos de la IA. Estos programas deben ir más allá de talleres aislados para convertirse en un componente transversal de la cultura institucional.

2. Rediseño de las evaluaciones académicas

Las evaluaciones tradicionales, fácilmente solucionables por sistemas de IA, deben ser reemplazadas por evaluaciones auténticas que valoren el proceso, no solo el producto. Los trabajos académicos deben evolucionar hacia proyectos donde la IA sea una herramienta declarada y correctamente citada, promoviendo la transparencia en su uso y el desarrollo del criterio para evaluar y mejorar sus outputs.

3. Laboratorios de Innovación Pedagógica con IA

Cada institución debería crear espacios dedicados a la experimentación con IA educativa, donde docentes de diversas disciplinas puedan desarrollar, probar y compartir prácticas innovadoras. Estos laboratorios permitirían aprovechar experiencias exitosas, adaptándolas al contexto específico de cada programa académico.

4. Desarrollo de políticas institucionales claras sobre IA

Las universidades deben formular políticas que establezcan lineamientos éticos y procedimentales para el uso de la IA, abordando aspectos como la autoría, la privacidad de datos y los límites aceptables del uso de estas herramientas. Estas políticas deben ser lo suficientemente flexibles para adaptarse a la rápida evolución tecnológica e incentivar el avance experimental, pero también lo suficientemente claras para orientar a la comunidad académica.

5. Alianzas estratégicas con el sector tecnológico

Las instituciones educativas colombianas deberían establecer colaboraciones con empresas tecnológicas para desarrollar soluciones de IA adaptadas a las necesidades específicas del contexto nacional. Estas alianzas permitirían acceder a tecnología avanzada y formar talento especializado en el desarrollo y adaptación de sistemas de IA educativa.

De la brecha digital a la vanguardia tecnológica

Colombia enfrenta desafíos particulares en la implementación de la IA en la educación superior. La persistente brecha digital, la heterogeneidad en la calidad educativa y las limitaciones presupuestarias podrían, a primera vista, parecer obstáculos insalvables. Sin embargo, estas mismas circunstancias podrían convertirse en catalizadores de innovación.

La necesidad de optimizar recursos limitados hace que la IA sea especialmente valiosa en el contexto colombiano. Sistemas inteligentes de alerta temprana podrían identificar estudiantes en riesgo de deserción, tutores virtuales podrían complementar la labor docente en regiones remotas, y tecnologías de retroalimentación automatizada podrían reducir la carga administrativa de los profesores, permitiéndoles concentrarse en aspectos más creativos y humanos de su labor.

El Ministerio de Educación Nacional, en colaboración con las instituciones de educación superior, debe liderar esta transformación mediante la creación de un Plan Nacional de IA para la Educación Superior que establezca metas claras, asigne recursos específicos y articule esfuerzos con iniciativas internacionales. Este plan debería priorizar la formación de talento especializado en IA educativa, garantizando que Colombia no sea solo consumidor sino también productor de innovaciones en este campo.

Conclusión: hacia un nuevo humanismo tecnológico

La integración de la IA en la educación superior no representa un desplazamiento de lo humano, sino una oportunidad para redescubrir y potenciar aquello que nos hace verdaderamente humanos: nuestra capacidad de crear, empatizar, colaborar y encontrar significado. Las instituciones que comprendan esta dinámica y se adapten proactivamente van a sobrevivir a esta transformación, serán las líderes de la formación de profesionales capaces de navegar con éxito un futuro donde la línea entre lo humano y lo artificial será cada vez más difusa.

Este nuevo paradigma educativo no debe ser tecnofílico ni tecnofóbico, sino tecnológicamente crítico. Debe aprovechar el potencial de la IA para liberar tiempo y recursos que permitan profundizar en las dimensiones más significativas del aprendizaje: el desarrollo del pensamiento crítico, la creatividad, la ética y la responsabilidad social.

La verdadera revolución no está en la tecnología misma, sino en cómo decidimos utilizarla para transformar la educación superior en un sistema más accesible, personalizado y relevante. Las instituciones educativas colombianas tienen ahora la oportunidad histórica de liderar esta transformación desarrollando soluciones adaptadas a las realidades y necesidades de su contexto específico, evitar seguir la tradición de usar modelos importados.

El futuro de la educación superior no puede ser definido por la IA, sino por nuestra capacidad colectiva para reimaginar la universidad como un espacio donde la tecnología amplifique, no reemplace, la interacción humana significativa que constituye el corazón de toda verdadera educación.

Imagen creada con ChatGPT, Mayo del 2025.

Entendiendo el sesgo y el ruido en términos sencillos

Imagina por un momento que eres arquero. Tu objetivo es dar en el centro de la diana. Si cada flecha que lanzas cae agrupada en la esquina superior derecha del blanco, eso indica un error sistemático: tu arco o tu postura están desviados siempre en la misma dirección. Ese es el sesgo. Ahora imagina que lanzas varias flechas y estas terminan esparcidas por toda la diana: algunas muy cerca del centro, otras en los bordes, sin ningún patrón claro. Eso es ruido, la dispersión aleatoria de los tiros.

En el mundo de la IA, el sesgo y el ruido funcionan de manera muy parecida. El sesgo se traduce en un desplazamiento constante de las predicciones con respecto al valor verdadero. Por ejemplo, un modelo de reconocimiento facial puede tener un sesgo que lo lleve a identificar con más errores a personas de piel oscura, o un sistema de aprobación de créditos puede rechazar de forma sistemática a solicitantes de determinadas regiones geográficas. Por su parte, el ruido es la variabilidad impredecible entre resultados que, en principio, deberían ser iguales. Un mismo modelo, entrenado dos veces con pequeñas diferencias en los datos o en la configuración, puede arrojar puntuaciones muy distintas para el mismo individuo.

Es importante entender que sesgo y ruido son independientes: un modelo puede ser muy consistente (bajo ruido) pero estar equivocado de forma sistemática (alto sesgo), o puede estar libre de sesgo pero arrojar resultados muy variables (alto ruido). El objetivo ideal es reducir ambos: lograr predicciones estables (poca dispersión) y exactas (poco desplazamiento).

Por qué debemos preocuparnos por el sesgo y el ruido en IA/ML

A simple vista, puede parecer que un poco de ruido o un leve sesgo no son gran cosa, pero las consecuencias pueden ser profundas, especialmente cuando los sistemas de IA/ML se utilizan en ámbitos críticos como la salud, la justicia, las finanzas o los programas sociales.

En primer lugar, el sesgo puede perpetuar o incluso amplificar injusticias históricas. Pensemos en un ejemplo práctico: una institución financiera entrena un modelo para evaluar la solvencia de los solicitantes de crédito. Si sus datos de entrenamiento reflejan prácticas de préstamo discriminatorias del pasado—por ejemplo, si se otorgaron menos créditos a mujeres o a habitantes de ciertas zonas rurales—el modelo aprenderá esos patrones y tenderá a rechazarlos de nuevo. El resultado es un círculo vicioso que consolida desigualdades.

Por otro lado, el ruido mina la confianza y la fiabilidad. Si un médico consulta un sistema de apoyo diagnóstico basado en ML y recibe hoy un diagnóstico de “bajo riesgo” y mañana un “alto riesgo” para el mismo paciente y los mismos síntomas, difícilmente confiará en esa herramienta. Lo mismo ocurre con un juez que consulta un algoritmo de riesgo de reincidencia: si las puntuaciones cambian de forma impredecible, la transparencia y la responsabilidad se vuelven imposibles de garantizar.

Más allá de los ámbitos críticos, incluso en aplicaciones cotidianas un exceso de ruido o de sesgo puede generar frustración y desconfianza. Piensa en una app de recomendación de restaurantes que te sugiere cada día lugares completamente distintos sin ningún criterio aparente, o en un sistema de filtrado de spam que a veces deja pasar correos indeseados y a veces bloquea mensajes legítimos. El usuario se siente perdido y desorientado, y termina desconectándose o buscando alternativas.

Cómo abordar el ruido: el primer paso

Daniel Kahneman y sus colegas proponen un enfoque secuencial: primero reducir el ruido y luego atacar el sesgo. Esta estrategia tiene sentido porque, al estabilizar las predicciones, se hace más evidente cualquier desplazamiento sistemático que quede, lo cual facilita su corrección.

Para reducir el ruido en IA/ML, existen varias prácticas recomendadas:

1. Estandarización del pipeline de datos.
   En muchos proyectos de ML, el preprocesamiento de datos se convierte en un terreno fértil para la variabilidad. ¿Qué pasa si un día normalizas las variables de cierta forma y al siguiente usas otro método? ¿O si alguien en el equipo decide filtrar los valores atípicos de manera distinta? Cada pequeña diferencia en la limpieza y transformación de los datos puede generar dispersión en los resultados. La solución es documentar con detalle cada paso, usar scripts reproducibles y aplicar guías o listas de verificación que aseguren que todos los integrantes del equipo sigan el mismo protocolo.

2. Control de semillas aleatorias y entornos.
   Muchos algoritmos de ML utilizan procesos aleatorios: la inicialización de pesos en redes neuronales, la división de datos en conjuntos de entrenamiento y prueba, o la selección de minibatches en el entrenamiento por lotes. Si no fijas la semilla de los generadores de números aleatorios, cada ejecución puede producir un modelo distinto. Además, las versiones de bibliotecas y frameworks pueden cambiar sutilmente el comportamiento. Por ello, es esencial fijar semillas y usar entornos virtuales o contenedores que garanticen la reproducibilidad exacta del experimento.

3. Ensamblado de modelos (ensembling).
   Una forma poderosa de reducir el ruido es combinar las predicciones de varios modelos independientes. La idea es simple: si cada modelo comete errores distintos, promediar sus salidas tiende a cancelar la variabilidad aleatoria. En la práctica, esto se puede lograr con métodos como bagging, boosting o stacking. Aunque aumenta el costo computacional, el beneficio en términos de estabilidad suele compensarlo con creces.

4. Monitoreo continuo.
   Reducir el ruido no es un esfuerzo de una sola vez. A medida que se actualizan los datos o el código, pueden introducirse nuevas fuentes de variabilidad. Por eso, es recomendable establecer pruebas automáticas que verifiquen la consistencia de las predicciones ante un conjunto de casos de referencia. Si aparece una desviación significativa, el sistema debe alertar para investigar qué cambió.

Al implementar estas prácticas se reduce el ruido, al tiempo que se establecen bases sólidas para la auditoría y la trazabilidad. Con predicciones consistentes, se hace evidente si existe un sesgo que requiera atención.

Cómo detectar y corregir el sesgo

Una vez que el ruido está bajo control, el siguiente paso es identificar y mitigar el sesgo. Para ello, conviene adoptar una serie de estrategias complementarias:

1. Análisis por subgrupos.
   La mejor manera de descubrir sesgo es desglosar el desempeño del modelo según características relevantes: género, edad, origen geográfico, etc. Por ejemplo, en un sistema de evaluación crediticia, podemos comparar la tasa de aprobación para solicitantes de distintas regiones. Si detectamos que un grupo recibe sistemáticamente puntuaciones más bajas, ahí tenemos un indicio de sesgo.

2. Rebalanceo de datos.
   Cuando el sesgo proviene de una representación desigual en los datos de entrenamiento, podemos aplicar técnicas como oversampling (duplicar ejemplos de la clase minoritaria) o reweighting (asignar mayor peso a esas instancias durante el entrenamiento). De este modo, el modelo aprende a prestar igual atención a todos los grupos.

3. Métricas de equidad en la función de pérdida.
   Más allá de las métricas tradicionales (precisión, recall, AUC), existen medidas específicas de equidad, como la paridad de tasas de falsos positivos o falsos negativos entre grupos. Incluir penalizaciones por desequilibrio en estas métricas dentro de la función de pérdida obliga al modelo a optimizar no solo la exactitud global, sino también la justicia distributiva.

4. Auditorías externas y revisiones de pares.
   Invitar a expertos independientes o a miembros de la comunidad afectada a revisar el modelo puede revelar sesgos que los desarrolladores internos pasaron por alto. Estas auditorías, además, aportan transparencia y generan confianza en los usuarios.

5. Transparencia y explicabilidad.
   Herramientas como LIME o SHAP permiten explicar individualmente por qué el modelo tomó cierta decisión. Al revisar explicaciones para distintos grupos, es posible detectar patrones de sesgo en la importancia que el modelo otorga a ciertas variables.

Ejemplos prácticos que ilustran la diferencia

Para aterrizar estas ideas, veamos dos casos de uso concretos:

Caso 1: Diagnóstico médico asistido por IA

Un hospital implementa un sistema de apoyo diagnóstico que, a partir de síntomas y datos de laboratorio, asigna un riesgo de complicaciones a los pacientes. Al principio, el equipo de datos no controla el ruido: distintas ejecuciones del modelo producen puntuaciones de riesgo que varían en más de un 20 % para el mismo paciente. Esto genera desconfianza entre los médicos, que desestiman la herramienta.

Aplicando las técnicas de reducción de ruido—fijando semillas, documentando el preprocesamiento y usando ensamblados—la variabilidad se reduce a un 2 %. Con las predicciones estabilizadas, el equipo analiza el desempeño por grupos de edad y descubre que el modelo subestima el riesgo en pacientes mayores de 70 años. Gracias a esta claridad, reentrenan el modelo con reweighting de los casos de adultos mayores y logran una evaluación justa para todos los rangos de edad.

Caso 2: Sistema de selección de personal

Una empresa utiliza ML para filtrar currículos. Al revisar los resultados, notan que los candidatos de ciertas universidades son rechazados con más frecuencia. Sin embargo, como el sistema arrojaba mucho ruido—algunos días aprobaba perfiles similares, otros los rechazaba—no quedaba claro si había un sesgo real o simple variabilidad.

Con las buenas prácticas de higiene de decisiones, el equipo estabiliza las salidas y descubre un sesgo: el modelo aprendió que la palabra clave “robotics” en el currículum, más frecuente en perfiles de determinadas universidades, correlaciona con mejor desempeño en la empresa, y penaliza otros candidatos. Ajustan la función de pérdida para neutralizar esa correlación y amplían el vocabulario de términos técnicos, logrando un proceso de selección más justo y consistente.

Caso 3: Cuando la IA se convierte en juez de la pobreza

Marta vive en los márgenes de Medellín con sus dos hijos, en una casa improvisada sin servicios básicos. A pesar de su evidente situación de vulnerabilidad, el sistema del SISBÉN la clasificó en un grupo que no le permite acceder a subsidios como alimentación o matrícula universitaria para su hijo (Grupo C o D). ¿El motivo? Su ubicación geográfica —un barrio con promedios estadísticos "mejor calificados"— y algunas respuestas inconsistentes durante la encuesta inicial, hicieron que el modelo automatizado subestimara su nivel de necesidad.

Este caso muestra cómo el sesgo puede infiltrarse en sistemas automatizados: si el modelo toma como referencia datos históricos o promedio por zona, puede asumir equivocadamente que todas las personas en esa área tienen condiciones similares. Y el ruido, por su parte, aparece cuando distintas encuestadoras aplican el formulario con variaciones que alteran los resultados: un mal registro de los materiales de la vivienda, la omisión de ingresos informales, o simplemente un error de digitación pueden marcar la diferencia entre recibir o no una ayuda vital.

Cuando Marta solicitó una segunda visita, su clasificación cambió radicalmente. El nuevo registro, más preciso, la ubicó en un grupo que le permitió acceder a programas sociales. Este cambio, aunque positivo para ella, revela una falla estructural: no todas las personas tienen la oportunidad, el tiempo o la información para exigir una revisión. En el caso del Sisbén de Colombia, el problema es más complejo, el modelo no se revisa, se le cree ciegamente a sus resultados sin oportunidad para la población de cambiar su clasificación. Por eso, como advierte Kahneman, es urgente reducir tanto el sesgo como el ruido en estos sistemas, especialmente cuando sus decisiones afectan vidas tan directamente.

Consejos para no ser ingenuos con la IA

La sensación de que “la máquina” es objetiva puede llevarnos a descuidar estos riesgos. Para evitarlo, aquí tienes algunas recomendaciones:

• Pregunta siempre por el ruido y el sesgo. Si trabajas con un proveedor de IA o un equipo interno, exige métricas de consistencia y de equidad. No te conformes con un solo número de precisión global.

• Exige transparencia en los datos. Conoce el origen, la representatividad y el balance de las muestras utilizadas para entrenar el modelo.

• Revisa los resultados por subgrupos. Solicita informes desglosados: por género, edad, origen étnico o cualquier categoría relevante en tu contexto.

• Implementa pruebas de regresión. Cada vez que actualices el modelo, verifica que las predicciones no hayan cambiado drásticamente para casos de referencia.

• Fomenta la auditoría externa. Contar con revisiones independientes ayuda a descubrir sesgos inadvertidos y aumenta la confianza de los usuarios finales.

Reflexión final

Reducir el ruido y el sesgo en IA/ML no es solo una cuestión técnica, sino un imperativo ético. Se trata de asegurar que las decisiones automatizadas sean justas, fiables y transparentes. Cuando dedicamos tiempo a estabilizar nuestras predicciones y a corregir los desplazamientos sistemáticos, estamos construyendo sistemas que no solo funcionan mejor, sino que también respetan la dignidad y los derechos de todas las personas.

La próxima vez que escuches que un algoritmo “decidió” algo, recuerda: detrás de esa decisión hay datos, procesos y—sí—errores humanos que podemos y debemos corregir. No seamos ingenuos con la IA. Asumamos la responsabilidad de identificar y disminuir tanto el sesgo como el ruido, y así garantizar que la tecnología trabaje para nosotros, y no en nuestra contra.

Entendiendo la apuesta colombiana: ¿Qué dice realmente el CONPES 4144?

Antes de hablar de los retos, es vital comprender qué busca Colombia con esta política. El CONPES parte de un diagnóstico claro: la IA puede ser un motor increíble para la productividad (imaginen fábricas más eficientes, cosechas optimizadas con datos del IDEAM, servicios financieros más ágiles regulados por la Superfinanciera), para mejorar la calidad de vida (IA ayudando a personalizar la educación según lineamientos del MEN, a detectar enfermedades antes con apoyo del MinSalud, a gestionar el tráfico en ciudades como Bogotá o Medellín) y para tener un Estado más eficiente (servicios públicos más rápidos a través de portales como GOV.CO, decisiones basadas en datos reales del DANE). Pero también reconoce los peligros: la necesidad de talento que aún es escaso, la infraestructura digital que requiere mejoras significativas, las dudas sobre cómo regularla y, muy importante, los riesgos éticos como la discriminación por algoritmos o la pérdida de empleos.

Frente a esto, la política define una visión: convertir a Colombia en un referente regional en IA, usándola para cerrar brechas sociales y económicas. Y lo quiere hacer bajo principios clave: la tecnología debe servir al ser humano, ser ética y responsable (transparente, justa, segura), inclusiva (que llegue a todos, no solo a las grandes ciudades o empresas) y adaptable (porque la IA cambia constantemente).

Para lograrlo, el CONPES establece cinco grandes pilares o líneas de acción:

1. Talento humano: Formar desde niños hasta profesionales, técnicos y doctores en IA. Atraer y retener a los mejores. ¡Necesitamos gente que entienda, use y cree IA!

2. Datos e infraestructura: La IA necesita "comer" datos y "correr" en computadoras potentes. Este pilar busca mejorar el acceso a datos de calidad (protegiendo la privacidad según la Ley 1581 de 2012) y fortalecer la conectividad y la capacidad de cómputo del país.

3. Ecosistema de innovación: Crear un ambiente donde universidades, empresas (grandes y pequeñas), gobierno (a través de entidades como MinCiencias e iNNpulsa) y centros de investigación trabajen juntos. Apoyar a emprendedores que usen IA y ayudar a las empresas tradicionales a adoptarla.

4. Marco ético y normativo: Poner reglas claras. ¿Qué se puede y qué no se puede hacer con IA? ¿Cómo protegemos los derechos de las personas? Se busca generar confianza sin frenar la innovación, posiblemente bajo la supervisión de entidades como la Superintendencia de Industria y Comercio (SIC).

5. Gobernanza y adopción pública: El gobierno debe dar ejemplo usando IA para mejorar sus propios servicios y coordinar a todas las entidades para que esta política funcione, liderado probablemente por el MinTIC y el Departamento Nacional de Planeación (DNP). Por ejemplo, la IA podría usarse para agilizar los servicios al ciudadano, predecir las necesidades de mantenimiento de la infraestructura o mejorar la recaudación de impuestos.

El choque con la realidad global: los enormes retos para Colombia

Ahora, aterricemos esta ambiciosa visión. Comparar los objetivos del CONPES con lo que sucede en el mundo y con nuestra propia realidad nos muestra la verdadera dimensión de los desafíos. No es por ser pesimistas, sino realistas: el camino es empinado.

1. El abismo de la infraestructura y los datos: La IA de vanguardia necesita una capacidad de cómputo gigantesca y acceso a volúmenes enormes de datos de alta calidad. El CONPES lo reconoce, pero la escala es abrumadora. Países como China o Estados Unidos invierten miles de millones de dólares anuales en infraestructura de supercómputo específica para IA. Grandes tecnológicas como Google o Meta poseen conjuntos de datos de una escala inimaginable. Si bien Colombia ha avanzado en conectividad (el MinTIC reporta coberturas de internet fijo superiores al 60% de hogares y móvil 4G sobre el 90% del territorio en 2023), la disponibilidad de supercomputación para investigación y desarrollo en IA es limitada comparada con los líderes; ni las mejores universidades del país tienen infraestructura avanzada para hacer de la IA una estrategia cotidiana. Además, muchos datos públicos y privados están fragmentados, no estandarizados o son de difícil acceso, como lo evidencian diversos diagnósticos sectoriales. El Índice de Gobierno Digital del DNP, aunque muestra mejoras, aún señala retos en la interoperabilidad y calidad de los datos estatales. Sin una inversión masiva y sostenida en infraestructura de cómputo y, crucialmente, en la gobernanza y calidad de los datos (más allá de la compra de máquinas), Colombia corre el riesgo de limitarse a aplicaciones de IA menos complejas.

2. La guerra por el talento de élite: Formar talento es clave, pero el mundo necesita creadores de IA: doctores, ingenieros de Machine Learning experimentados. Países como Canadá tienen estrategias agresivas para atraer talento global. Silicon Valley sigue siendo un imán. Universidades como Stanford o MIT gradúan cientos de especialistas en IA anualmente. Aunque universidades colombianas ofrecen programas relacionados con IA, la cantidad de egresados de doctorado específicamente en IA es aún baja. El Observatorio Laboral para la Educación (OLE) del Ministerio de Educación Nacional puede mostrar crecimiento en áreas TIC, pero la especialización de élite en IA es un nicho. Además, según estudios de competitividad como los del Foro Económico Mundial (FEM), Colombia enfrenta retos en retener talento altamente calificado debido a factores salariales y oportunidades de investigación avanzada. Sin una mejora radical en la formación de posgrado y condiciones atractivas, dependeremos de adaptar tecnología externa.

3. Construir un ecosistema innovador real, no solo en papel: Un ecosistema vibrante requiere alta inversión en I+D, colaboración universidad-empresa y capital de riesgo. Israel ("Silicon Wadi") o Corea del Sur invierten porcentajes significativamente mayores de su PIB en I+D (cercanos o superiores al 4-5%) y tienen ecosistemas maduros de capital de riesgo tecnológico. Históricamente, la inversión en Actividades de Ciencia, Tecnología e Innovación (ACTI) en Colombia ha rondado apenas el 0.7-0.8% del PIB, según datos del Observatorio Colombiano de Ciencia y Tecnología (OCyT), muy por debajo del promedio de la OCDE (cercano al 2.7%). Aunque iniciativas como las de iNNpulsa Colombia buscan dinamizar el emprendimiento, el capital de riesgo para etapas tempranas de alta tecnología sigue siendo limitado comparado con mercados más desarrollados. La transferencia tecnológica desde las universidades, aunque existente, enfrenta barreras burocráticas y culturales, como lo señalan informes de MinCiencias. Pasar de las buenas intenciones a un ecosistema robusto exige superar estas brechas estructurales de financiación y colaboración.

4. La Ética: Del Discurso a la Práctica Justa y Confiable: Comprometerse con una IA ética es fundamental, pero su implementación es compleja. La Unión Europea debate intensamente su Ley de IA (AI Act). En Estados Unidos, escándalos por sesgos algorítmicos (raciales, de género) son recurrentes y documentados por instituciones como la ACLU o investigaciones académicas. El desafío es enorme. ¿Cómo creamos mecanismos efectivos para auditar algoritmos y detectar sesgos en el contexto colombiano, considerando nuestras propias desigualdades? La Superintendencia de Industria y Comercio (SIC) tiene el mandato de proteger al consumidor y los datos personales (Ley 1581), pero auditar la equidad de algoritmos complejos es un campo nuevo y técnicamente demandante. ¿Cómo garantizamos explicabilidad y transparencia? ¿Cómo aseguramos que la IA no agrave las brechas sociales y regionales documentadas por el DANE? Pasar de los principios éticos del CONPES a una supervisión efectiva que genere confianza real es un desafío técnico, regulatorio y social de primer orden, que requerirá capacidades institucionales robustas.

Una travesía necesaria con un gran potencial

La Política Nacional de IA de Colombia (CONPES 4144) es un paso adelante crucial. Sin embargo, su éxito depende de afrontar con determinación los gigantescos desafíos evidenciados por los datos. No basta el plan; se necesita inversión económica sostenida (superando el histórico bajo porcentaje del PIB en I+D), ejecución impecable, atraer y retener talento de clase mundial (compitiendo globalmente) y un compromiso práctico con la ética y la equidad (construyendo capacidades de supervisión reales).

Es una responsabilidad inmensa. La promesa de la IA es grande, y si Colombia logra superar estos obstáculos, tiene el potencial de desbloquear significativos beneficios económicos y sociales, convirtiéndose en un verdadero líder en la aplicación responsable y equitativa de la IA en la región. No obstante, es complicado desde del papel sin acciones reales de inversión fuerte en la ciencia y la tecnología, sin ahondar en los temas del desastre en la calidad de la educación básica y secundaria que debemos solucionar de forma estructural.

La ingeniería de prompts ha trascendido la noción de ser una simple interacción con la inteligencia artificial, consolidándose como una disciplina esencial para explotar el potencial de los modelos de lenguaje extensos (LLMs). Un Prompt es una instrucción o texto inicial que se le proporciona a una herramienta generativa de IA para guiar la generación de respuestas o resultados específicos. La creación de prompts efectivos y bien diseñados es fundamental para desbloquear las capacidades de estos modelos en diversas aplicaciones, desde la generación de texto creativo hasta la resolución de problemas complejos. Este ensayo explorará las mejores prácticas en ingeniería de prompts, con referencia a los documentos recopilados en la página web una guía de ingeniería de Prompts y otras fuentes relevantes. El texto tiene una intensión de comunicar los aspectos básicos de la ingeniería de prompts para el uso cotidiano.

La página "Prompt Engineering Guide" sigue siendo un recurso valioso, ofreciendo una compilación de investigaciones que exploran diversas técnicas de prompting. Al examinar estos trabajos y literatura más reciente, emergen patrones y recomendaciones consistentes que definen las mejores prácticas. Estas se centran en la claridad, especificidad, la utilización estratégica de ejemplos, la adaptación a las capacidades del modelo, y la incorporación de técnicas avanzadas como el "razonamiento en cadena" (Chain-of-Thought - CoT).

[Imagen generada con Gemini 2.0 Flash. Marzo 2025]

Antes de pasar a las estrategias, podemos definir las partes de un prompt como siguie:

1. Contexto: Información inicial que te ayuda a definir el escenario del tema

2. Tarea: es la indicación específica de lo que debe realizar el modelo

3. Ejemplos: muestra que guía el formato o estilo de la respuesta.

4. Restricciones: son las indicaciones que le dan limites al modelo para enfocar la respuesta.

Una de las prácticas fundamentales, consistentemente reforzada en la literatura, es la claridad y especificidad en la instrucción. Los LLMs, aunque poderosos, requieren prompts bien definidos para comprender la tarea deseada, declarar el objetivo de manera precisa es la primera clave para lograr mejores resultados. Como demuestran los trabajos sobre Zero-shot Prompting (Brown et al., 2020), un prompt claro y conciso puede guiar al modelo hacia respuestas relevantes incluso sin ejemplos explícitos. La ambigüedad genera resultados inconsistentes. Por ello, formular prompts inequívocos y que definan claramente el objetivo es primordial. Esto implica evitar lenguaje vago y utilizar términos precisos relacionados con la tarea. Por ejemplo, en lugar de "escribe un resumen", un prompt más específico sería "resume este artículo científico en tres párrafos, destacando las principales contribuciones y limitaciones".

Profundizando en la especificidad, la técnica de Few-shot Prompting (Brown et al., 2020) subraya la importancia de proporcionar ejemplos relevantes. Presentar al modelo un conjunto de ejemplos de entrada-salida que ilustren la tarea mejora significativamente su rendimiento. Estos ejemplos contextualizan, ayudando al LLM a comprender el formato y estilo deseado. La inclusión de ejemplos bien elegidos mejora la precisión y reduce la necesidad de prompts complejos. La calidad y representatividad de los ejemplos son cruciales para la efectividad del few-shot prompting. Si bien el proceso se nutre de un proceso iterativo de ensayo-error-ensayo, algunas investigaciones exploran cómo seleccionar los ejemplos más informativos para maximizar la eficiencia del few-shot learning (Gao et al., 2021).

Más allá de la claridad y los ejemplos, existen consejos prácticos para crear prompts aún más eficientes:

• Prompting basado en Roles: Asignar un rol específico al LLM ("Actúa como un experto en marketing digital...") puede guiarlo a generar respuestas más relevantes y especializadas. Esta técnica, implícita en muchos prompts exitosos, aprovecha la capacidad del modelo para simular diferentes perspectivas y estilos de escritura. Además, permite ajustar el tono y la forma de comunicación de la respuesta, lo cual también puede ser una instrución adicional para insistir en la orientación requerida del resultado.

• Especificar el Formato de Salida: Indicar el formato deseado (lista, tabla, JSON, código, etc.) facilita la integración de la respuesta del LLM en flujos de trabajo y aplicaciones. Por ejemplo, "genera una lista de 5 ideas para proyectos de investigación en el área de desarrollo humano en Colombia en formato JSON".

• Utilizar Restricciones y Limitaciones: Definir límites (longitud máxima, estilo, temas a evitar, restringirse a cierta información) ayuda a controlar la generación y a asegurar que la respuesta se ajuste a las necesidades específicas. "Escribe un poema corto sobre la naturaleza, de no más de 10 versos, evitando metáforas complejas y manteniendo un estilo borgiano".

• Iteración y Refinamiento Progresivo: La ingeniería de prompts es un proceso iterativo, bien definido en el curso básico de DeepLearning.Ai. Comenzar con un prompt sencillo, evaluar la respuesta, y refinar el prompt basándose en los resultados es crucial para lograr el resultado deseado. Experimentar con diferentes formulaciones y parámetros del modelo (como la temperatura) es parte esencial del proceso. Usar diferentes modelos para observar los resultados y usar lo mejor de cada uno. Evita quedarte con las respuestas del primer Prompt. En el inicio de un proceso iterativo puedes usar al modelo para que te diseñe el prompt, es decir, que tu prompt sea el diseño de un prompt; la estrategía te permitirá obtener el major conocimiento del modelo para su interacción.

• Prompt Engineering Tools: La aparición de herramientas y plataformas dedicadas a la ingeniería de prompts (como PromptLab, LangChain, etc.) facilita la experimentación, gestión y optimización de prompts, permitiendo un enfoque más sistemático y eficiente.

[Imagen generada con Gemini 2.0 Flash. Marzo 2025]

Un avance significativo en la ingeniería de prompts es la utilización de modelos LLMs razonadores (o3 y o1 de ChatGPT, R1 de deepSeek, Grok 3, Gemini 2,5 pro, Claude 3,7) que permiten acceder a la "cadena de pensamiento" (CoT) para mejorar la precisión y, potencialmente, mitigar sesgos. Técnicas como Chain-of-Thought Prompting (Wei et al., 2022), y sus extensiones como Tree-of-Thought (Yao et al., 2023) y Graph-of-Thought, permiten al modelo explicitar su proceso de razonamiento paso a paso. Al pedir explícitamente al modelo que "piense paso a paso" o que justifique su respuesta, se obtienen respuestas más complejas y precisas, especialmente en tareas de razonamiento lógico, resolución de problemas y toma de decisiones. CoT aprovecha la capacidad generativa del modelo para simular un proceso de pensamiento interno, mejorando la calidad de la respuesta final. Sin embargo, no olvide tener en cuanta que todos los modelos tienen una ventana de contexto finita, es decir, la capacidad del modelo de tener en memoria las palabras (Tokens) para responder a la tarea es limitada.

La visibilidad de la cadena de pensamiento es una herramienta para mitigar sesgos. Aunque los LLMs pueden heredar y amplificar sesgos presentes en los datos de entrenamiento (Bender et al., 2021), la capacidad de observar el proceso de razonamiento a través de CoT permite identificar puntos problemáticos o decisiones sesgadas en la generación de la respuesta. Si bien CoT no elimina inherentemente los sesgos, ofrece una mayor transparencia e interpretabilidad del proceso de toma de decisiones del modelo, lo que facilita la detección y corrección de sesgos en la ingeniería de prompts y en el diseño de sistemas basados en LLMs (Beloucif et al., 2023). Por ejemplo, al observar la cadena de pensamiento, se podría identificar si el modelo está utilizando estereotipos o generalizaciones injustificadas para llegar a una conclusión, permitiendo refinar el prompt o ajustar el modelo para evitar estos sesgos. Para ampliar la eficiencia en la respuesta, los modelos razonadores son la mejor elección para el trabajo diario, el tiempo que se toman para su respuesta, cada vez menos, se compensa con un resultado de más calidad.

En conclusión, la ingeniería de prompts efectiva para LLMs se basa en un conjunto de mejores prácticas en constante evolución, respaldadas por la investigación académica actual. Estas prácticas incluyen la claridad y especificidad en la instrucción, el uso estratégico de ejemplos, la aplicación de consejos prácticos para prompts eficientes (roles, formato, restricciones), la experimentación iterativa, la adaptación al modelo específico y la utilización de técnicas de razonamiento como CoT para mejorar la precisión y potencialmente mitigar sesgos. La clave para maximizar el potencial de los LLMs reside en comprender estas mejores prácticas y aplicarlas de forma creativa y crítica. La investigación continua en este campo, visible en recursos como "Prompt Engineering Guide" y publicaciones académicas recientes, seguirá refinando y expandiendo estas prácticas, consolidando la ingeniería de prompts como una disciplina fundamental en la era de la inteligencia artificial generativa y responsable.

Bibliografía:

Beloucif, M., Zhang, X., & Casati, F. (2023). Towards Bias Mitigation in Large Language Models: A Survey. arXiv preprint arXiv:2310.03993.

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?. In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (pp. 610-623).

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., ... & Amodei, D. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877-1901.

Gao, T., Fisch, A., & Chen, D. (2021). Making pre-trained language models better few-shot learners. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers) (pp. 3816-3830).

Wei, J., Zhou, D., Wei, Q., Zou, C., Lowe, R., & Bengio, Y. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems, 35, 24824-24837.

Yao, S., Yu, D., Zhao, J., Cui, Y., Rao, I., Zhao, J., & Wei, Z. (2023). Tree of thoughts: Deliberate problem solving with large language models. arXiv preprint arXiv:2305.10601.

Una solución equitativa

Se propone un nuevo sistema de asignación de puntajes que:

1. Reconozca las diferencias disciplinarias, ajustándose al ritmo y la naturaleza de cada área del conocimiento.

2. Valore la calidad por encima de la cantidad, asegurando que las publicaciones de mayor impacto reciban el reconocimiento adecuado.

3. Premie la contribución sustantiva, distinguiendo entre niveles de participación en trabajos colaborativos.

Elementos clave del sistema

1. Puntaje Base (B): Cada tipo de producción (artículo indexado, libro, creación artística, entre otros) tendrá un puntaje base definido según su impacto.

   • Ejemplo: Un artículo en una revista Q1 tendrá un puntaje mayor que en una revista de menor categoría. Se puede adoptar el sistema actual de publindex para la clasificación de las revistas; se revisa la calidad de la revista y no del artículo o su contenido.

2. Factor de equidad disciplinar (Fd): Ajusta el puntaje base según la productividad promedio del área. Aquí se pondera el puntaje base de acuerdo con los ritmos de publicación por área. Su propósito es ajustar el puntaje base según la productividad media histórica del área. Es un factor que debe ser definido con datos institucionales, de modo que no dependa de juicios subjetivos.

   • Cálculo:

     • Se define una mediana de productividad (M). Es una métrica común que mida la productividad de todas las áreas de manera homogénea. Por ejemplo, el número medio de artículos Q1 por profesor por año. Luego, con esa métrica en todas las áreas, se toma la mediana de la distribución, al a que se llamaría M.

     • Se compara con la productividad promedio del área (P(A)). Se calcula la productividad media con la misma métrica usada para definir M.

     • Fd = √(M / P(A)).

     • Áreas con menor productividad que la mediana reciben un Fd > 1, incrementando su puntaje para equilibrar. Si un área tiene una productividad igual a la mediana, (P(A) = M), entonces, Fd(A) = 1. Si, el área es más productiva que la mediana (P(A) > M), entonces, Fd(A) < 1, moderando su ventaja inicial.

     • El factor se recalcula periódicamente, por ejemplo anual o bianual, asegurando una adaptación continua a la evolución de las áreas.

3. Contribución individual (Ci): Evalúa la participación real de cada autor. Es un factor que permite ponderar la verdadera contribución de los autores a la producción académica. Con ello se reducen los comportamientos tipo free rider en la asignación de puntaje, evitando que autores con aportes mínimos obtengan beneficios desproporcionados en trabajos colaborativos. Este enfoque promueve la transparencia y fomenta una mayor responsabilidad individual en la declaración de contribuciones.

   • Se solicita una declaración de contribuciones en porcentajes, asegurando que la suma sea 100 %.

   • Si no hay declaración, se aplicarán reglas estándar, otorgando mayor peso al primer autor.

4. Escala Progresiva de Autoría (Ea): Penaliza la inclusión excesiva de autores con participaciones mínimas. El factor reduce el beneficio individual a medida que aumenta el número de autores.

   • Fórmula: Ea(n) = 1 / √(n), donde n es el número total de autores.

   • Para equipos pequeños (hasta 3 autores), no se aplica penalización. Sin embargo, se puede tener otra designación de equipos pequeños o, incluso, penalizar con mayores a 1. Se usa 3 en la presente propuesta bajo el mismo supuesto que tiene el 1279.

La fórmula de asignación de puntos

La puntuación para cada autor i, se calcula como:

Pi = B x Fd(A) x Ci x Ea(n)

Cómo funciona en la práctica

Ejemplo 1: Autor único en humanidades

• Artículo Q1 (B = 15).

• Factor de equidad disciplinar (Fd = 1,4).

• Contribución individual total (Ci = 1).

• Penalización por autoría (Ea = 1).

• Resultado: P = 15 × 1,4 × 1 × 1 = 21 puntos.

Ejemplo 2: Tres autores con contribuciones iguales

• Artículo Q1 (B = 15).

• Factor de equidad disciplinar (Fd = 1).

• Contribución individual (Ci = 0,33 por autor).

• Penalización por autoría (Ea = 1).

• Resultado: P = 15 × 1 × 0,33 × 1 = 5 puntos por autor.

Ejemplo 3: Autor con mínima contribución en equipo grande

• Artículo Q1 (B = 15).

• Área muy productiva (Fd = 0,8).

• Contribución individual (Ci = 0,1).

• Penalización por autoría (Ea = 0,316).

• Resultado: P = 15 × 0,8 × 0,1 × 0,316 ≈ 0,38 puntos.

Ventajas del sistema propuesto

• Flexibilidad: Se adapta a diversas disciplinas y tamaños de equipo, permitiendo que las realidades específicas de cada campo del conocimiento se vean reflejadas. Esto incluye áreas con baja productividad histórica, que suelen ser ignoradas en sistemas homogéneos.

• Equidad: Garantiza un reconocimiento justo al ajustar los puntajes según las dinámicas de cada disciplina. Este enfoque evita que las áreas con altos volúmenes de publicaciones monopolicen los beneficios, equilibrando las oportunidades para campos con menor frecuencia de producción.

• Transparencia: Promueve la declaración clara de contribuciones individuales, fomentando la honestidad y la confianza en los procesos de evaluación. Esto elimina incentivos para incluir autores con aportes simbólicos o inexistentes.

• Sostenibilidad: Fomenta una distribución equitativa de recursos, incentivando la calidad y la colaboración significativa en lugar de la competencia desmedida por producir más en menos tiempo. Al promover un enfoque cualitativo, se contribuye a un entorno académico saludable y productivo.

• Adaptabilidad a equipos diversos: Valora tanto el trabajo individual como la colaboración en equipos grandes o pequeños, ajustando los beneficios según el tamaño y las dinámicas internas de las autorías.

Reflexiones finales

Este sistema representa un avance significativo hacia una evaluación académica más justa y equilibrada. Al valorar las diferencias disciplinarias y la contribución real de los autores, se crea un entorno académico más inclusivo, transparente y sostenible. Del trabajo individual al colectivo, la propuesta se adapta a situaciones en las que un único investigador asumen toda la carga y también a colaboraciones donde el esfuerzo se reparte entre varios autores. De la compensación en áreas con menor productividad a la moderación en áreas altamente productivas, La variación de Fd hace posible que disciplinas con menor facilidad para publicar logren mejores compensaciones, mientras en áreas muy productivas, el factor moderador evita acumulaciones desproporcionadas. Del aporte sustancial al mínimo, la contribución individual permite diferenciar entre los autores que realmente impulsaron el proyecto y aquellos que participaron de manera marginal. La combinación con Ea(n) asegura que no se incentive la inclusión de autores con mínima participación.

La modificación de la fórmula de asignación de puntaje podría implementarse como una solución viable sin necesidad de reformar completamente el Decreto 1279, simplificando el proceso de transición. Toda la propuesta debe acompañarse de un programa de fomento de la ética en la investigación y en la producción académica, para mantener vigentes los acuerdos sociales para la evitar el abuso de los incentivos.

Para mayor contexto de la propuesta, revisar el texto completo aquí

Compartir Guberney’s Blog

1. De los promedios y la necesidad de nivelar el enganche

El salario promedio (también llamado "media") de los profesores de la UdeA es de 10,57 millones de pesos, mientras que la mediana es de 9,57 millones de pesos. La "media" es lo que conocemos como el promedio: se suma el salario de todos los profesores y se divide entre la cantidad de profesores. En cambio, la "mediana" es el punto medio; es decir, la mitad de los profesores ganan menos de 9,57 millones de pesos y la otra mitad gana más. La diferencia entre media y mediana nos muestra que hay algunos profesores con salarios más altos que aumentan el promedio, pero que no representan a la mayoría.

Un ejemplo cotidiano para ilustrar esto es pensar en un grupo de amigos. Si entre cinco amigos, uno gana mucho más que el resto, el promedio del grupo será más alto, pero la mayoría de los amigos ganará menos que ese promedio. Esto es lo que ocurre con los profesores de la UdeA: aunque algunos pocos tienen salarios altos, la mayoría de los profesores gana más cerca de la mediana. No obstante, mientras el salario de entrada para un profesor con doctorado en la UdeA ronda los 8 millones de pesos mensuales, en el sector privado un profesional con doctorado puede comenzar ganando cerca de 12 millones de pesos. Esto resalta que, a pesar de los salarios más altos, la mayoría de los profesores no están sobreremunerados.

Una propuesta que ha sonado en los pasillos es nivelar los salarios. Para que todos los profesores que están debajo de la media alcanzaran el salario promedio de 10,57 millones de pesos, se necesitarían 3.278,95 millones de pesos adicionales mensuales en el presupuesto, es decir, una adición anual de alrededor de 39 mil millones de pesos en el presupuesto de la Universidad. Posible desde la norma, porque el efecto retroactivo de la probable ley le daría beneficios a las personas que cobija, en este caso a los profesores. Sin embargo, para poner en contexto la cifra, el valor requerido del desfinanciamiento actual esta aproximadamente en 350.000 millones de pesos al año. Entonces, sería sumar unos 39.000 millones más al desfinanciamiento para buscar nivelar los salarios y mantener un salario de enganche más alto. Por supuesto que las cifras tienen matices, puesto son alrededor de 470 profesores de medio tiempo que deben considerarse en el ajuste de la propuesta. 

Ahora, hagamos algunas hipótesis. Para desmentir el argumento de que los salarios de los profesores son responsables del déficit financiero, consideremos cuánto ahorro generaría la UdeA al fijar un límite máximo de salario de 40 millones de pesos. Este valor es hipotético, representando el salario máximo que podría alcanzar un profesor en su carrera. Con esta suposición, la Universidad se ahorrarían 67 millones de pesos mensuales, lo cual equivale a 804 millones anuales. Este ahorro cubriría solo el 2,1% del monto necesario para aumentar los salarios de todos los profesores al valor medio actual y representan el 0,22% del valor del desfinanciamiento actual. Cabe destacar que solo cinco profesores tienen salarios superiores a 40 millones de pesos, siendo casos atípicos en la universidad.

En una hipótesis más extrema, si se estableciera un límite de salario de 20 millones de pesos, se podría ahorrar 7.387 millones de pesos anuales, suficiente para cubrir 2,2 veces el monto necesario para llevar todos los salarios que están debajo la media a su valor de 10,57 millones de pesos; además, sería el equivalente al 2,11% del déficit actual de la Universidad de Antioquia. Sin embargo, esta medida podría afectar la producción académica debido a la reducción del incentivo asociado a la productividad. Es importante señalar que cualquier medida de ajuste salarial no debe ser regresiva respecto a los derechos adquiridos, entonces, no se podría implementar. La intención aquí de evaluar algunas hipótesis es evidenciar que no hay tal desfinanciamiento por los altos salarios y, en lugar de centrar la atención ahí, destacar la necesidad de enfocar los esfuerzos en mejorar los salarios de los profesores que se encuentran por debajo de los valores medios actuales, priorizando a los más desfavorecidos cuando la desigualdad es relativamente baja.

2. Desigualdad del ingreso: analizando los quintiles

Para entender mejor la distribución de los salarios, podemos dividir a los profesores en quintiles, es decir, en cinco grupos del mismo tamaño (20% cada uno) según sus ingresos y dejando un grupo que sería el 1% que más salarios gana. De esta forma:

• El quintil con menores ingresos (el 20% de los profesores con salarios más bajos) solo recibe el 11,8% del ingreso total de todos los profesores.

• En cambio, el quintil superior (el 20% de los profesores con mayores ingresos) concentra el 33,4% del ingreso total.

• Los quintiles intermedios (el 60% de los profesores restantes) acumulan el 54,8% del ingreso total.

Esto nos muestra que, aunque hay desigualdad, la mayoría de los profesores no tienen salarios extremadamente altos. En comparación con los datos de Colombia, donde el 1% más rico concentra entre el 18% y el 20% del ingreso nacional, el 1% de los profesores de la UdeA solo recibe el 3,8% del ingreso total (sumamos el 3,8% y el 29,6% del gráfico), lo cual desmitifica la percepción de una gran concentración de ingresos.

Gráfico 1. Desigualdad en el ingreso en la Universidad de Antioquia de acuerdo con el grupo de ingreso. Datos de Octubre de 2024.

Para visualizar mejor esta desigualdad, pensemos en cómo se reparte un pastel entre varias personas. Si cortamos el pastel en cinco partes iguales, pero las porciones no tienen el mismo tamaño, algunos recibirán una parte mucho más grande que otros. Esto es lo que ocurre con los salarios de los profesores: algunos reciben una parte mayor, pero la mayoría se queda con una porción similar, y esta diferencia no es tan extrema en comparación con otros sectores de la economía. La distribución igualitaria de los ingresos es una utopia dificil de sostener bajo un sistema de incentivos y de diferencias naturales, también dificil de sostener desde la perspectiva única del ingreso. Pero, para comprender mejor la desigualdad veamos otras cifras. 

3. Índice de Gini y Curva de Lorenz: medidas de la desigualdad

Para medir cuánta desigualdad hay en los salarios, se utiliza el índice de Gini, que va de 0 a 1. Un valor de 0 significa que todos tienen el mismo salario, mientras que un valor de 1 indica la mayor desigualdad posible. En la UdeA, el índice de Gini es de 0,216, lo que indica una desigualdad baja y menor que la de sectores como el financiero o el extractivo, incluso menor que la reportada por el Banco Mundial para los países con menor indice GINI, que se encuentran alrededor de 0,24 y, mucho menor, que el vergonzoso dato de 0,54 que tiene Colombia. 

Otra forma de visualizar la desigualdad es la Curva de Lorenz, que compara la distribución real de los salarios con una distribución perfectamente igualitaria. En la UdeA (Gráfico 2), la línea curva del gráfico muestra que, aunque no todos los profesores ganan lo mismo, la desigualdad no es extrema. Si la curva estuviera mucho más alejada de la línea diagonal (que representa igualdad perfecta), eso indicaría una concentración más alta de ingresos en unos pocos. En la UdeA, la curva está cerca de la línea de igualdad, lo que indica una distribución relativamente equitativa para la mayoría de los profesores, lo cual significa que la mayoría de los profesores tienen ingresos bastante cercanos entre sí.

Gráfico 2. Desigualdad en el ingreso en la Universidad de Antioquia representada en la curva de Lorenz. Datos de octubre de 2024. La línea punteada significa la igualdad perfecta, es la referencia de la línea azul que es el resultado para UdeA.

4. Contribución al Índice de Theil: ¿De dónde viene la escasa desigualdad?

El índice de Theil es otra herramienta para analizar la desigualdad y nos ayuda a entender quiénes contribuyen más a ella. En la UdeA, la mayoría de la desigualdad salarial proviene de un pequeño grupo de profesores con ingresos altos (gráfico 3), pero este grupo no es lo suficientemente grande como para causar una concentración extrema de ingresos. Las diferencias salariales tienen que ver con factores como la antigüedad, los títulos logrados y, principalmente, por la producción académica, asuntos ya tratado en el anterior ensayo. La mayor parte de los profesores tiene contribuciones muy bajas al índice de desigualdad. Es decir, la mayoría de los docentes tiene salarios cercanos a la media y, por lo tanto, no contribuyen significativamente a aumentar la desigualdad.

Podemos pensar en la desigualdad salarial como si se tratara de una escalera. Algunos profesores están más arriba porque llevan más tiempo trabajando, tienen más experiencia y han contribuido más al conocimiento con su producción académica. Esto explica por qué hay diferencias, pero no son tan grandes como para ser injustas o extremadamente desiguales.

Gráfico 3. Desigualdad en el ingreso en la Universidad de Antioquia representada en el gráfico de Theil. Datos de octubre de 2024.

5. Propuestas para mayor equidad

Aunque los salarios de los profesores de la UdeA no son extremadamente altos ni presentan una gran desigualdad, hay cosas que se pueden mejorar para hacerlos más justos:

5.1. Mejorar los salarios del quintil inferior

 Es crucial que los profesores del quintil inferior reciban un salario de enganche acorde con su formación, cualificación y el rol que desempeñan en la educación pública. Un salario inicial justo que refleje sus credenciales académicas y ofrezca un equilibrio con los valores del mercado, que a menudo pagan mejor a profesionales con doctorado. Además, asegurar un salario competitivo es clave para el retorno de la inversión en educación realizado por los profesores, quienes han dedicado años a su formación con la expectativa de que esta se traduzca en un nivel de vida acorde con sus esfuerzos y contribuciones al desarrollo académico y social. Este debe ser el valor moral cuando la desigualdad es baja, como es el caso de la UdeA. Es decir, el enfoque debe estar en mejorar las condiciones de quienes se encuentran en la base, aquellos profesores con más desventaja y dificultades para lograr mejores salarios.

5.2 Valorar el aporte social del docente

Invertir en las condiciones laborales de los profesores es una inversión en el desarrollo de la educación pública y en el bienestar de las comunidades que atiende la universidad. Los profesores de las universidades públicas desempeñan un rol esencial al trabajar con comunidades vulnerables, contribuyendo al cierre de brechas sociales al atender a estudiantes de los sectores más pobres del país. Además, su trabajo tiene un impacto significativo en la ciencia y la economía a través de sus publicaciones, que generan nuevo conocimiento y promueven el desarrollo económico. También contribuyen a la política pública mediante sus investigaciones, que ofrecen soluciones basadas en evidencia para los problemas sociales. Al igual que cuando un agricultor invierte en sus cultivos para asegurar una buena cosecha, invertir en los profesores asegura una mejor calidad educativa, impulsa el desarrollo social y económico, y genera beneficios para toda la sociedad.

5.3. Modificar los incentivos al crecimiento salarial

Si hay una preocupación por el crecimiento del salario, aquí va una propuesta simple para modificar el decreto 1279. Primero, establecer un tope de crecimiento al salario que estén entre 30 y 40 millones de pesos a precios del 2024, que crecerá de acuerdo con el aumento legal anual del salario de servidores públicos; en ese valor, actualmente, se pueden encontrar más del 90% de los profesores de la UdeA. Al llegar a ese tope, propongo hacer pagos de compensación por producción académica u otros constitutivos de puntos, pero sin ser parte del salario y ajustando pagos menores para la productividad por estar en el tope de salario; ese pago menor sería una especie de impuesto a la riqueza por el crecimiento adicional. Segundo, dado que la producción académica es la principal causa del crecimiento, la propuesta es modificar el incentivo para la asignación de puntaje; por un lado, asignar más puntos a los productos de las áreas de ciencias sociales, humanidades y artes, quienes son los que se encuentran más atrás en el crecimiento; por otro lado, modificar la asignación de puntaje salariar de acuerdo con la autoría y la contribución a la obra, es decir, ponderar más a quienes aparecen de primeros autores en las publicaciones científicas, o contribuyan más al producto académico; una especie de factor multiplicador asociado a la contribución. Con lo anterior se promueven varias: los profesores que ayudan a varios estudiantes crecen por volumen, se promueve la competencia sin destruir los incentivos a la productividad científica, se regula la asignación de puntaje para autores con contribuciones menores, se elimina las prácticas cuestionadas de instrumentalizar los estudiantes y se promueve la justicia y la redistribución basada en el mérito.

Conclusión

El análisis nos permite comprender que la desigualdad, aunque presente, es considerablemente menor en comparación con cualquier economía del mundo y de otros sectores económicos. Los datos muestran que la mayoría de los profesores tienen ingresos moderados y que los altos salarios no representan la realidad de la gran mayoría. A pesar de la percepción generalizada sobre una posible sobrerremuneración, la realidad es que muchos profesores están en desventaja frente al sector privado.

Las propuestas expuestas en este ensayo apuntan a mejorar la equidad salarial y las condiciones laborales de los profesores que se encuentran por debajo del valor promedio, aquellos que se encuentran en la base de la pirámide salarial. Incrementar los salarios de estos docentes, valorar su aporte social y redefinir los incentivos salariales son pasos fundamentales para construir una universidad más justa y equitativa. Además, la propuesta de controlar posibles valores atípicos y buscar la equidad y redistribución con el sistema de asignación de puntaje es una responsabilidad igualmente apremiante.

La inversión en condiciones justas para los docentes beneficiará a los profesores y al sistema educativo y, en última instancia, a la sociedad en general. Un enfoque en mejorar los salarios de quienes más lo necesitan y en reconocer el valor de su contribución social es un compromiso moral. Invertir en los profesores significa asegurar una educación de calidad, un mayor impacto social y un desarrollo sostenible para el futuro del país.

El objetivo de este ensayo es ofrecer un análisis riguroso de la realidad salarial de los profesores de la Universidad de Antioquia, desmitificando las afirmaciones generalizadas de que todos los profesores perciben ingresos exorbitantes, que incluso alcanzan hasta 80 millones de pesos. Este discurso, en ocasiones promovido por autoridades políticas, basado en una falacia de generalidad, ha generado estigmatización y actitudes negativas hacia los docentes. Por consiguiente, este análisis tiene como propósito aclarar la situación real y contribuir a un debate informado y justo sobre la valoración del trabajo académico.

Distribución salarial de los profesores 

El análisis de la distribución salarial revela disparidades significativas, como la presencia de valores atípicos en los niveles salariales más elevados (Ver gráfico 1). Esto apunta a diferencias en el acceso a compensaciones adicionales, incentivos específicos o criterios diferenciados para la remuneración de ciertos puestos. En el gráfico 1, que representa la distribución salarial para 2024, se observa una media de 10,57 millones de pesos y una mediana de 9,57 millones. La diferencia entre la media y la mediana indica una asimetría positiva, influenciada por salarios excepcionalmente altos que elevan el promedio. La mediana indica que el 50% de los profesores tiene un salario mensual por debajo de los 10 millones de pesos, asunto que debe ser más analizado para evaluar la política de asignación de salarios y, en este sentido, de valor del salario llamado de enganche para iniciar como docente de la Universidad. El gráfico también evidencia una cola larga hacia la derecha, lo cual refleja un pequeño grupo de profesores (83, el 4%) con salarios superiores a 20 millones de pesos, los que superan los 40 millones mensuales solo son 5 profesores de los 2032 que tienen la universidad.

Gráfico 1. Distribución del valor salarial mensual del total de profesores del UdeA. Datos de octubre del 2024. Cálculos propios.

En el caso de los profesores de Tiempo Completo (TC), la media salarial se aproxima a la mediana, sugiriendo una relativa homogeneidad en la distribución de ingresos (Ver gráficos 2). La mayoría de estos profesores perciben entre 8 y 12 millones de pesos mensuales, lo que refleja una política salarial más estable. Sin embargo, existen valores atípicos que podrían estar asociados con la antigüedad, méritos académicos sobresalientes o cargos administrativos. Los profesores Ocasionales (OC) presentan una media de 7,56 millones y una mediana de 7,26 millones, lo cual sugiere menor disparidad en comparación con el conjunto total. Aunque existen algunos valores atípicos hacia el extremo superior, estos no son tan pronunciados, indicando una estructura salarial más homogénea. En los profesores ocasionales, solo cuatro profesores superan los 12 millones mensuales. 

Los profesores de Medio Tiempo (MT) presentan una media de 8,88 millones y una mediana de 8,13 millones, indicando una ligera asimetría positiva, con 23 profesores que superan los 11 millones de pesos. Los profesores Ocasionales Medio Tiempo (OM) tienen una media salarial de 6,72 millones y una mediana de 6,50 millones, con la mayoría de los salarios concentrados entre 6 y 7 millones.  

Gráfico 2. Distribución del valor salarial mensual de los profesores del UdeA. Gráfico por tipo de vinculación. Datos de octubre del 2024. (MT: Medio Tiempo; OM: Ocasionales Medio Tiempo; OC: Ocasionales; TC: Tiempo Completo). Cálculos propios. 

Para el 20% de los profesores con salarios más altos (406 profesores), la media es de 17,63 millones y la mediana de 15,41 millones (Ver gráfico 3). Esta distribución evidencia una clara asimetría positiva, resaltando la presencia de valores atípicos. Además, se observa una concentración de salarios elevados, con algunos casos que superan los 20 millones e incluso alcanzan los 60 millones, lo que sugiere diferencias sustanciales en el acceso a compensaciones adicionales. El grupo de profesores que más devenga mensual tiene altas diferencias, el valor mínimo está cerca de los 12 millones y el máximo en 75, es el grupo de ingresos, como se verá a continuación que más dispersión presenta.  

 Gráfico 3. Distribución del valor salarial mensual del 20% de los profesores que devengan los salarios más altos en la UdeA. Datos de octubre del 2024. Cálculos propios. 

Comparación de los profesores de acuerdo con su salario.   

Para comparar los profesores los agrupé de acuerdo con el valor del salario mensual recibido. Entonces, se ordenan desde el que gana el menor valor, hasta el mayor. Luego, se dividen en grupos de igual tamaño, una división por quintiles del ingreso. En el primero grupo se encuentra el 20% que menos gana, luego aparece el otro 20% que sigue en el valor del salario, hasta terminar con el 20% que más salario devenga mensual. Para efectos de evidenciar los valores atípicos, muestro en las gráficas, como un grupo diferente, el 1% que más salario devenga mensual. En el gráfico 4 se representa los grupos en la representación de cajas y bigotes, que nos muestra la concentración de los valores y sus dispersiones porque representa los rangos en los cuales se mueven los valores de los ingresos de los profesores de cada grupo. Entonces, cajas que parecen una línea, como es el caso de los primeros grupos, evidencian baja dispersión y alta homogeneidad de los valores de salarios de los profesores de dicho grupo; cajas con una área más grande, representan el caso contrario, mayor dispersión de los valores de los salarios de los profesores de dicho grupo.  

Así, siguiendo el gráfico 4, la distribución salarial de los profesores para 2024 evidencia una disparidad a lo largo de los diferentes grupos de ingresos, comenzando con los grupos salariales más bajos (20%-60%). En estos grupos, los salarios son relativamente homogéneos y moderados, en los tres primeros grupos, el valor del salario mensual se encuentra, por lo general, debajo de los 10 millones de pesos. Esto sugiere que la mayoría de los profesores se encuentra en niveles salariales que poco varía entre ellos, es decir, las desigualdades económicas son casi nulas entre los profesores de los primeros grupos del ingreso. A medida que se avanza hacia los grupos salariales más altos, entre el 80% y el 99%, se observa un aumento en la dispersión de los salarios, con un rango intercuartílico más amplio y la presencia de valores atípicos. Estos valores se desvían significativamente de la mediana, lo cual subraya una creciente disparidad y la emergencia de algunos profesores con ingresos superiores. Esta dispersión refleja una estructura salarial desigual, donde ciertos docentes logran acceder a mejores compensaciones, vinculadas principalmente a la productividad académica y experiencia adicional. 

Gráfico 4. Salario mensual por grupos de ingreso de los profesores. Gráfico tipo cajas y bigotes (box-plot). Datos de octubre del 2024. Cálculos propios. 

El grupo del 1% con los salarios más altos muestra una concentración considerable de ingresos, con salarios que superan los 60 millones de pesos e incluso alcanzan los 70 millones en un caso que se puede considera como aislado. Estos valores atípicos representan una minoría extrema y no son representativos de la realidad general del cuerpo docente. Utilizar estos valores atípicos para argumentar que todos los profesores perciben salarios elevados es un error, ya que oculta la situación de la mayoría, quienes se encuentran en rangos salariales mucho más modestos. La existencia de estos valores extremos refleja la desigualdad estructural en la distribución salarial y resalta la necesidad de un análisis en profundidad sobre las causas de estas diferencias, evitando generalizar a partir de casos aislados. 

Factores que determinan los salarios en los diferentes grupos. Del mito a la realidad.  

En los grupos salariales bajos (<= 20% y 20%-40%), los títulos académicos representan el principal factor que influye en los salarios, con un peso del 74% y 66%, respectivamente. Esto sugiere que el nivel educativo es el aspecto más determinante en estos niveles salariales. La categoría docente tiene un peso menor (16%), mientras que la experiencia administrativa, la experiencia calificada y la producción académica tienen una representación mínima, lo cual indica su poca relevancia en estos niveles (Ver gráfico 5). 

En los grupos salariales medios (40%-60% y 60%-80%), los títulos académicos continúan siendo influyentes, aunque su peso se reduce al 61% y 53%. La producción académica comienza a adquirir mayor relevancia, alcanzando un 10% y 18%, lo cual indica su creciente importancia para mejorar los ingresos. La experiencia calificada y la categoría docente permanecen relativamente estables, mientras otros factores adquieren un papel más destacado. En los grupos salariales altos (80%-99% y >99%), la producción académica se convierte en un factor clave, representando el 39% y el 73% en el grupo superior. Aunque los títulos académicos siguen siendo importantes, su protagonismo disminuye frente a la producción académica. Esto indica que los salarios más altos están directamente relacionados con una alta productividad académica y contribuciones significativas al conocimiento. 

El análisis revela que, en los grupos salariales más bajos, los títulos académicos son la fuente principal de ingresos, mientras que, en los niveles más altos, la producción académica es esencial. Los profesores con mayor capacidad para generar producción académica tienden a consolidarse en los grupos de ingresos altos, mientras que aquellos cuya fuente principal son los títulos académicos y la categoría docente permanecen en los niveles más bajos. 

Gráfico 5. Grupos de ingreso de los profesores de acuerdo con el tipo de puntaje que determina su salario mensual (Categ: Categoria profesoral, exp Admiva: Experiencia Administrativa; exp calif: experiencia calificada; produc: producción académica; titulos: Títulos académicos alcanzados). Datos de octubre del 2024. Cálculos propios. 

Ahora observemos los grupos de ingreso de acuerdo con la edad de los profesores. En el gráfico 6, se observa que los profesores más jóvenes (25-35 años) se concentran en los grupos salariales más bajos (<= 20%), representando el 20% del total en dicho rango. A medida que avanzamos hacia los grupos de mayores ingresos, la proporción de profesores mayores (55-65 y 65-79 años) tiende a aumentar, alcanzando un 43% en el grupo de ingresos más alto (>99%). 

Este patrón indica que la experiencia y la antigüedad son factores fundamentales para acceder a mejores salarios. Los profesores en el rango de 45-55 años son el grupo más representado en los percentiles del 40% al 99%, lo cual sugiere que los docentes en esta etapa suelen consolidar su posición salarial. No obstante, se destaca que el percentil superior (>99%) incluye un porcentaje significativo de docentes mayores, lo cual podría estar vinculado con la acumulación de méritos académicos, responsabilidades administrativas y alta productividad académica. Esta distribución desigual de ingresos entre los grupos de edad también pone en evidencia la existencia de valores atípicos, especialmente en el grupo superior, que muestra cómo un reducido número de profesores mayores alcanza salarios notablemente altos en comparación con sus colegas más jóvenes. Sin embargo, estos valores siguen siendo atípicos y no representan la realidad del 99% de los profesores de la Universidad de Antioquia; más bien, podrían considerarse excepciones. 

Gráfico 6. Grupos de ingreso de los profesores de acuerdo con su edad. Datos de octubre del 2024. Cálculos propios. 

Pasemos a un análisis de los puntos alcanzados por producción académica, dado que son los que generan las grandes diferencias entre los grupos de profesores. El análisis del gráfico 7 sobre el crecimiento porcentual de la producción académica entre 2002 y 2023 ofrece un aspecto fundamental relacionado con la disparidad salarial observada. El gráfico muestra el crecimiento porcentual de la productividad académica de aproximadamente 400 docentes que han estado vinculados a la universidad durante este período, muchos de los cuales pertenece al grupo de los altos salarios debido a su antigüedad y aportes académicos. El gráfico representa el crecimiento porcentual de los puntos asignados por producción académica durante el periodo analizado. A partir de 2010, se puede observar que el crecimiento de la producción académica ha oscilado alrededor de cero, lo cual indica que no ha habido una tendencia de crecimiento constante. También se evidencia un factor estacional del reconocimiento de puntos, como se analizan los mismos profesores, se puede argumentar que los picos y la caídas son normales dados los tiempos asociados a la producción académica y su consecuente reconocimiento por porte de la Universidad. Esto sugiere que la productividad académica, aunque históricamente ha sido un factor clave para acceder a mayores ingresos, no necesariamente ha mantenido un crecimiento sostenido en los últimos años. Esta falta de crecimiento constante desafía la percepción de que la productividad académica está en auge en la Universidad de Antioquia, y pone en cuestión la justificación de las brechas salariales entre los profesores. Se requiere más análisis y menos retórica sin datos para evaluar adecuadamente esta situación. 

Gráfico 7. Crecimiento porcentual anual de los puntos asignados por productividad académica de 400 profesores vinculados desde el 2002. Datos de octubre del 2024. Cálculos propios. 

Ahora bien, el gráfico de puntos acumulados por producción académica entre 2002 y 2023 ofrece otra perspectiva sobre la evolución de la productividad académica. Aunque la curva muestra un crecimiento acumulativo continuo, al trazar una línea de 45 grados se evidencia que la cantidad de puntos salariales asignados ha disminuido con respecto al año anterior. Esto implica que, aunque la curva de productividad acumulada sigue creciendo, la idea de un crecimiento exponencial no se sostiene. En lugar de observar un crecimiento acelerado, el gráfico muestra una desaceleración en el ritmo de aumento de la productividad académica acumulada. Entonces, dados estos datos, se puede argumentar a favor de los incentivos a la productividad con el fin de mantener a la Universidad de Antioquia como una de las mejores Universidades del país y de América Latina. Una política regresiva con los incentivos a la productividad puede contraer más la curva de acumulada y llevar a decrecimiento anual de la producción académica, con todos los costos sociales y de reconocimiento que ello puede implicar.   

A modo de conclusión 

A lo largo de este ensayo, se ha demostrado que la realidad salarial de los profesores de la Universidad de Antioquia es mucho más compleja que la visión simplista de salarios exorbitantes. La heterogeneidad en la distribución de los ingresos depende de múltiples factores, entre ellos la modalidad de contratación, la antigüedad, los títulos académicos y, especialmente, la producción académica. Si bien existe un grupo reducido de profesores que percibe salarios significativamente más altos, estos valores no representan la realidad de la mayoría del cuerpo docente, que se ubica en niveles salariales mucho más modestos (en promedio, 10 millones y medio). El análisis muestra claramente que los salarios más altos están vinculados a una elevada productividad académica, pero también refleja una desaceleración en el crecimiento de dicha productividad, cuestionando la idea de un continuo crecimiento exponencial. 

Es fundamental reconocer la existencia de desigualdades salariales dentro de la estructura docente y evitar la estigmatización basada en casos atípicos. La narrativa de salarios desmesurados, sin un análisis contextual, distorsiona la realidad y genera percepciones injustas que afectan la valoración social del trabajo académico y la consolidación a una vida como profesores de nuestra Alma máter. Para abordar esta situación de manera justa y objetiva, se requiere un análisis más profundo y menos retórica sin datos, que considere la realidad diversa de los profesores y su importante contribución al desarrollo académico y social. A pesar de las desigualdades y desafíos, los profesores han logrado mantener una producción académica significativa, lo cual sigue siendo un pilar que posiciona a la Universidad de Antioquia como una de las mejores instituciones del país y de América Latina. 

Finalmente, es importante anotar que cualquier modificación al régimen salarial y prestacional de los profesores en las universidades públicas, esto es, al Decreto 1279 de 2002, debe respetar el principio de progresividad y no regresividad. Esto implica garantizar que los cambios propuestos no impliquen un retroceso en los derechos laborales ya adquiridos, sino que promuevan una mejora continua que dignifique la labor docente. Solo de esta manera se podrá avanzar hacia una estructura salarial más equitativa que fomente la estabilidad, la excelencia académica y el compromiso con el desarrollo integral de las universidades públicas del país. 

El AMPI Ampliado: ¿Qué ofrece de nuevo?

El AMPI ampliado es una metodología de agregación ajustada que penaliza la variabilidad interna entre dimensiones y se ha destacado por su flexibilidad y robustez. En el caso del índice de calidad de vida de Medellín, su adopción permite estandarizar y comparar los indicadores a nivel de comuna, garantizando que aquellos con mayor coherencia interna reciban mejores calificaciones. Esto es una mejora frente al enfoque anterior, ya que el Análisis por Componentes Principales (ACP), aunque estadísticamente útil, no incorpora un ajuste explícito por la variabilidad interna entre los indicadores.

Además, el AMPI permite obtener un índice compuesto que combina múltiples dimensiones en una única medida de calidad de vida, brindando una visión más integrada y global. Este enfoque ayuda a capturar el bienestar general de las comunas, pero no sin costo. Veremos unos problemas y pérdidas con la adopción del nuevo modelo, desde la perspectiva de la concepción metodológica, la elección de las dimensiones y el método de agregación. 

Problemas y pérdidas metodológicas clave

A pesar de las ventajas que ofrece el cambio, también introduce problemas que limitan su aplicabilidad en el contexto del distrito de Medellín:

1. Pérdida de la capacidad de descomposición por subgrupos: Uno de los aspectos más preocupantes es la incapacidad de descomponer el índice por subgrupos poblacionales, como género, edad, etnia, o migrantes, algo que sí permitía el ACP. En una ciudad con profundas desigualdades socioeconómicas, la visión desagregada es crucial para entender cómo varía el bienestar entre diferentes grupos. La metodología AMPI no facilita esta descomposición, limitando el análisis detallado que muchas veces es solicitado por la sociedad y por quienes diseñan políticas públicas; se hace más compleja la posibilidad de analizar los grupos de edad, el género, o autorreconocimiento étnico. Perder la capacidad de descomponer el índice aleja aún más a la ciudadanía de su apropiación y uso para las prácticas territoriales de toma de decisiones.  

2. Confusión teórica y falta de postura clara: El marco teórico detrás de este cambio metodológico también plantea interrogantes. Se cita el informe de Stiglitz, Sen y Fitoussi (2009) sobre el bienestar y la calidad de vida, pero no se articula claramente una postura teórica coherente. En particular, el uso del término privaciones es problemático, ya que es una categoría del enfoque de las capacidades, pero la nueva metodología no se adscribe explícitamente a este enfoque. Esta confusión teórica diluye la precisión del lenguaje y puede llevar a confusiones en la interpretación de los resultados. Los indicadores sociales deben definir el ámbito de actuación de sus mediciones, aunque se propone seguir las recomendaciones del reporte Stiglitz, Sen y Fitoussi, la adscripción teórica y su justificación está ausente en el documento presentado a la ciudadanía. 

3. Comparación entre comunas y el distrito de Medellín: La metodología AMPI ajusta los valores en función de los valores mínimos y máximos del distrito. Esto implica que las comunas no son evaluadas en términos absolutos, sino en función de cómo se comparan con el promedio del distrito. Por tanto, una comuna puede aparecer con valores por debajo o por encima de 100 dependiendo de esta comparación, lo que oculta las estructuras internas de bienestar dentro de cada comuna. En lugar de ofrecer una radiografía detallada de la comuna en sí, el análisis queda supeditado a la comparación con el distrito en general, perdiendo de vista las desigualdades internas.

4. Imposibilidad de análisis a nivel individual y de hogar: Otro aspecto importante es que el AMPI, al enfocarse en promedios agregados, no permite realizar análisis a nivel individual o de hogar, lo cual es vital para capturar las desigualdades internas dentro de las familias. La metodología Alkire-Foster (AF), por ejemplo, sí permite este tipo de descomposición, lo que la hace más adecuada para medir la pobreza multidimensional y las desigualdades al nivel micro. 

5. Indicadores clave y conceptos ignorados: La nueva metodología tampoco resuelve el problema de cómo integrar indicadores clave como la pobreza multidimensional, la seguridad alimentaria u otros aspectos críticos de la calidad de vida. Estos indicadores son esenciales para complementar cualquier perspectiva de bienestar y, lamentablemente, no se menciona cómo se seguirán calculando en el contexto de la encuesta de calidad de vida. Además, se pierde la oportunidad de discutir conceptos clave como calidad de vida y bienestar, una discusión que podría haber llevado a optar por un nombre más adecuado para el indicador.

6. Empalme de indicadores anteriores. Con la nueva metodología se pierde la serie de la medición que venía de la actualización del 2010. Aunque es necesaria la actualización, la nueva metodología no propone un empalme con los análisis previos. Es decir, se pierde la historia y la posibilidad de analizar las tendencias ante la ausencia de un método que permita evaluar la relación de los dos índices.  

El problema de la elección de dimensiones: ¿dónde está la voz de la gente?

Uno de los aspectos más críticos es la elección de las dimensiones de análisis. En lugar de incorporar procesos participativos que incluyan la voz de los habitantes del distrito de Medellín, principal recomendación para incluir los temas más importantes que tienen los ciudadanos, la selección de las dimensiones para el índice de calidad de vida ha sido realizada por expertos. Según el reporte, tomaron como referencia la sugerencia que expertos, en su mayoría europeos, daban para construir indicadores de calidad de vida en el contexto de la Unión Europea. Caso omiso de los esfuerzos, cada vez más aceptados por la comunidad académica y la ciudadanía, de vincular la voz de las personas en la construcción colectiva de las prioridades del distrito, de las metas de bienestar y calidad de vida. Elegir los aspectos importantes para vida de los ciudadanos del distrito requiere de la participación y deliberación activa de todos los actores de la sociedad. Un llamado frecuente que hace el novel Amartya Sen cuando de elecciones sociales se trata, respaldado por grandes académicos en el área de bienestar y desarrollo, quienes argumentan sobre la necesidad de la participación ciudadana para lograr consensos sociales que promuevan la democracia, como Jhon Rawls, Jürgen Habermas, Anthony Atkinson, Joshua Cohen, Sabina Alkire, James Foster, John Dryzek,  Martha Nussbaum, Robert Dahl, Ester Duflo, por solo mencionar los más influyentes. 

En el reporte que entregó la Alcaldía de Medellín, no se menciona ningún esfuerzo por consultar a la ciudadanía, ni por usar estudios latinoamericanos o nacionales, o los numerosos estudios de participación ciudadana que ya existen en Medellín. Este enfoque tecnocrático no responde al creciente llamado por una mayor deliberación pública y consulta social en la toma de decisiones. 

¿Cómo podría integrarse un enfoque más participativo?

Para mejorar este aspecto, un enfoque participativo en la selección de dimensiones podría basarse en varios pasos:

1. Activar nodos territoriales de construcción colaborativa: Crear nodos territoriales en barrios y comunas donde se promuevan discusiones colaborativas entre actores sociales y ciudadanos. Estos nodos permitirían que las comunidades expresen sus prioridades y preocupaciones sobre las dimensiones del bienestar, asegurando que el índice refleje las realidades locales. Así se podría construir una visión mucho más conectada a las necesidades reales de los habitantes de Medellín.

2. Razonamiento informacional y deliberación pública: Tal como lo sugiere Amartya Sen en sus trabajos sobre justicia y elección social (Sen, 2009; Sen, 2017), se podría organizar un proceso de razonamiento informacional y deliberación pública. Esto implicaría hacer accesibles los datos sobre calidad de vida y fomentar debates públicos sobre qué dimensiones deberían ser prioritarias, cómo deberían ser ponderadas, y qué importancia darles en la construcción del índice. Esta participación enriquecería el debate y permitiría la legitimidad social de los indicadores.

3. Colaboración con la Secretaría de Participación Ciudadana: La Secretaría de Participación Ciudadana de Medellín podría jugar un papel clave en este proceso, organizando y facilitando debates en las comunidades, asegurando la inclusión de colectivos y grupos sociales. Esto conectaría la riqueza de experiencias locales con el diseño técnico del índice, asegurando que la realidad social esté representada.

4. Uso de IA y procesamiento de lenguaje natural (NLP): Para hacer frente al volumen de información derivado de estos procesos participativos, se podría emplear inteligencia artificial (IA) para recolectar y analizar datos provenientes de las discusiones. El uso de procesamiento de lenguaje natural (NLP) podría ayudar a analizar grandes cantidades de texto y audio provenientes de las conversaciones con las comunidades, identificando patrones temáticos que reflejen las preocupaciones más comunes. Este enfoque permitiría a los diseñadores del índice capturar la diversidad de voces y asegurarse de que el análisis sea lo más inclusivo posible.

Reflexión final

El cambio metodológico de la medición de calidad de vida en Medellín ofrece ventajas en términos de robustez y flexibilidad estadística, pero introduce problemas importantes que no deben pasarse por alto. La falta de descomposición por subgrupos, la confusión teórica y la ausencia de participación social en la selección de las dimensiones son críticas que merecen una reflexión profunda. Asimismo, la imposibilidad de realizar análisis detallados a nivel individual o de hogar, junto con la falta de integración de indicadores clave, pone en duda si este cambio realmente responde a las necesidades del distrito.

Nuestro equipo de investigación de la UdeA estará haciendo pruebas y análisis para comprender en profundidad las implicaciones del cambio que proponen al distrito de Medellín, el cual sugerimos revalúe, al menos, en la discusión de las dimensiones de análisis. Lo que sugerimos es que se construya una propuesta desde y para la ciudadanía, que pueda leer las necesidades del los habitantes del distrito y, en consecuencia, sirva para más y mejores políticas públicas. 

El estudio de la pobreza y el bienestar ha sido tratado bajo numerosos marcos teóricos, cada uno de los cuales tiene contribuciones de gran relevancia hacia su comprensión. Dentro de estos enfoques teóricos, la teoría socioespacial y el enfoque de las capacidades se han levantado como dos paradigmas de base que, cuando se aplican en combinación, pueden dar una mejor lectura diferenciada de los dos fenómenos. La teoría socio-espacial, desarrollada, por Henri Lefebvre y David Harvey, reflexiona sobre la organización del espacio y los procesos espaciales en relación con la justicia social y las oportunidades para las personas. La perspectiva de las capacidades, propuesta por Amartya Sen y extendida por Martha Nussbaum, en cambio, se enfoca en las libertades y oportunidades reales con las que las personas cuentan para vivir una vida valorada. La tesis de este documento sostiene que la incorporación de dos corrientes teóricas proporciona un marco robusto con el cual la pobreza y el bienestar, centrados en la persona y sus contextos espaciales, deben estar vinculados.

La teoría socioespacial argumenta que el espacio no es solo un escenario en el que ocurren las interacciones sociales, sino que es creado y reproducido a través de la práctica social y las relaciones de poder. Henri Lefebvre, en su "La producción del espacio" (1974), muestra que la forma en que se estructura el espacio y al mismo tiempo se coloniza y se práctica el espacio en sí es una expresión y extensión de la injusticia de la sociedad. David Harvey, en su libro "Social Justice and the City" (1973) y en "Rebel Cities" (2012), desarrolla esta idea y sostiene que el derecho a la ciudad es un derecho de los ciudadanos a reorganizar el proceso de la producción del espacio urbano y a reinventar la equidad con la que acceden a sus frutos. Para Harvey, la justicia espacial es crucial para analizar cómo la desigualdad económica y social no sólo es producida, sino también perpetuada y reforzada por la organización del espacio en las configuraciones de la ciudad.

El enfoque de las capacidades, una noción presentada por Amartya Sen en "Development as Freedom" (1999) y ampliada por Martha Nussbaum en "Women and Human Development: The Capabilities Approach" (2000), es un marco orientado hacia el individuo a través del cual se pueden analizar el bienestar general y la justicia social, es una perspectiva evaluativa de la vida de las personas y los logros que alcanzan. Ambos creen que el desarrollo debe considerarse en términos de la expansión de libertades y la mejora de las capacidades personales que permiten a las personas vivir una buena vida, y no solo en términos de crecimiento económico. Nussbaum habla de varias capacidades centrales para la calidad de la vida: vida, salud, integridad física, sentido, imaginación y pensamiento. Este enfoque es así más realista en la evaluación de las verdaderas oportunidades de las personas, y se refiere no simplemente a los recursos disponibles, sino a las libertades y oportunidades que los recursos reales disponibles efectivamente permiten para las personas.

Teoría socioespacial: justicia y derecho a la ciudad

La teoría socioespacial desarrollada por teóricos y académicos como Henri Lefebvre y David Harvey enfoca la relación entre el espacio urbano, las estructuras de espacio y justicia social, así como las posibilidades para la gente. Lefebvre, en su texto "The Production of Space" (1974), nos introduce a la premisa de que el espacio no es una categoría pasiva, sino que es constantemente producido y reproducido a través de relaciones de poder y prácticas sociales. Esta concepción en sí misma ayuda a explicar cómo las desigualdades espaciales reflejan y constituyen las desigualdades sociales. David Harvey, en "Social Justice and the City" (1973) y "Rebel Cities" (2012), va aún más lejos al decir que, de hecho, la forma en que el espacio de la ciudad se organiza y estructura puede ser en sí misma un factor que reproduce las desigualdades económicas y sociales. Harvey también fue el pionero del concepto de "derecho a la ciudad", según el cual todos los ciudadanos deben tener la oportunidad de participar en la creación del espacio de la ciudad y disfrutar equitativamente de los recursos y oportunidades que esto conlleva. La justicia espacial, un principio de esta teoría, es la equidad en la distribución de los recursos urbanos y la participación de todos en la toma de decisiones sobre el diseño del ambiente en el que viven. Otra autora clave en este tema es Doreen Massey, quien en el texto "Space, Place and Gender" (1994) discute la noción de que el espacio y el lugar están configurados por las identidades y las oportunidades de las personas, en el sentido de que argumenta desde la lógica de la equidad espacial como un medio para lograr la justicia social.

Enfoque de las capacidades: libertad y oportunidad

El enfoque de capacidades, desarrollado por Amartya Sen y posteriormente por Martha Nussbaum, pone énfasis en las libertades y oportunidades reales que una persona tiene para vivir la vida que valora. En "Development as Freedom" (1999), Sen defiende el enfoque del desarrollo a través de la promoción de la libertad y la ampliación de la capacidad de las personas, en lugar de a través de un atributo económico como el PIB. Martha Nussbaum, en "Women and Human Development: The Capabilities Approach" (2000), va un paso más allá y sugiere una lista de funciones centrales que deben ser vitales para una vida digna. Estas capacidades comprenden la vida, la salud, la integridad física, los sentidos, la imaginación y el pensamiento, entre muchas otras. Nussbaum insiste en que, al evaluar el bienestar y la justicia, uno debe necesariamente preguntarse si las personas poseen oportunidades genuinas para desarrollar y ejercitar estas capacidades. El enfoque de las capacidades es un enfoque centrado en la persona que hace posible la evaluación de los recursos efectivos y las oportunidades y libertades derivadas de los recursos mencionados en la práctica. Es de gran ayuda, en particular, cuando se estudia de qué manera las circunstancias físicas, económicas y sociales influyen en la capacidad de las personas para vivir una buena vida. Mantiene el centro en el ser humano al diferenciar los medios de los fines, el dinero es un medio mientras el estar educado o bien nutrido, es un fin.

Integración teórica: un análisis holístico de la pobreza y el bienestar

La teoría socioespacial, junto con la perspectiva de las capacidades, se combina efectivamente como un buen trato para el análisis teórico de la pobreza y el bienestar. La síntesis de tales enfoques nos permitirá comprender de manera más informada cómo las estructuras del espacio y las actividades en los espacios urbanos moldean las oportunidades y capacidades de las personas, y cómo, a su vez, el bienestar es influenciado por ellos.

Oportunidades y logros: medición de capacidades en contextos espaciales

Al considerar las oportunidades y logros de la población, es crucial no solo mirar los medios disponibles, sino las oportunidades que se hacen reales a través de la acción significativa de las personas. Según la teoría de las capacidades, los medios son todos los materiales y no materiales disponibles para las personas en la persecución de sus fines. La ciudad es un dominio donde los medios son principalmente productos de estructuras espaciales y formas de organización. El estudio de las prácticas espaciales es el método para comprender, dentro del marco de la teoría socioespacial, cómo las personas están utilizando su entorno para el desarrollo y ejercicio de sus capacidades. Las prácticas espaciales son las relaciones sociales cotidianas y el uso de servicios y recursos urbanos. Las prácticas espaciales son, por lo tanto, no solo una representación de las oportunidades disponibles para las personas, sino también de las restricciones y las limitaciones que las personas deben enfrentar.

Limitaciones y exclusión: barreras físicas y sociales

Los obstáculos estructurales, en términos de barreras físicas, sociales y económicas, limitan el acceso a oportunidades y la realización de capacidades. La teoría socio-espacial, por lo tanto, nos da los métodos para examinar y criticar tales restricciones, mientras que el enfoque de capacidades nos permite considerar sus implicaciones para el bienestar humano. La segregación espacial y la gentrificación, sobre las cuales Harvey y Lefebvre han tenido mucho que decir, por ejemplo, pueden afectar el acceso a servicios básicos y oportunidades de empleo para grupos desfavorecidos. Estas dinámicas espaciales reproducen no solo las desigualdades existentes, sino también los nuevos contornos de la exclusión. Entender más precisamente cómo el muro está cerrando las oportunidades para las personas nos permite visualizar exitosamente cómo se están reproduciendo desigualdades a diario y cómo desactivar esto a través de la intervención y las políticas públicas.

Aspiraciones y derecho a la ciudad: participación e inclusión

El derecho a la ciudad, tal como lo conceptualizan Harvey y Lefebvre, está implicado en un proceso de participación inclusiva en la toma de decisiones con respecto a la producción y organización del espacio urbano por parte de todos los ciudadanos. Es clave para que las políticas urbanas reflejen las aspiraciones y demandas de todas las personas, y específicamente de las personas que viven en la pobreza. La incorporación del enfoque de las capacidades con el derecho a la ciudad en el marco teórico, por lo tanto, implica no solo el acceso de la población a los recursos urbanos, sino también la participación activa de la población en la agencia de su entorno. La participación es central en la formación y el ejercicio de capacidades y en la creación de justicia social.

Conclusión

La conjunción de la teoría socio-espacial con el enfoque de capacidades ofrece un marco analítico serio y sofisticado para la investigación sobre la pobreza y el bienestar. Mediante la integración de estos dos enfoques, solo podemos estudiar críticamente cómo tanto las estructuras espaciales como los procesos. Es una integración teórica que se puede explorar con casos de estudio e investigaciones teóricas que proponga relaciones necesarias para comprender la ciudad y las espacialidades de la pobreza y el bienestar.

Conceptos sociales como el bienestar, la calidad de vida e incluso la pobreza son sumamente complejos. Nos enfrentamos a definiciones aceptadas desde el ámbito político y otras derivadas de reflexiones teóricas. Por ejemplo, consideramos a alguien pobre si sus ingresos mensuales caen por debajo de una línea de pobreza definida estadísticamente. También se puede considerar pobre a quien carece de vivienda. Otras interpretaciones sociales se enfocan en la capacidad psicológica o espiritual de la persona. El bienestar, por su parte, se vincula con la felicidad, la capacidad de satisfacción personal o la realización de metas y objetivos de vida. Desde perspectivas relacionadas con la felicidad, que incluyen sensaciones de placer y la minimización del dolor, hasta enfoques que combinan aspectos físicos y psicológicos, la satisfacción y el bienestar carecen de una definición única. Quizás coincidamos en que más bienestar es preferible a menos y que una “buena” vida es lo que todos deberíamos buscar para definir el bienestar.

Dado lo esquivo del concepto de bienestar, ¿cómo podemos medirlo? Aquí propongo una ruta práctica para abordar esta pregunta. Las ideas que expongo toman referencia de trabajos académicos, aunque intento presentar un resumen práctico para ilustrar la medición. Mi enfoque es más instrumental y menos teórico. Aunque utilice el bienestar como ejemplo, estas ideas pueden aplicarse a la medición de diversos indicadores sociales.

Voy a referirme a cuatro aspectos. En primer lugar, la necesidad de definir claramente los límites del concepto; es decir, decidir cómo interpretaremos lo que vamos a medir. En segundo lugar, evaluar y seleccionar los ámbitos, dimensiones y variables que se aproximen al concepto. Tercero, acordar un método estadístico para combinar las variables en un indicador sintético: un número que distinga entre aquellos con mayor o menor bienestar según los dos puntos anteriores. Cuarto, una serie de preguntas para guiar la revisión o comprender mejor la medida que se analiza.

Sobre el concepto.

La preocupación por medir no puede obviar las discusiones conceptuales. Medir el bienestar, la pobreza o la calidad de vida sin una base conceptual, sin definir claramente las perspectivas que delimitan estos conceptos y sin aclarar el marco de evaluación al que se refieren, resulta en un indicador estático. Amartya Sen advierte sobre la importancia del marco de evaluación en la discusión sobre desigualdad en su famoso ensayo “¿Igualdad de qué?” Entre sus argumentos, Sen expresa que cada académico tiene sus razones para defender el marco de evaluación que proponen, fundamentado en una postura ética. La discusión no radica en por qué medir la desigualdad, sino en qué tipo de desigualdad se está evaluando. Del mismo modo, el bienestar sigue estos mismos lineamientos. ¿Qué tipo de bienestar estamos midiendo?

Para elegir el enfoque y la definición, se sugiere explorar las distintas teorías y enfoques evaluativos sobre la vida de las personas. Esta es la oportunidad para que los encargados de diseñar la medición establezcan claramente sus posturas conceptuales. Una de las disputas en la medición se centra en la adopción de una perspectiva subjetiva u objetiva; también se debate sobre los elementos a medir, algunos prefieren evaluar recursos o medios, mientras que cada vez se gana más aceptación en preferir valores intrínsecos al ser humano. La medición tradicional del bienestar se enfoca en aspectos subjetivos, evaluando la satisfacción con la vida y la felicidad. Por ejemplo, el libro “Wellbeing Science and Policy” de Layard y Emmanuel de Nieve presenta un enfoque de medición del bienestar subjetivo. Por otro lado, las posturas objetivas se han centrado en evaluar recursos como los ingresos per cápita o el Producto Interno Bruto como medida del bienestar general de un país.

El debate sobre la definición de valores intrínsecos e instrumentales es otro punto clave. Medir asuntos como los ingresos, siendo un enfoque clásico, se centra en lo instrumental, según Sen y su enfoque de las capacidades, descuidando lo intrínsecamente valioso para la persona y pasando por alto al ser humano como centro del análisis de la vida.

Un referente teórico para comprender el bienestar desde el enfoque de las capacidades y el desarrollo humano lo proporciona Ingrid Robeyns en su libro “Wellbeing, Freedom and Social Justice. The Capability Approach Re-Examined”, de acceso libre.

Los enfoques conceptuales se reflejan en diversas mediciones. Por ejemplo, el Índice de Desarrollo Humano (IDH) se fundamenta en el enfoque de las capacidades, al igual que el Índice de Pobreza Multidimensional (IPM) propuesto y gestionado por OPHI. Mientras que el Índice de Felicidad Mundial se basa en la teoría del bienestar subjetivo. En Colombia, instrumentos de evaluación como el Sisbén IV, tienen una propuesta teórica que en la práctica se diluye; el IPM de Colombia se enmarca en el enfoque de las capacidades. En Medellín, por mencionar un caso local, el Índice de Calidad de Vida carece de un marco conceptual visible que respalde las decisiones metodológicas, entre otros problemas que ya he señalado en el texto sobre la medición de la calidad de vida. En general, una práctica esencial en los índices sociales es contar con un soporte teórico-metodológico que dé coherencia a la medición, algo que no siempre se lleva a cabo.

De la elección de los dominios de análisis.

Una vez que se ha definido el enfoque y el espacio evaluativo de la medición del bienestar, la siguiente pregunta es qué dominios, dimensiones o elementos constitutivos se utilizarán para aproximarse a esa definición.

La discusión sobre este tema sigue girando en torno a la idea de que la elección es normativa, es decir, que no hay un método infalible ni listas únicas que se puedan adaptar a todos los contextos. Por lo tanto, el problema de la definición es determinar cómo o bajo qué proceso se eligen los elementos constitutivos de la medición. En este sentido, una premisa que acompaña a la medición es que los juicios de valor son parte constitutiva de la definición de una estructura de medición de la vida de las personas.

Para ello, se pueden adoptar tres perspectivas. Por un lado, se pueden utilizar listas definidas por académicos o organizaciones. En esta perspectiva, los expertos son los que consideran qué es importante. Por otro lado, se puede abrir el debate público o la deliberación razonada participativa para definir los objetos de valor o dominios de análisis más relevantes. Amartya Sen defiende la deliberación pública y el razonamiento informado. Por ello, les recomiendo su obra "La idea de la justicia". También se pueden utilizar métodos híbridos que combinen las listas o posturas de expertos con la deliberación pública razonada. En la definición de expertos, se pueden agregar los enfoques constitucionales o de derechos, que basan las mediciones en los arreglos institucionales, como la constitución o los derechos humanos, para definir lo importante. Las investigaciones prácticas adoptan una u otra forma de estas perspectivas. Desde el enfoque de las capacidades, el proceso para definir los objetos de valor o los dominios de análisis es una de las principales diferencias entre Amartya Sen y Martha Nussbaum.

En una ocasión, me solicitaron realizar una medición del bienestar con restricciones: debía ser coherente con las tendencias internacionales y contextualizada localmente. El requerimiento no era menor, como ya se ha mencionado. Para cumplir con la solicitud, adoptamos el enfoque de las capacidades por su relación con el desarrollo humano y los objetivos de desarrollo sostenible 2030, además por la intención de centrar la evaluación sobre las personas en el espacio evaluativo de las capacidades. Entre las decisiones tomadas para la evaluación estuvo mantener un enfoque híbrido, tanto objetivo como subjetivo.

Para definir los dominios, realizamos una revisión del estado del arte de las mediciones de bienestar, calidad de vida, felicidad y pobreza. Analizamos más de 76 estudios y listamos las diferentes dimensiones y variables utilizadas. Luego, cruzamos esta información con las tendencias de medición y las principales problemáticas a nivel nacional y local. A continuación, aplicamos un primer filtro utilizando paneles de expertos y un segundo filtro atendiendo al objetivo de la medición. Finalmente, logramos definir los dominios de medición, sus variables y las consecuentes preguntas.

La elección de los dominios requiere de un método que evite la elección arbitraria. La elección de cada dominio o dimensión debe estar regida por un razonamiento que ayude a mantener la transparencia de la elección. Garantizar una elección transparente ayuda a que el mensaje de la medición sea efectivo y pertinente, además de ser coherente con lo que se quiere medir. Es importante considerar que cualquier lista elegida seguirá siendo una aproximación a la medición del concepto, en general, el constructo teórico no será medido en su totalidad por los diferentes arreglos de variables que se elijan. Se espera que los dominios o dimensiones hagan justicia al concepto, pero no se pretende que lo agoten.

Sobre la elección del métodos de agregación.

Un método de agregación es un arreglo estadístico que permite representar a las personas que se miden en diferentes grupos. Interesa saber cuántas y cuales personas, hogares o familias, depende de la unidad de análisis, cumplen con los criterios para listarse en el concepto que se miden. Una medida de agregación permite, por ejemplo, identificar el porcentaje de personas que son pobres o el porcentaje que tiene felicidad o aquellos que logran más calidad de vida. Entonces, el método de agregación también debe responder por la agregación de las variables y dimensiones definidas como objetos de valor, con el fin de dar cuenta del concepto. Una revisión sobre los métodos de agregación o medición de pobreza multidimensional se puede consultar en el libro de Sabina Alkire y otros: "Multidimensional Poverty Measurement and Analysis.". Una discusión sobre los diferentes aspectos de medición de pobreza, que tiende a ser el referente para los métodos de agregación, se puede leer en el libro de Tony Atkinson: “Measuring Poverty around the World”.

Es deseable que los métodos de agregación sirvan para identificar la incidencia, es decir, una tasa de recuento de personas u hogares. También, se desea de un método de agregación para indicadores sociales que incluya una medida de desigualdad o de distribución. En la segunda, es necesario tener en cuenta la distancia entre quienes tienen más y menos bienestar, o la distancia entre los que se identifican como pobres.

Para elegir el método de agregación se recomienda evaluar la capacidad del método para expresar la incidencia y la desigualdad, principalmente, cuando de indicadores sociales se trata.

Otro aspecto que viene adquiriendo relevancia en los métodos de agregación es la transparencia. Se prefieren métodos con mayor capacidad para explicar lo que se mide, es decir, que se logre identificar los caminos que recorre el algoritmo para llegar al valor final, sin que se pierda la posibilidad de interpretar el resultado obtenido. Un método con complejas formas estadísticas para agregar variables, resulta ser una caja negra, donde la justificación de la agregación de las variables es difusa; un ejemplo actual de relevancia son las redes neuronales. Esa dificultad de interpretabilidad es común en métodos basados en transformaciones de espacios de representación de las variables, un ejemplo sencillo de ese proceso es el método de análisis por componentes principales, común en ciencias sociales.

La elección del método de agregación implica una reflexionar sobre los funcionalidades deseadas, en general, a mayor capacidad estadística del método para la estimación, tienden a bajar la capacidad para explicar o interpretar. Para la política pública y en varios casos aplicados en salud, se viene prefiriendo la capacidad explicativa e interpretativa sobre la de predicción.

Para evaluar un índice social.

La guía es un referente para interpretar las diferentes medidas que buscan evaluar la vida de las personas. Son elementos básicos para tener un marco reflexivo de las propuestas de índices que se presentan como las herramientas de evaluación social. El lector que busque más información sobre las mediciones sociales se puede preguntar lo siguiente:

¿Qué marco conceptual tiene la medición?

¿Cuál es el espacio evaluativo de la medición?

¿Cómo se eligen los dominios o dimensiones de la medición?

¿Los dominios y el espacio evaluativo hacen justicia al marco conceptual elegido?

¿Qué método de agregación usa la medida?

¿Es transparente el método de agregación?

¿Tiene la medición una forma intuitiva de interpretarse?