Una de las grandes ventajas de Nada es Gratis (y de otros ya un poco anticuados espacios en formato blog, cuando todo parece moverse hacia la fugacidad e inmediatez de los podcasts y redes) es precisamente ésta: aquí todavía podemos leer contribuciones interesantes y finas, con las que a veces estamos de acuerdo y con las que otras veces —por suerte— podemos discrepar y contribuir al elevar el debate público. En Nada es Gratis hemos podido leer recientemente que devolver competencias universitarias al Estado ayudaría a frenar disparates (por ejemplo, la proliferación de privadas sin músculo investigador) y a reconstruir capacidad científica (aquí y aquí). Yo compro gran parte del diagnóstico. Lo que no compro es la conclusión “todo al centro” sin costes, porque nada es gratis.
Como mínimo hay un trade-off. La teoría del federalismo fiscal — y el famoso “decentralization theorem” de Oates, por ejemplo aquí — lo dice sin ironía: centralizar coordina e internaliza externalidades, pero descentralizar permite adaptar políticas a contextos distintos y, sobre todo, experimentar. Y si hay un ámbito donde vamos a necesitar ensayo y error, es precisamente la universidad en la era IA.
Recientemente he leído dos libros que me han ayudado a reflexionar sobre este tema: Nexus, de Yuval Noah Harari (comentado aquí), y Shared Prosperity in a Fractured World, de Dani Rodrik (presentación aquí y si prefieren la verborrea del podcast aquí). Harari insiste en que la democracia no gana por “acertar”, sino por poder corregirse gracias a múltiples centros de decisión; y advierte de que la IA puede aliviar el viejo cuello de botella de los regímenes autocráticos —coordinar y vigilar a gran escala— haciendo la centralización más eficaz… y por eso más peligrosa. Rodrik, que siempre habla claro desde la economía, llega a una receta parecida: cuando sabemos poco (y sobre IA sabemos poco), la sensatez es diversidad regulatoria y experimentación persistente; probar, aprender, escalar lo que funciona y retirar lo que no.
Aquí es donde aterrizan ambos en política universitaria. La IA no es “una herramienta más”: afecta docencia, evaluación, autoría, fraude, propiedad intelectual, transferencia, contratación y promoción. Si alguien tiene un manual definitivo, que lo publique y nos ahorramos el debate. Mientras tanto, un sistema con diversidad institucional tiene una ventaja simple: genera información. Una comunidad prueba un modelo de evaluación con IA y resulta un desastre; otra prueba incentivos a transferencia y funciona; una tercera se equivoca con el esquema de optativas. Lo importante no es que nadie se equivoque (imposible), sino no equivocarnos todos a la vez.
Esto enlaza con el debate sobre centralización por una vía menos obvia, pero crucial: el cuello de botella no es solo “quién tiene la competencia”, sino cómo se toman decisiones y quién soporta el coste del error. Uno de los riesgos de recentralizar es precisamente la equivocación centralizada: si el diseño institucional o el marco regulatorio se tuerce, se tuerce para todos a la vez. Y la IA hace ese riesgo más peligroso, porque acelera la ejecución y amplifica las consecuencias. Si antes un error de gobernanza tardaba años en notarse, ahora puede escalar en meses (o semanas).
Aquí entra el ejemplo madrileño. La política universitaria de la Comunidad de Madrid es, como mínimo, discutible; su ley ha sido criticada por facilitar más oferta privada y exigir poco en investigación (por ejemplo, aquí y NeG aquí, aquí o aquí). Pero la descentralización tiene un efecto “cortafuegos”: si Madrid decide jugar a innovación institucional destructiva, el experimento se queda — más o menos— encapsulado tras la M-40. La alternativa recentralizadora podría tener un resultado irónico: el día que toque alternancia política, ¿queremos que el modelo se decida en un despacho único y que la futura ministra de Universidades imponga su peculiar política universitaria al resto?
En nuestro particular derbi universitario, Catalunya suele citarse como caso donde instrumentos específicos han ayudado a elevar exigencia y atraer talento, como el programa ICREA. No hace falta idealizarlo o politizarlo: basta con reconocer que hay políticas autonómicas que crean capacidades, atraen talento y proyectos de investigación y otras que las erosionan. En un mundo donde la IA cambia el valor del trabajo, no parece sensato destruir la posibilidad de aprender comparando. Pero el sistema catalán de excelencia universitaria (solo hay que mirar los datos de las ERC por CCAA) no es fácilmente exportable al resto.
El sistema universitario español conserva de facto el sistema dual de las antiguas escuelas universitarias. Parte del problema es estructural y cultural. Por una parte, cerca del 50% del profesorado universitario fijo investiga poco o nada. Y por otra parte, hay departamentos que han vivido siempre encerrados en el mismo entorno, sin exposición real a estándares internacionales y, por tanto, no llegan a percibir sus propias deficiencias como tales. Como en una Habanera imposible, la mitad de la universidad española vive en sí misma tan prisionera que solo tiene salida por las estrellas.
Nuestro sistema universitario dual podría asemejarse a un sistema de educación superior moderno, parecido al de los colleges o al de los teaching professors americanos, si no fuera por el grado de homogeneización de salarios y de dedicación docente (ver aquí y aquí). Y cuando llega la IA —que multiplica diferencias de productividad y de ambición académica (ver aquí)— esa brecha deja de ser una ineficiencia patria más y pasa a ser existencial. Sobre todo con un sistema centralizado y homogeneizador incapaz de acomodar la diversidad existente. Por ejemplo, limitando la transición hacia la excelencia investigadora.
Si alguna universidad o departamento quisiera impulsarse hacia la excelencia, seguramente no encontrará al candidato ideal para pilotar el cambio dentro de su propio claustro. En cambio, la LOSU obliga a todas las universidades públicas (a las privadas no) a elegir al rector o rectora mediante sufragio universal (de quienes luego tendrá que gestionar). Es difícil diseñar un conflicto de intereses más elegante. Si tu “electorado” son los mismos grupos a los que después debes exigir cambios, el equilibrio político natural es prometer, repartir y evitar decisiones impopulares aunque sean necesarias. Por ejemplo, en mi universidad ya sabemos el precio del voto en este curso electoral: una reducción de un crédito a todo el profesorado, tanto si investiga como si no. No hace falta demonizar a nadie: es un problema de incentivos. Y con IA, los incentivos importan el doble, porque las decisiones son rápidas y los errores escalan.
Quizá la pregunta adecuada no es “centralizar o descentralizar”, sino “centralizar qué, para qué y a quién le dejamos margen”. Si una comunidad trata la universidad como un apéndice clientelar, o como una academia de títulos con cafetería, es razonable que el Estado fije un suelo duro: estándares exigentes, evaluación mínima creíble, transparencia de datos, reglas serias para crear universidades y un marco común de integridad y uso de IA. Y si ese suelo se incumple de forma sistemática, intervenir. Recentralizar, sí, pero el mínimo común denominador: lo imprescindible para que el sistema no se convierta en un mercado de credenciales. A partir de ahí, justo lo contrario: dejar margen —y recursos— a quienes sí quieren construir una universidad moderna para que sigan su propio camino y, si aciertan, puedan arrastrar al resto por imitación (o por incentivos bien planteados). En otras palabras: coordinación donde hay riesgo sistémico; diversidad donde hay incertidumbre y aprendizaje.
Hay además un beneficio colateral de la experimentación que solemos ignorar: también genera señalización. En un sistema universitario donde la señalización falla (rankings ruidosos, acreditaciones que certifican poco, marketing que pesa más que resultados, y “calidad” definida por casillas administrativas), que distintas universidades y departamentos prueben modelos distintos — y se equivoquen o acierten en público — produce información útil para terceros. No solo para el regulador: también para los propios departamentos e incluso para los estudiantes. Si un centro adopta un enfoque de docencia con IA que nos libera del yugo sisfiano de la corrección de exámenes y TFGs o si un departamento logra atraer talento y producir investigación relevante, eso acaba siendo observable (con retraso, pero observable). Y si otro centro se dedica a inflar títulos o a maquillar indicadores, también termina viéndose. La descentralización, bien diseñada, no solo permite aprender “desde arriba”; permite que la competencia y el contraste de resultados ayuden a los alumnos a distinguir mejor dónde merece la pena estudiar, justo cuando elegir bien es más difícil.
Mi propuesta, por tanto, es híbrida y poco original (ver aquí, aquí o aquí): (1) centralizar estándares y datos comparables; como por ejemplo un marco nacional de integridad y uso de IA (docencia, evaluación, autoría, propiedad intelectual); (2) descentralizar el resto para permitir experimentación, con métricas públicas por departamentos y universidades; y (3) diseñar mecanismos de “copiar lo que funciona” y “matar lo que no” con incentivos creíbles (como ligar los complementos salariales a los resultados del departamento).
Porque el debate relevante no es el drama identitario de Madrid vs Catalunya vs el Resto. Es si queremos arriesgarnos a tener un sistema universitario que aprenda… o uno que tenga el riesgo de equivocarse con coordinación perfecta.
Agradezco los comentarios de Antonio Cabrales, Jorge García Hombrados y Víctor Gómez Blanco a una versión anterior de este post.
