Ludmila Belo.
Durante años, acceder a estudios tecnológicos y progresar en ese ámbito ha dependido más del contexto que del talento. El nivel de renta familiar, la red de contactos o el simple azar han pesado más que la capacidad real de cada candidato. La pregunta ya no es solo quién puede pagar estudiar tecnología, sino quién tiene el potencial para liderarla. La inteligencia artificial empieza a alterar ese patrón y a redefinir cómo se identifica ese potencial. Hoy interviene en decisiones como a qué personas se muestra antes una beca, qué solicitudes revisa primero un equipo de admisiones o qué perfiles reciben una llamada para explorar un cambio profesional hacia el sector tecnológico.
Hasta hace muy poco, el proceso clásico de elegir primero y matricularse después en cualquier institución educativa se parecía más a una prueba de resistencia que a una evaluación de talento. Avanzaba quien veía un anuncio a tiempo, podía dedicar horas a completar formularios extensos o conocía a alguien que le orientara en el proceso. Ahora, con sistemas de análisis de datos, las instituciones pueden identificar patrones más útiles: qué perfiles han finalizado con éxito programas similares, qué trayectorias muestran mayor constancia o qué candidatos abandonan en fases tempranas. El problema no era la falta de talento, sino la falta de visibilidad del talento.
En la práctica, esto introduce tres cambios estructurales. El primero es la personalización del descubrimiento. Las campañas publicitarias ya no se limitan a segmentaciones amplias por edad o ubicación. Los algoritmos cruzan formación previa, experiencia laboral y comportamiento digital para ajustar mejor la información que recibe cada persona. La verdadera innovación no está en impactar a más personas, sino en impactar a las personas correctas en el momento adecuado.
El segundo es la priorización en admisiones. Con modelos predictivos, los equipos pueden ordenar expedientes según probabilidad de matrícula, necesidad de financiación o riesgo de abandono. Esto permite dedicar más tiempo humano a los casos complejos y reducir respuestas automáticas en situaciones que requieren criterio. En escuelas tecnológicas de referencia, la IA no sustituye el criterio académico; lo amplifica.
El tercero es la detección temprana de desajustes. Si un candidato muestra dudas reiteradas sobre la carga de trabajo o el encaje con su perfil, el sistema puede señalarlo antes de que formalice la matrícula. Esa señal facilita una conversación honesta y evita frustraciones posteriores. La excelencia académica empieza antes de la matrícula: comienza en un buen encaje.
La IA también influye en el motivo por el que alguien decide estudiar tecnología. Durante años, muchas decisiones se basaban en percepciones generales sobre empleabilidad o salarios, mientras que hoy es posible simular escenarios más ajustados: qué roles encajan con determinadas competencias, qué trayectorias profesionales comparten perfiles similares o qué rangos salariales se observan según experiencia y ubicación. Esta información reduce la distancia entre expectativas y realidad. La formación tecnológica ya no se elige solo por empleabilidad; se elige por impacto.
Obviamente, nada de esto es neutro. Si los sistemas se entrenan con datos históricos de un sector poco diverso, tenderán a replicar ese sesgo. Si el objetivo principal es maximizar matrículas a corto plazo, pueden priorizar perfiles con más recursos y experiencia previa. Y si el funcionamiento del modelo no es transparente, el candidato no sabrá cómo se ha evaluado su solicitud. La diferencia entre automatizar y liderar está en cómo se gobierna la tecnología.
Por eso, la cuestión central es el marco de uso. Las instituciones educativas deben informar con claridad de cuándo interviene la IA en el proceso, revisar periódicamente los resultados para detectar desviaciones y mantener la decisión humana en los puntos que afectan a la admisión o a la concesión de ayudas. La automatización agiliza tareas; la responsabilidad sigue siendo de las personas. ¿Estamos usando la IA para ampliar oportunidades o para optimizar métricas?
La demanda de perfiles tecnológicos crece a un ritmo que la oferta formativa tradicional no siempre cubre. En este contexto, el trabajo de Admisiones adquiere cada vez más un peso estratégico. Determina quién accede a competencias con impacto directo en empleabilidad, productividad y salarios. Admisiones ya no es un departamento administrativo; es un filtro de talento con impacto directo en la competitividad del país. Un uso riguroso de la IA puede ampliar el acceso a profesionales sénior en reconversión, candidatos de entornos con menos recursos o perfiles que no encajan en el estereotipo habitual del sector.
El indicador relevante no es solo el número de matriculados. Lo es la diversidad de trayectorias, la tasa de finalización, la experiencia del estudiante y la inserción laboral efectiva. Si los modelos se diseñan con esos objetivos, la tecnología puede contribuir a un acceso más equitativo y a decisiones mejor fundamentadas. La verdadera métrica no es cuántos entran, sino cuántos se transforman.
*** Ludmila Belo es directora de Admisiones de IMMUNE Technology Institute.