En el tránsito postdigital, la transformación universitaria no puede reducirse a comprar licencias, renovar servidores o trasladar las reuniones a una plataforma de videoconferencia. Castañeda & Selwyn (2018) distinguen entre incorporar herramientas y comprender cómo la digitalización reorganiza las prácticas, las relaciones y las decisiones educativas. La modernización operativa reemplaza procesos analógicos por procesos digitales sin alterar necesariamente su lógica. La transformación modifica modelos académicos, responsabilidades, estructuras de datos y formas de relacionarse con estudiantes y docentes. Una universidad puede disponer de numerosos sistemas y seguir tomando decisiones con información fragmentada o tardía. También puede digitalizar formularios, pero conserva procedimientos innecesarios diseñados para otro contexto institucional. La ventaja de la modernización es su efecto inmediato sobre velocidad, disponibilidad y reducción de ciertas tareas administrativas. Su desventaja radica en ofrecer una apariencia de innovación sin modificar la experiencia académica ni la capacidad estratégica. La universidad postdigital reconoce que la tecnología, la presencialidad, la cultura y la organización ya constituyen una realidad entrelazada. El desafío no consiste en añadir más aplicaciones, sino en diseñar una institución capaz de aprender de sus propios procesos.
En sentido estricto, lo postdigital no significa que la digitalización haya terminado, sino que ha dejado de ser un elemento externo y excepcional. Fawns (2019) plantea que la educación debe analizarse como una práctica en la que la pedagogía, la tecnología y el contexto se configuran mutuamente. Esta mirada evita atribuir automáticamente los resultados a una herramienta por el mero hecho de incorporarla. Una plataforma puede favorecer la colaboración o reforzar el control, dependiendo del diseño, de la evaluación y de las relaciones institucionales. La universidad postdigital integra espacios físicos, recursos digitales, simuladores, bibliotecas, laboratorios y comunidades distribuidas. Su infraestructura debe permitir que la experiencia continúe entre modalidades sin perder identidad, trazabilidad ni acompañamiento. Entre sus ventajas se encuentran la flexibilidad, la continuidad y la posibilidad de diseñar servicios en torno a trayectorias reales. Entre sus limitaciones figuran la dependencia de proveedores, la saturación tecnológica y la desigualdad en competencias digitales. La transformación debe incluir el rediseño organizativo, el desarrollo profesional y la evaluación de los efectos producidos. Comprar tecnología sin revisar la práctica equivale a automatizar problemas que la institución aún no ha comprendido.
Desde la perspectiva de la arquitectura institucional, un gemelo digital es una representación dinámica que integra datos para modelar el comportamiento de una entidad real. En educación, puede representar a un estudiante, un programa, un campus, una infraestructura o determinados procesos institucionales. Kabashkin (2025) propone gemelos digitales estudiantiles que integran el rendimiento, las competencias, la participación, las preferencias y los objetivos profesionales. Estos modelos pueden utilizarse para simular trayectorias y comparar posibles intervenciones antes de implementarlas. Un gemelo curricular podría examinar cómo cambia la progresión al modificar prerrequisitos, evaluaciones o secuencias formativas. Un gemelo de infraestructura podría anticipar la utilización de aulas, el consumo energético o la demanda de servicios. La ventaja consiste en experimentar virtualmente con escenarios que resultarían costosos o riesgosos en el sistema real.La desventaja radica en asumir que una representación incompleta reproduce fielmente la complejidad de una persona o de una institución. La propuesta educativa se desarrolla principalmente en fases de modelización, simulación y pilotaje, por lo que no debe presentarse como una práctica universal y ya consolidada. Un gemelo es un instrumento probabilístico para apoyar la toma de decisiones y no una réplica exacta capaz de determinar el futuro.
En el plano pedagógico, un gemelo digital instruccional requiere datos coherentes sobre cursos, actividades, evaluación, participación y resultados. García-García et al. (2026) advierten que la evidencia sobre la analítica del rendimiento presenta heterogeneidad conceptual y metodológica. Muchas investigaciones utilizan definiciones distintas de éxito, participación, riesgo o abandono.También suelen prestar una atención limitada a las teorías pedagógicas, a las etapas del aprendizaje y a las características del contexto instruccional. Por ello, no resulta válido introducir datos históricos en un simulador y afirmar que este predecirá exactamente el porcentaje futuro de deserción. El modelo puede estimar probabilidades bajo determinados supuestos y con márgenes de error. La ventaja radica en identificar patrones que orienten las preguntas, las pruebas piloto y los apoyos tempranos. La desventaja aparece cuando una probabilidad se interpreta como destino individual o como justificación para reducir oportunidades.Los cambios curriculares deben probarse mediante una evaluación gradual, grupos comparables y la participación del profesorado. La simulación adquiere valor científico cuando sus supuestos, variables, errores y límites son explícitos.
En cuanto a las herramientas, la construcción de un gemelo institucional exige integrar tecnologías que normalmente operan de forma independiente.Un almacén de datos reúne información procedente de los sistemas estudiantiles, los LMS, las bibliotecas, recursos humanos, finanzas e infraestructura. Las plataformas de integración y las API permiten intercambiar registros sin duplicarlos manualmente. Python, R y los entornos de aprendizaje automático pueden utilizarse para la clasificación, el pronóstico, la segmentación y la simulación. Power BI, Tableau o herramientas de visualización abiertas convierten los resultados analíticos en paneles interpretables. Los grafos de conocimiento representan las relaciones entre competencias, asignaturas, perfiles laborales y evidencias de aprendizaje. Dong et al. (2026) muestran que la combinación de IA generativa y analítica puede apoyar las recomendaciones y la participación estudiantil. La ventaja consiste en pasar de informes retrospectivos a escenarios predictivos y prescriptivos revisables. La desventaja es que una arquitectura compleja puede aumentar los costos, las vulnerabilidades y la dependencia de personal altamente especializado. La selección tecnológica debe comenzar con una decisión institucional concreta y no con el deseo abstracto de poseer un gemelo digital.
Ante los riesgos, la analítica institucional debe evitar que la universidad se convierta en una máquina de observación permanente. Susnjak et al. (2022) señalan que muchos paneles siguen limitados a información descriptiva superficial. Los modelos predictivos y prescriptivos pueden ofrecer recomendaciones, pero requieren explicaciones comprensibles para sus usuarios. Una alerta de riesgo debe mostrar los factores que contribuyeron al resultado y reconocer el grado de incertidumbre. Los docentes no deberían recibir puntuaciones opacas que condicionen la interpretación del estudiante antes de interactuar con él. Los alumnos tampoco deben ser clasificados de forma permanente por conductas registradas en etapas anteriores. La ventaja de la explicabilidad consiste en permitir que las personas cuestionen, contextualicen o corrijan el modelo. La desventaja de la hiperpersonalización es que puede reducir la exposición a desafíos imprevistos y encerrar al estudiante en una trayectoria calculada. Los gemelos deben incorporar mecanismos de actualización, impugnación y eliminación de la información. La inteligencia institucional se demuestra cuando los datos enriquecen el juicio profesional sin reemplazarlo.
Por esta razón, la gobernanza soberana de datos constituye el núcleo de una transformación digital verdaderamente estratégica. Jones (2019) sostiene que el consentimiento informado puede fortalecer la privacidad y la autonomía en la analítica del aprendizaje. La universidad debe conocer qué datos recopilan sus proveedores y para qué fines pueden reutilizarlos. Los contratos deben garantizar el acceso institucional, la portabilidad, la seguridad, la eliminación y las restricciones al entrenamiento de modelos externos. La soberanía no exige necesariamente alojar todo en servidores propios, pero sí conservar el control jurídico y operativo sobre los activos críticos. Una ventaja de los ecosistemas propios es la capacidad de integrar datos conforme a prioridades académicas y no únicamente comerciales. Su desventaja radica en la inversión necesaria para mantener la seguridad, la calidad, la documentación y el personal especializado. La centralización indiscriminada también aumenta el impacto potencial de una brecha o de un uso indebido. La gobernanza debe definir roles, plazos de conservación, niveles de acceso, auditorías y canales de reclamación. Sin estas condiciones, el gemelo institucional puede convertirse en una representación poderosa sobre la cual sus propios protagonistas carecen de derechos.
En síntesis, la universidad postdigital necesita interoperabilidad para evitar que cada nueva herramienta genere otro territorio de datos incomunicado. EdTech (2026) desarrolla estándares abiertos para conectar plataformas, servicios, contenidos, evaluaciones, credenciales y registros de actividad. LTI facilita la integración segura de herramientas con los LMS. Edu-API busca normalizar el intercambio de información académica entre los sistemas universitarios. Caliper Analytics estructura los eventos de aprendizaje para que puedan analizarse entre distintos recursos. QTI permite intercambiar preguntas, pruebas y resultados entre distintos sistemas de evaluación.La ventaja de estos estándares consiste en reducir la dependencia, la duplicación y los costos de integración. La desventaja aparece cuando la interoperabilidad técnica se interpreta como un permiso para circular datos sin límites pedagógicos ni éticos. Un gemelo institucional sostenible necesita estándares comunes, gobierno soberano, modelos explicables y validación educativa continua. Finalmente, la transformación comienza cuando la universidad deja de acumular licencias y aprende a construir conocimiento responsable sobre su propio funcionamiento.
Referencias
EdTech Consortium. (2026). 1EdTech standards: Open, interoperable standards for learning platforms, tools and data services.
Castañeda, L., & Selwyn, N. (2018). More than tools? Making sense of the ongoing digitizations of higher education. International Journal of Educational Technology in Higher Education, 15, Article 22. https://doi.org/10.1186/s41239-018-0109-y
Dong, H., Chen, X., & Shen, J. (2026). Unpacking the impact mechanism of generative AI-based learning analytics technology on student learning engagement. International Journal of Educational Technology in Higher Education, 23, Article 14. https://doi.org/10.1186/s41239-026-00591-z
Fawns, T. (2019). Postdigital education in design and practice. Postdigital Science and Education, 1, 132–145. https://doi.org/10.1007/s42438-018-0021-8
García-García, F. J., Gómez-Núñez, M. I., & Molla-Esparza, C. (2026). Applications of learning analytics in the study of academic performance in higher education: A meta-review with an educational perspective. Higher Education.
Jones, K. M. L. (2019). Learning analytics and higher education: A proposed model for establishing informed consent mechanisms to promote student privacy and autonomy. International Journal of Educational Technology in Higher Education, 16, Article 24. https://doi.org/10.1186/s41239-019-0155-0
Kabashkin, I. (2025). AI-based digital twins of students: A new paradigm for competency-oriented learning transformation. Information, 16(10), Article 846. https://doi.org/10.3390/info16100846
Susnjak, T., Ramaswami, G. S., & Mathrani, A. (2022). Learning analytics dashboard: A tool for providing actionable insights to learners. International Journal of Educational Technology in Higher Education, 19, Article 12. https://doi.org/10.1186/s41239-021-00313-7
