La Selectividad 2026 Inicia Guerra Contra la Trampa: 10 Medidas Innovadoras Contra la IA
PorNovumWorld Editorial Team

Resumen Ejecutivo
- La Selectividad 2026 implementará 10 medidas innovadoras para combatir el uso indebido de la IA en los exámenes, buscando mantener la integridad académica.
- Un 78% de los estudiantes universitarios en España utiliza herramientas de IA en sus estudios, según un informe de 2026.
- Los estudiantes que hagan trampa enfrentan severas penalizaciones, incluyendo la anulación del examen, lo que podría afectar su acceso a la universidad.
La Selectividad 2026 no es una actualización pedagógica, es un parche de emergencia desplegado sobre una arquitectura de evaluación que colapsó ante la democratización del cómputo de inferencia en el bolsillo del estudiante.
- La adquisición de dispositivos de detección de frecuencia por parte de cuatro comunidades autónomas representa un gasto de infraestructura crítico para mitigar el acceso no autorizado a redes 5G durante los exámenes.
- El 78% de los estudiantes universitarios españoles ya integra LLMs (Large Language Models) como GPT-4o o Claude 3.5 en sus flujos de trabajo, lo que sugiere una obsolescencia inmediata de los modelos tradicionales de examen de memoria.
- Las nuevas normativas, impulsadas por el Ministerio de Universidades, establecen la anulación inmediata de la prueba y la posible expulsión académica como respuesta disuasoria ante la detección de fraudes tecnológicos.
La arquitectura del fraude: silicio contra papel
La Selectividad 2026 se enfrenta al desafío de la trampa tecnológica, especialmente con el uso extendido de dispositivos conectados a IA que actúan como nodos de inferencia边缘 (edge computing). El problema no es la falta de ética, es la asimetría de acceso al procesamiento de información. Un estudiante con un auricular Bluetooth y un smartphone tiene acceso a una ventana de contexto de 128k tokens y la capacidad de razonamiento de un modelo de 175 mil millones de parámetros, frente a la memoria limitada de un cerebro humano bajo estrés.
Jesús Ángel Miguel, Delegado para la PAU en la Universidad de Zaragoza, identifica este desajuste de infraestructura. Según Miguel, “Es un problema que estamos viendo también en las carreras, y tenemos que poner controles, porque es muy asequible”. El coste de entrada para el fraude ha caído drásticamente; un pinganillo de última generación cuesta una fracción del precio de una academia privada, pero ofrece un retorno de inversión (ROI) inmediato en forma de nota de corte. La barrera de entrada para el uso de IA generativa es casi nula, con APIs que permiten la generación de texto por centavos de dólar, haciendo que el “burn rate” de la integridad académica sea insostenible.
La respuesta de las administraciones educativas ha sido tardía y reactiva. En lugar de rediseñar el sistema de evaluación para que sea resistente a la IA, se ha optado por blindar el perímetro físico. Se trata de una estrategia de seguridad por obsesión, intentando convertir el aula en una sala limpia (cleanroom) donde la única fuente de datos es el cerebro del alumno. Sin embargo, la miniaturización de la electrónica y el ancho de banda de las redes 5G han convertido al cuerpo humano en un dispositivo periférico difícil de aislar.
Economía de la ansiedad y el coste de la evaluación
La ansiedad entre los estudiantes está en aumento, con un 85% sintiendo presión familiar y un 70% temiendo perder su lugar en la universidad debido a nuevas normas de evaluación. Este estrés no es un subproducto colateral, es una característica del sistema diseñada para maximizar el rendimiento bajo presión, un paradigma que la IA ha roto irrevocablemente. Los modelos de lenguaje no sienten ansiedad; no tienen latencia cognitiva generada por el miedo al fracaso, lo que les otorga una ventaja injusta en la generación de respuestas bajo restricciones de tiempo.
José Joaquín Céspedes, Presidente de Crue-Asuntos Estudiantiles, intenta mitigar este pánico institucional. Céspedes menciona que los cambios serán graduales, pero la preocupación por el rendimiento bajo nuevas evaluaciones es palpable. La transición hacia exámenes más competenciales, que requieren análisis crítico en lugar de recuerdo factual, es costosa en términos de desarrollo curricular y formación de profesorado. Mientras el sistema se adapta, los estudiantes actúan como agentes racionales en un mercado de alto riesgo: si la probabilidad de ser detectado es baja y la recompensa (una plaza en Medicina o Ingeniería) es alta, la adopción de herramientas de fraude es una decisión económica lógica.
El mercado de preparación de la Selectividad, valorado en millones de euros, se está fragmentando entre academias tradicionales y plataformas de IA como gopau! que prometen reducir la ansiedad mediante simulacros adaptativos. Esta dicotomía crea una brecha digital de nuevo cuño: aquellos que pueden permitirse herramientas de IA premium para entrenar (y potencialmente hacer trampa) frente a aquellos que dependen exclusivamente de su capacidad biológica. La “unit economics” de la educación superior está siendo reescrita por el coste marginal cercano a cero de la generación de conocimiento sintético.
El marco regulatorio y la ilusión de control
Aunque la IA puede ser una herramienta de apoyo, su uso indiscriminado plantea riesgos éticos que no se pueden ignorar. La respuesta burocrática ha sido la creación de códigos éticos y reales decretos, intentando regular una tecnología que avanza a una velocidad exponencial mientras la legislación lo hace a una velocidad lineal. Francisco García Pascual, Secretario General de Universidades de España, destaca que se está negociando un nuevo Real Decreto para regular el uso de IA en universidades. Esta normativa es un intento de establecer una “gobernanza de algoritmos” en el aula, pero carece de mecanismos de ejecución técnica efectivos en el momento de la prueba.
García Pascual destaca que se está negociando un nuevo Real Decreto para regular el uso de IA en universidades. El problema fundamental es que la distinción entre “uso asistido” y “fraude automatizado” es difusa en el borde. ¿Es trampa usar un corrector gramatical basado en transformers? ¿Y un asistente de estructura de argumentos? La línea de código que separa la herramienta de prótesis intelectual es arbitraria y difícil de auditar. El Real Decreto busca imponer una soberanía sobre los pesos del modelo (model weights) que es, en la práctica, inexistente, ya que el cómputo ocurre en servidores remotos fuera de la jurisdicción española.
La Agencia Española de Protección de Datos (AEPD) ha entrado en el juego, enfatizando la necesidad de proteger los datos personales al utilizar herramientas de IA en contextos académicos. La AEPD enfatiza la necesidad de proteger los datos personales al utilizar herramientas de IA en contextos académicos. Esto introduce una capa de complejidad legal: si una universidad utiliza software de proctoring (vigilancia) automatizado para detectar anomalías en el patrón de escritura, está procesando datos biométricos sensibles. La implementación de medidas de seguridad contra la IA choca con el Reglamento General de Protección de Datos (RGPD), creando una paradoja donde para proteger la integridad del examen, se podría estar violando la privacidad del estudiante.
Las 10 medidas de contramedida técnica: Análisis de infraestructura
Cuatro comunidades autónomas han comenzado a utilizar detectores de frecuencia para combatir el uso de dispositivos de trampa, y otras están considerando unirse a esta iniciativa. Esta es solo la primera línea de defensa en un escudo tecnológico de 10 capas que se está desplegando para la Selectividad 2026. Analicemos estas medidas no como soluciones mágicas, sino como parches de seguridad en una red comprometida.
Detección de Espectro RF: Galicia, Murcia, Cataluña y Aragón han desplegado escáneres de frecuencia para identificar señales de Bluetooth o Wi-Fi en el aula. Según informaciones de EL PAÍS, estas comunidades blindarán sus exámenes con la amenaza directa de un “0” automático. La efectividad de estos sistemas depende de la sensibilidad del hardware y de la capacidad de los dispositivos fraudulentos para operar en modos de baja potencia (Low Energy BLE) que son difíciles de distinguir del ruido de fondo.
Jaulas de Faraday Locales: Más allá de la detección, se está considerando el bloqueo activo de señales. Aunque el uso de jammers es ilegal en muchos contextos, la creación de entornos con aislamiento acústico y electromagnético es una tendencia en arquitectura escolar. Esto busca cortar el enlace de datos (uplink) entre el dispositivo del estudiante y la nube de la IA.
Análisis Forense de Escritura: Las universidades están adoptando herramientas que analizan la “perplejidad” del texto y los patrones de pulsación de teclas (keystroke dynamics). Si un texto presenta una varianza de entropía demasiado baja (típica de modelos como GPT-4) o la velocidad de escritura es fisiológicamente imposible, se activa una alerta. Sin embargo, los modelos de IA están aprendiendo a simular errores humanos para evadir estos filtros.
Oralidad y Defensa Presencial: Se está incrementando el peso de las pruebas orales. La latencia de la respuesta humana en una entrevista en vivo es difícil de falsificar con un auricular, ya que requiere procesamiento en tiempo real. Un estudiante que recibe dictado de una IA suele mostrar micro-pausas y desconexiones en el contacto visual que un proctor entrenado puede detectar.
Randomización de Ítems: Para evitar que los estudiantes puedan “pre-promptear” a la IA con exámenes de años anteriores, se está implementando una generación de preguntas dinámica. Utilizando bancos de ítems masivos y algoritmos de selección aleatoria, se intenta asegurar que el modelo de IA no haya visto el “prompt” específico durante su entrenamiento (data contamination).
Reducción de Ventanas de Contexto: Los exámenes se están rediseñando para requerir respuestas cortas y específicas, en lugar de ensayos largos. Es más fácil para un LLM generar un ensayo coherente de 500 palabras que resolver un problema matemático complejo que requiere razonamiento paso a paso no lineal (Chain-of-Thought) que no puede ser externalizado.
Vigilancia Biométrica: El