La dirección de proyectos en la era de los sistemas inteligentes: Implicaciones para los líderes de la educación superior*

Gestiòn de proyectos universitarios

Los líderes universitarios suelen gestionar una compleja cartera de projectos que en la mayoría de organizaciones sería irreconocible. Implantaciones de sistemas institucionales, carteras de financiación para la investigación, rediseños curriculares, proyectos de infraestructura, ciclos de acreditación y reformas administrativas continuas; son todas iniciativas que se ejecutan de simultáneamente, con presupuestos limitados, en entornos de datos fragmentados y frente a una multitud de actores que actuan de manera descentralizada y suelen ser resistentes a cualquier intento de coordinación.

Lo que ha cambiado no es la complejidad sino el que la inteligencia artificial haya dejado de operar en los márgenes del trabajo por proyectos para instalarse en su núcleo. En 2026, la IA no es una tecnología en fase de prueba dentro de los entornos de gestión de proyectos; es una fuerza estructurante. Por lo tanto, la pregunta que hoy deben formularse los directivos institucionales ya no es si conviene adoptarla, sino cómo hacerlo con la disciplina, la claridad de propósito y la integridad institucional que la situación exige.

Este análisis se apoya en hallazgos de McKinsey, PMI, EDUCAUSE y Gartner para examinar tres dimensiones de este cambio —técnica, institucional y humana— a partir de las cuales ofrecer orientaciones operativas para vicerrectores, directores de tecnología, directores financieros y responsables de oficinas de gestión de proyectos. Nuestro propósito no es abogar por la adopción, sino tratar de aportar claridad sobre su ejecución.

El estado de la práctica en 2026

La adopción de la IA ha cruzado un umbral que hace ya obsoleto el lenguaje de 'pilotaje' y 'exploración'. En la mayoría de sectores, un tramo amplio de organizaciones despliega ya la IA en al menos una función, y una parte significativa la ha integrado en múltiples procesos. En los entornos de gestión de proyectos específicamente, la IA ha dejado de ser una mejora opcional y se ha convertido en un componente estructural de la planificación, el seguimiento y la gestión de resultados.

En la educación superior se refleja esta trayectoria, pero con una asimetría característica. El profesorado y el personal de apoyo utilizan ya herramientas de IA de manera intensiva, con frecuencia informalmente y sin guía institucional, mientras que los marcos de gobernanza, infraestructura normativa y prácticas de medición acusan un retraso considerable. En muchas instituciones, se da lo que cabría llamar un entorno de 'IA en la sombra'; es decir, uso generalizado pero sin estándares compartidos ni rendición de cuentas, y sin un entendimiento claro y coherente del valor que se está generando.

El estado actual del sector viene definido por tres patrones. El primero: el uso de la IA es omnipresente, pero la institucionalización sigue siendo parcial. La mayoría de los profesionales de la educación superior recurre ya con regularidad a la IA para redactar, sintetizar y analizar. Sin embargo, la adopción formal es desigual y hay un escaso conocimiento del marco normativo aún en los casos en que esos marcos existen.

El segundo: las plataformas de gestión de proyectos han interiorizado las capacidades de IA. En consecuencia, vemos capacidades como la predicción de riesgos, la optimización de cronogramas y la generación automatizada de informes, ya no como módulos adicionales opcionales, sino como funcionalidades nativas. Esto representa un cambio sustantivo, de sistemas que apoyan al director de proyectos a sistemas que afectan directamente la ejecución.

El tercero: la diferenciación de resultados es ya medible. Las organizaciones que han ido más allá de superponer herramientas sobre procesos existentes —y han rediseñado sus flujos de trabajo en torno a las capacidades de la IA— están superando a sus pares en plazos de entrega, realización de beneficios y retorno sobre la inversión. La tecnología ha alcanzado la madurez suficiente para generar valor, pero la capacidad de extraerlo no está distribuida de equitativamente.

Lo que la IA está transformando en la práctica

Gran parte de la narrativa en torno a la IA en la gestión de proyectos permanece en un nivel de abstracción muy poco útil. En la práctica, su impacto operativo se concentra en tres capacidades funcionales.

La inteligencia predictiva aplica el aprendizaje automático a datos históricos y en tiempo real para anticipar retrasos, desviaciones presupuestarias, conflictos de recursos y probabilidades de resultado. En entornos con una calidad de datos suficiente, estos modelos mejoran de forma sustancial la precisión de las previsiones y permiten intervenir con mayor anticipación. Para las universidades que gestionan iniciativas plurianuales —secuenciación de obras de infraestructura, distribución de carga docente en convocatorias de investigación, sincronización de lanzamientos de programas con los ciclos de matrícula—, esto se traduce en una planificación más fiable y con menos sorpresas tardías.

Los sistemas generativos y agénticos producen artefactos estructurados de gestión de proyectos —estructuras de desglose del trabajo, cronogramas, informes de estado, análisis de escenarios— con una fidelidad creciente. Las configuraciones más avanzadas van más lejos: ejecutan acciones acotadas de forma autónoma, reasignando tareas, actualizando planes o activando comunicaciones en función de condiciones predefinidas. Estos sistemas no sustituyen el juicio directivo; comprimen el tiempo entre la identificación de un problema y la respuesta institucional.

La automatización del trabajo de coordinación aborda una de las ineficiencias más significativas y menos examinadas de los entornos de proyectos: la gran proporción de esfuerzo dedicada al seguimiento de estado, la elaboración de informes, la síntesis de reuniones y la documentación, todo lo cual aporta cero valor estratégico. La IA absorbe con especial eficacia este 'trabajo sobre el trabajo', liberando capacidad para encarar actividades de mayor orden. En instituciones intensivas en conocimiento, donde el tiempo profesional es el recurso escaso por excelencia, esta no es una mejora marginal sino una reasignación estructural.

La realidad técnica: la capacidad no es la restricción determinante

Desde el punto de vista técnico, la IA aporta mejoras sustanciales a las restricciones clásicas de los proyectos: alcance, tiempo y coste. El factor limitante, sin embargo, rara vez es la sofisticación algorítmica. Suele ser la infraestructura.

Tres restricciones se repiten de forma recurrente en los contextos de educación superior: ecosistemas de datos fragmentados en los que los sistemas de información académica, los ERP, las plataformas de gestión de la investigación y los sistemas financieros operan en silos deliberados; interoperabilidad limitada entre plataformas heredadas que nunca fueron diseñadas para comunicarse entre sí; y una gobernanza de datos insuficiente —ni los procesos de aseguramiento de la calidad ni las estructuras de responsabilidad institucional necesarios para que los resultados de la IA sean defendibles.

Las instituciones que generan valor consistente a partir de la IA comparten un perfil reconocible. No se limitan a 'añadir IA' a sus flujos de trabajo existentes. Por el contrario, rediseñan esos flujos en torno a las capacidades de la IA, invierten en las canalizaciones de datos que las alimentan y establecen protocolos de validación para asegurar que los resultados puedan ser interpretados y explicados. En entornos regulados, la explicabilidad deja de ser una preferencia de diseño y se convierte en un requisito operativo. Una previsión que no puede justificarse ante un auditor, un patronato o un organismo acreditador no puede ser accionada.

La brecha institucional: la gobernanza no ha seguido el ritmo

Si bien las barreras técnicas son superables con inversión y disciplina, las barreras institucionales son más determinantes y más resistentes a una solución rápida.

La mayoría de las universidades cuenta ya con alguna versión de una estrategia de IA, generalmente articulada en torno a la experimentación, la evaluación de riesgos o el desarrollo normativo. Sin embargo, tres brechas persisten con independencia del marco adoptado. Las brechas de conciencia implican que las políticas existen pero se comprenden o aplican de manera desigual entre las unidades académicas y administrativas. Las brechas de medición implican que pocas instituciones realizan un seguimiento sistemático del impacto de la IA en los resultados de los proyectos, lo que hace imposible capitalizar la experiencia o justificar la inversión continuada. Las brechas de titularidad implican que la responsabilidad sobre la gobernanza de la IA en entornos de proyectos suele estar difusa, distribuida entre las áreas de tecnología, las unidades académicas y las oficinas administrativas sin que hay una clara rendición de cuentas.

El efecto agregado es un riesgo estructural, proveniente de una adopción generalizada sin una gobernanza coordinada.

En este contexto, las oficinas de Gestión de Proyectos se encuentran en un punto de inflexión. Aunque han estado históricamente posicionadas como coordinadoras y supervisoras de cumplimiento, ahora las PMO deben evolucionar hacia lo que podríamos denominar centros de orquestación, integrando analítica predictiva en las decisiones de cartera, estableciendo estándares institucionales para el uso de la IA en la gestión de proyectos y alineando la ejecución con la estrategia académica; todo ello en lugar de limitarse a registrar hitos.

En este entorno la IA no es solo una herramienta, sino una fuerza que obliga al rediseño organizativo. Las instituciones que la traten únicamente como instrumento estarán pasando por alto lo más importante.

El factor humano: la verdadera fuente de ventaja

La dimensión más significativa de este cambio, aunque sistemáticamente malinterpretada, es la humana.

A pesar de la rápida adopción, la fluidez práctica con la IA entre los profesionales de gestión de proyectos en la educación superior sigue siendo limitada. El entusiasmo por las herramientas ha superado la capacidad de evaluar críticamente sus resultados, aplicarlas de forma apropiada o detectar cuándo están equivocadas. Al mismo tiempo, la cautela ante la sobredependencia está bien fundada y no debe descartarse como conservadurismo institucional ya que el riesgo es real.

Lo que está emergiendo es la redefinición del rol del director de proyectos, quien en un entorno habilitado por la IA deja de ser un coordinador de tareas y pasa ser el intérprete, orquestador y garante institucional, interpretando resultados probabilísticos en lugar de depender de planes deterministas; orquestando contribuciones humanas y computacionales a lo largo de flujos de trabajo complejos; ejerciendo el juicio en condiciones donde una recomendación técnicamente correcta puede ser contextualmente inadecuada.

En esta configuración las competencias que más importan son negociación, razonamiento ético, conciencia contextual y conocimiento institucional profundo, justamente aquellas que la IA no puede reproducir. Esto es especialmente cierto en la educación superior, donde los proyectos están insertos en culturas institucionales, estructuras de gobernanza y normas académicas que resisten la simplificación y penalizan con frecuencia a quienes las ignoran.

Riesgos que no deben minimizarse

En el contexto de la educación superior, la oportunidad es real pero también lo son los riesgos, y algunos tienen peso específico.

Las restricciones de datos y privacidad —el RGPD, las normativas equivalentes en América Latina y los protocolos de investigación institucional— limitan la capacidad de entrenar o ajustar modelos robustos con datos institucionales reales. Los resultados opacos de la IA introducen el riesgo de decisiones erróneas en contextos de alto impacto como las revisiones de acreditación, asignación de recursos y contratación de personal. La resistencia cultural, cuando existe, tiende a desplazar la adopción a la clandestinidad en lugar de impedirla, agravando las brechas de gobernanza. Los déficits de competencia pueden generar un uso superficial o inadecuado que produce pasivos sin valor. Y la ausencia de marcos de medición implica que las decisiones de inversión descansan sobre supuestos y no sobre evidencia.

Pero quizás el riesgo más sutil es de naturaleza cognitiva. La sobredependencia de los resultados de la IA, en particular cuando se presentan con una precisión aparente que no está justificada, puede erosionar gradualmente el juicio autónomo de los directores de proyecto. No se trata de una preocupación hipotética; es un patrón documentado en otros entornos profesionales de alto riesgo como la aviación, la medicina y la toma de decisiones financieras. Por ello se requiere una contramedida activa y deliberada en la forma en que las herramientas de IA se introducen y se gobiernan.

Dónde se concentra la oportunidad

Cuando se implementa con disciplina, es decir, con un rediseño genuino de flujos de trabajo, inversión en datos y gobernanza efectiva, los beneficios dejan de ser incrementales y se convierten en estructurales.

Los resultados de entrega mejoran: tasas más altas de ejecución en plazo y presupuesto están bien documentadas en organizaciones que han ido más allá de la mera adopción de herramientas hacia la integración de procesos. La optimización de recursos mejora: la gestión de cartera asistida por IA permite una asignación más eficiente entre prioridades concurrentes, con menos fricción y menos conflictos en etapas avanzadas. Los ciclos de innovación se aceleran: la prueba e iteración más rápida de nuevos programas e iniciativas administrativas se hace posible cuando la carga de coordinación disminuye. Y el esfuerzo humano se redistribuye: el tiempo recuperado del trabajo de coordinación de bajo valor hacia la creación de valor estratégico y académico es uno de los retornos más significativos, y menos contabilizados, de la inversión en IA en instituciones intensivas en conocimiento.

Lo que los líderes universitarios deben hacer ahora

El camino a seguir no es escalar de forma indiscriminada; es avanzar de forma deliberada, con la gobernanza precediendo a la expansión en cada etapa.

1.  Establecer la gobernanza antes de escalar.

Definir políticas claras para el uso de la IA en entornos de proyectos, incluyendo requisitos de supervisión humana, transparencia en los resultados y protección de datos. La gobernanza debe ser visible, comprensible y exigible, y no reducida a un documento normativo que pocos leen.

2.  Invertir en fluidez práctica, no en alfabetización abstracta.

La formación debe centrarse en la capacidad aplicada: cómo integrar la IA en flujos de trabajo reales, cómo evaluar sus resultados de forma crítica y cómo identificar cuándo una recomendación es técnicamente correcta pero contextualmente inapropiada. La fluidez debe exigirse a todos los responsables de proyectos dentro de un plazo definido.

3.  Pilotar donde los riesgos son reales y los resultados medibles.

Seleccionar un número reducido de proyectos de alto impacto e integrar las capacidades de IA de forma deliberada. Definir métricas de referencia antes de que comience el piloto y medir la mejora con rigor. La expansión debe ser fruto de la evidencia y no del puro entusiasmo.

4.  Rediseñar flujos de trabajo, no solo conjuntos de herramientas.

Insertar la IA en procesos existentes produce ganancias marginales, en tanto que reconfigurar procesos en torno a las capacidades de la IA produce ganancias estructurales. La distinción no es semántica: determina si la inversión genera valor o sólo ruido.

5.  Consolidar las bases de datos como condición previa.

Sin datos fiables y bien gobernados, la IA amplifica el ruido en lugar de la señal. La inversión en infraestructura de datos no es un esfuerzo paralelo a la adopción de IA, sino su condición indispensable.

6.  Medir el valor de forma amplia y comunicarlo.

El retorno financiero importa, pero también los retornos cualitativos: tiempo ahorrado al profesorado, carga administrativa reducida y entrega de proyectos mejorada. Estas son ganancias tangibles que deben ser capturadas, atribuidas y comunicadas apropiadadmente para mantener la inversión y la confianza institucional.

7.  Sostener un relato institucional centrado en las personas.

La IA debe posicionarse de forma coherente como potenciación, y no como sustitución. Las instituciones que no articulen esto con claridad, y no lo refuercen en la práctica, encontrarán resistencia, desapego o ambas.

Reflexión final

La IA no va a eliminar la dirección de proyectos en la educación superior. Expondrá sus debilidades y amplificará sus fortalezas.

Las tareas de coordinación rutinaria serán, cada vez más, gestionadas por sistemas. Lo que sí permanecerá, con un creciente valor, será el trabajo humano: estableciendo el rumbo en condiciones de incertidumbre, navegando la ambigüedad que los datos no pueden resolver, conciliando intereses contrapuestos entre los distintos actores institucionales y ejerciendo el juicio en contextos demasiado complejos, demasiado políticos y demasiado consecuentes. Todo ello demasiado imporante como para delegarse.

Las instituciones exitosas no serán las que adopten la IA con mayor celeridad: serán las que la integren con mayor profundidad, anclándola en la gobernanza, alineándola con la estrategia académica y desarrollando la capacidad humana necesaria para usarla bien.

La próxima gran iniciativa que emprenda su institución —ya sea digital, académica o de infraestructura— pondrá a prueba no solo su capacidad de gestión de proyectos, sino su aptitud para liderar en un entorno donde el juicio humano y la inteligencia de los sistemas deben coexistir, no competir.

*Texto editado con asistencia de IA.