Qué estudiar (y qué no) en una ingeniería en sistemas para 2032: una propuesta de 9 semestres

Quien entra a una ingeniería en sistemas en 2027 egresa, si todo sale bien, entre 2031 y 2032. Para entonces, buena parte de lo que hoy ocupa semestres enteros lo hará un agente de IA en minutos. La pregunta de este artículo es práctica y va dirigida a quien estudia, a quien enseña y a quien diseña planes: ¿qué vale la pena aprender en una ingeniería en sistemas para que esos nueve semestres sigan sirviendo cuando la persona egrese?
En el artículo sobre la UNAM revisamos una sola asignatura de una licenciatura de 8 semestres. Aquí vamos más lejos, en tres pasos:
- Tomamos como ejemplo un plan real: la Ingeniería en Sistemas Computacionales del Tecnológico Nacional de México (TecNM), con su especialidad en Ciencia de Datos y Aplicaciones Inteligentes.
- Revisamos con el mismo rigor una propuesta de reforma que escribimos nosotros mismos hace unas semanas, la Propuesta de transformación de la Ingeniería en Sistemas Computacionales en México para la era de la IA (2027-2035). Tiene aciertos importantes y también errores que conviene decir en voz alta.
- Cerramos con una propuesta ideal de 9 semestres. No respeta un número fijo de materias por semestre ni de créditos: cada semestre lleva lo que necesita, ni más ni menos.
Qué cambia en la profesión, y qué no
Un plan de estudios no debería diseñarse a partir de lo que la IA hará algún día ni de lo que hacía hace tres años. Esto es lo medido:
| Qué | Dato | Fuente |
|---|---|---|
| Completa tareas cada vez más largas | La duración de las tareas que los modelos de frontera completan con 50% de éxito se duplica aproximadamente cada siete meses desde 2019 | METR, Kwa et al. (2025) |
| Ya escribe una parte visible del software | 18.7% de los PRs integrados en GitHub en septiembre de 2026 los firmaban agentes de IA | Recolección propia, artículo de deuda |
| No siempre acelera | Programadores experimentados tardaron 19% más con IA en sus propios repositorios, aunque creían ir más rápido | METR, ensayo aleatorizado (2025) |
| Sin guardas, daña el aprendizaje | Estudiantes que practicaron con IA sin restricciones obtuvieron 17% menos en el examen que quienes nunca la usaron | Bastani et al., PNAS (2025) |
| El mercado contrata menos gente que empieza | El empleo de personas de 22 a 25 años en las ocupaciones más expuestas a la IA quedó 19% por debajo del de sus pares menos expuestos | Brynjolfsson, Chandar y Chen (2026) |
La lectura es incómoda pero clara. Escribir una implementación a partir de una descripción ya no distingue a un ingeniero. Lo que la distingue es todo lo que rodea a esa implementación: entender el problema y a quien lo tiene, especificarlo sin ambigüedad, decidir la arquitectura con restricciones reales de costo, ley y sistemas existentes, verificar de forma independiente, operar en producción y responder por el resultado. Y como el mercado contrata menos gente que empieza, quien egrese tiene que llegar con ese criterio ya formado, no esperar a adquirirlo en su primer empleo (el problema de la cantera rota).
Nadie sabe qué podrá hacer la IA en 2032. Por eso conviene diseñar para varios escenarios a la vez:
| Escenario en 2032 | Qué hace la IA | Qué tiene que saber hacer quien egresa |
|---|---|---|
| Copiloto | Ayuda, pero buena parte del trabajo sigue siendo manual | Programar bien, diseñar y usar la IA con eficiencia |
| Ejecutor supervisado | Agentes completan proyectos de días bajo supervisión | Especificar, dividir el trabajo, verificar y asegurar |
| Muy autónoma | Casi toda la implementación rutinaria se automatiza | Definir problemas, gobernar sistemas, auditar y responder |
La propuesta de este artículo intenta funcionar en los tres. La forma de lograrlo es apostar por lo que vale en todos: fundamentos, verificación, conocimiento del dominio y responsabilidad. En el escenario más autónomo esos cuatro valen más, no menos: cuanto más produce una máquina, más importa quien sabe decir cuándo se equivocó.
El plan actual: una retícula de 2010 con una especialidad de 2025
La retícula del TecNM que usamos de ejemplo tiene 9 semestres, 260 créditos y 51 materias, además de la residencia profesional, el servicio social y las actividades complementarias. El tronco común es de 2010; la especialidad de Ciencia de Datos y Aplicaciones Inteligentes se agregó en 2025 con cinco materias: Introducción a la Ciencia de Datos, Ingeniería de Datos y Big Data, Analítica de Datos, Machine Learning para Ciencia de Datos y Desarrollo de Aplicaciones para Ciencia de Datos.
Tiene mucho de valioso. La base matemática es sólida (cuatro cálculos, álgebra lineal, probabilidad, matemáticas discretas), conserva la teoría que permite entender la computación (lenguajes y autómatas, programación lógica y funcional) y termina con una residencia profesional completa, que es de lo mejor que tiene el modelo del TecNM.
Pero leída con los ojos de 2026, la retícula muestra cinco problemas:
- La IA llega al final. Inteligencia Artificial está en el 9.º semestre y la especialidad en 7.º, 8.º y 9.º. Quien estudia pasa ocho semestres sin entender cómo funciona la herramienta que ya usa todos los días.
- No hay ni una materia de seguridad. En 51 materias. En un mundo donde un agente con permisos puede borrar una base de datos o filtrar datos personales, es el hueco más grave.
- No hay una materia de pruebas ni de verificación. Se enseña a construir, no a demostrar que lo construido funciona. Justo lo que la IA vuelve escaso.
- La carga está mal repartida. Redes ocupa cuatro materias (Telecomunicaciones, Redes, Conmutación y Enrutamiento, Administración de Redes) y bases de datos, tres. Mientras tanto, estadística tiene una sola, y sin estadística no se puede evaluar un modelo.
- Las materias están aisladas. Hay talleres, pero ningún proyecto que integre cada semestre lo aprendido. La primera vez que todo se junta es en la residencia.
Nuestra primera propuesta, revisada con el mismo rigor
Nuestra propuesta 2027-2035 partía de una premisa que mantenemos: dejar de formar ingenieros cuya principal capacidad sea producir código, y formar ingenieros capaces de diseñar, dirigir, verificar, proteger y hacer evolucionar sistemas, con inteligencia humana y artificial. Al revisarla con calma, encontramos aciertos que conservamos y errores que corregimos.
Lo que acertó, y se queda
- Dos competencias evaluadas por separado. La capacidad independiente (resolver, depurar y explicar sin IA) y la aumentada (producir más con IA, justificando y verificando). Es la idea más importante del documento.
- Evaluar con defensa y con fallas sembradas. El profesor introduce un defecto desconocido y el estudiante lo diagnostica. Un modelo de lenguaje no puede hacer eso por el alumno durante la defensa.
- Separar el contenido en tres capas con ritmos de revisión distintos: núcleo científico cada 4-5 años, competencias tecnológicas cada año, herramientas cada trimestre.
- Un proyecto obligatorio por semestre, cada vez más complejo.
- Demostrar dominio del código sin asistencia en el primer semestre.
Lo que falló, y se corrige
1. Contradecía su propia regla. La sección 8 decía que no había que crear una materia por cada herramienta nueva, y luego la retícula proponía Ingeniería de prompts, Bases de datos vectoriales, Laboratorio de aplicaciones con LLM y RAG, Ingeniería de LLM, Sistemas agénticos y orquestación, Diseño de sistemas multiagente, Sistemas autónomos y supervisión humana, MLOps y LLMOps y Optimización de inferencia. En total, 13 de sus 52 materias giraban alrededor de los modelos de lenguaje, con nombres de 2025. Para 2032 varias habrán cambiado de nombre o se habrán vuelto una unidad de otra materia: el «prompt» ya es, en la práctica, una especificación escrita, y las bases vectoriales ya son un índice dentro de bases de datos de uso general.
2. Recortaba lo que la IA vuelve más valioso. Reducía cuatro cálculos a una sola materia, pero en 5.º semestre pedía Deep Learning y transformers, que necesita cálculo multivariable. Eliminaba Investigación de Operaciones, Métodos Numéricos y Simulación, cuando la optimización es el corazón del aprendizaje automático. Y dejaba fuera la teoría de la computación, que es la base para razonar sobre qué puede decidir un programa y para la verificación formal.
3. Le faltaba lo que más pide trabajar con IA. No tenía una materia de pruebas de software como disciplina, solo «testing de IA». No enseñaba a leer y mantener código ajeno hasta el 8.º semestre, aunque es la mayor parte del trabajo real y lo que más exige un agente que genera miles de líneas. Pedía especificar, pero ninguna materia lo enseñaba. Y quitaba Contabilidad, Cultura Empresarial y Administración sin reemplazarlas, cuando el conocimiento del negocio es justo lo que la IA no trae.
4. Ponía la IA generativa demasiado pronto. Ingeniería de prompts en 2.º semestre e Introducción a sistemas inteligentes en 1.º. La evidencia sobre aprendizaje (Bastani et al., 2025; Prather et al., 2024) sugiere lo contrario: primero formar el criterio, después delegar.
5. Estadística seguía siendo una sola materia. Evaluar un sistema de IA es estadística: una evaluación con 50 casos y sin intervalo de confianza no demuestra nada.
La lección para nosotros fue sencilla: es fácil escribir una propuesta que suene a 2026; lo difícil es escribir una que siga sirviendo en 2032.
Cuatro pruebas para decidir qué entra en el plan
Para no repetir el error, cada materia de la propuesta final tuvo que pasar cuatro pruebas:
| Prueba | Pregunta | Si no la pasa |
|---|---|---|
| Durabilidad | ¿Se seguirá enseñando con el mismo nombre en 2035? Si el nombre lleva una sigla que no existía hace cinco años, probablemente no | Va al laboratorio, no al plan |
| Verificación | ¿Aumenta la capacidad de juzgar si un sistema es correcto, seguro o vale lo que cuesta? | Se reduce o se fusiona |
| No delegable | ¿Forma algo que la IA no puede hacer por la persona: entender un dominio, decidir, responder? | Pierde prioridad |
| Carga | ¿Duplica algo que ya está en otra materia? | Se fusiona |
Con esas pruebas, el contenido se ordena solo:
| Durable: va en el plan | Caduca rápido: va en laboratorios que se revisan cada trimestre |
|---|---|
| Matemáticas, estadística inferencial y optimización | Marcas de modelos y de proveedores |
| Algoritmos y complejidad | Frameworks de agentes y de orquestación |
| Sistemas operativos, redes, sistemas distribuidos y bases de datos por dentro | Bases de datos vectoriales concretas |
| Teoría de la computación y lógica | «Técnicas de prompting» |
| Especificación, diseño, pruebas y verificación | Consolas y servicios de una nube específica |
| Seguridad y modelado de amenazas | Formatos y herramientas de despliegue del año |
| Cómo funcionan y cómo fallan los modelos, desde los principios | Benchmarks de moda |
| Comunicación técnica, conocimiento del negocio y responsabilidad legal | El editor o asistente de código del momento |
Nada de la columna derecha es inútil: hay que usarlo, y mucho. Pero se aprende en laboratorios y proyectos que se actualizan sin reformar el plan, porque un plan formal en México tarda años en cambiar. El de esta retícula lleva vigente desde 2010.
Qué pasa con las 51 materias del plan actual
El resultado más sorprendente del análisis es que el plan actual no necesita demolerse, sino reorganizarse. Solo una materia sale del todo.
| Destino | Materias actuales | Por qué |
|---|---|---|
| Se conservan, actualizadas | Fundamentos de Programación, Programación Orientada a Objetos y Estructura de Datos (se vuelven dos), Matemáticas Discretas, Álgebra Lineal, Arquitectura de Computadoras, Sistemas Operativos (absorbe su taller) | Son el núcleo. Cambia cómo se enseñan y cómo se evalúan |
| Se fusionan | Cálculo Diferencial + Integral → Cálculo. Cálculo Vectorial + Métodos Numéricos + Investigación de Operaciones → Cálculo multivariable y optimización. Las cuatro de redes → Redes de computadoras. Las tres de bases de datos → Bases de datos (lo de administración pasa a Operación). Lenguajes y Autómatas I y II → Teoría de la computación. Programación Lógica y Funcional → Lenguajes de programación | Mismo fondo, menos repetición |
| Se transforman | Fundamentos de Ingeniería de Software + Ingeniería de Software → Diseño y arquitectura y Pruebas y verificación. Contabilidad + Cultura Empresarial + Taller de Administración → Procesos de negocio y modelado del dominio. Gestión de Proyectos → Gestión y economía del software. Fundamentos de Investigación + Talleres de Investigación I y II → Comunicación técnica y especificación e Investigación aplicada. Taller de Ética + Desarrollo Sustentable → Derecho, privacidad y gobernanza de la tecnología | El objetivo sigue vigente; el contenido, no |
| Crece | Probabilidad y Estadística → Probabilidad y Estadística inferencial y diseño de experimentos. Simulación se reparte entre esta última y Operación | Evaluar es medir |
| Se adelanta y se amplía | Inteligencia Artificial y las cinco de la especialidad → Aprendizaje automático, Ingeniería de datos, Modelos de fundación, Ingeniería de sistemas con IA y Evaluación y aseguramiento de sistemas con IA, entre 5.º y 6.º semestre | La IA deja de ser el final de la carrera |
| Se reparten | Programación Web va a los talleres integradores; Tópicos Avanzados de Programación, a Sistemas Operativos, Sistemas distribuidos y los talleres | La web es el medio, no el tema |
| Pasan a una trayectoria | Física General, Principios Eléctricos, Sistemas Programables, Lenguajes de Interfaz y Ecuaciones Diferenciales → Sistemas embebidos y robótica. Graficación → Sistemas inteligentes (visión) | Valiosas para quien va al hardware; no para todos |
| Sale | Química | No aporta a ninguna trayectoria |
Y entran nueve materias que hoy no existen en el plan: Comunicación técnica y especificación, Estadística inferencial, Pruebas y verificación, Interacción humano-computadora, Seguridad de software, Sistemas distribuidos y nube, Operación y confiabilidad, Evaluación y aseguramiento de sistemas con IA y Auditoría de sistemas. A eso se suman los talleres integradores de cada semestre.
La propuesta: una ingeniería en sistemas para 2032
Nueve semestres, como la mayoría de estas ingenierías en México. La carga no es pareja a propósito: los primeros semestres llevan más materias porque construyen la base; los últimos llevan menos porque el proyecto crece hasta ocupar casi todo el tiempo. El último semestre es la residencia completa.
Dos hilos recorren toda la carrera y explican el orden:
- El hilo de la verificación: pruebas desde 2.º semestre, una materia de pruebas en 3.º, seguridad en 5.º, evaluación de IA y operación en 6.º, auditoría en 8.º. Cada semestre se verifica algo más grande que el anterior.
- La escalera de la IA: el uso permitido sube con el criterio de quien estudia.
| Semestres | Uso de IA permitido | Para qué |
|---|---|---|
| 1 y 2 | Tutor que explica, no genera código | Formar el criterio propio |
| 3 y 4 | Genera código, con verificación obligatoria y bitácora de qué se aceptó y por qué | Aprender a especificar y verificar lo ajeno |
| 5 y 6 | Agentes con permisos acotados | Diseñar los límites de lo que puede hacer un agente |
| 7 a 9 | Dirigir agentes en equipo y auditar su trabajo | El rol profesional real |
1.er semestre — Pensar y programar sin red (5 materias)
| Materia | Qué forma |
|---|---|
| Programación I | Leer, trazar, escribir y probar programas pequeños, sin asistentes que generen código |
| Matemáticas discretas y lógica | Conjuntos, relaciones, inducción y lógica: el lenguaje de las especificaciones |
| Cálculo | Una variable, en un solo semestre intensivo, orientado a cambio y aproximación |
| Comunicación técnica y especificación | Leer documentación, escribir requisitos sin ambigüedad y explicar una decisión por escrito. Lo que hoy llamamos prompt es, casi siempre, una especificación mal escrita |
| Taller integrador I | Terminal, control de versiones y un programa de línea de comandos que se defiende sin asistencia |
2.º semestre — Estructuras, datos y máquina (6 materias)
| Materia | Qué forma |
|---|---|
| Programación II: estructuras de datos | Invariantes y pruebas basadas en propiedades desde la primera estructura |
| Álgebra lineal | Vectores, matrices y descomposiciones: la base de cualquier modelo |
| Probabilidad | Variables aleatorias, distribuciones y esperanza |
| Bases de datos | Modelo relacional, SQL, transacciones e índices: cómo se guarda y se consulta la verdad de un negocio |
| Arquitectura de computadoras | Cómo ejecuta la máquina: memoria, caché y paralelismo |
| Taller integrador II | Una aplicación con base de datos y pruebas escritas por el estudiante |
3.er semestre — Algoritmos, sistemas y primera verificación (6 materias)
| Materia | Qué forma |
|---|---|
| Algoritmos y complejidad | Juzgar si una solución escala, sin importar quién la escribió |
| Sistemas operativos | Procesos, memoria, archivos y concurrencia |
| Cálculo multivariable y optimización | Gradientes, regla de la cadena y programación lineal: cómo aprende un modelo y cómo se asignan recursos |
| Estadística inferencial y diseño de experimentos | Intervalos, pruebas de hipótesis y tamaño de muestra. Sin esto no se puede evaluar un modelo ni demostrar una mejora |
| Pruebas y verificación de software | Pruebas unitarias, por propiedades y de mutación, y contratos. Primera materia en la que la IA genera y el estudiante verifica |
| Taller integrador III | Un servicio web con API, pruebas y despliegue, con código generado por IA y verificado por el estudiante |
4.º semestre — Software para personas y organizaciones (6 materias)
| Materia | Qué forma |
|---|---|
| Procesos de negocio y modelado del dominio | Cómo opera una organización (contabilidad, inventario, cobranza), cómo se entrevista a quien tiene el problema y cómo se modela. Es el contexto que la IA no trae |
| Diseño y arquitectura de software | Módulos, límites, dependencias y decisiones registradas |
| Redes de computadoras | De la capa de enlace a HTTP, DNS y TLS, en una sola materia |
| Teoría de la computación | Autómatas, gramáticas y computabilidad: qué puede y qué no puede decidir un programa, o un modelo |
| Interacción humano-computadora | Diseño centrado en personas, accesibilidad y pruebas con usuarios |
| Taller integrador IV | Extender y corregir un sistema existente de miles de líneas que el estudiante no escribió. Es lo normal en la industria y lo que más exige trabajar con agentes |
5.º semestre — Datos, aprendizaje y seguridad (6 materias)
| Materia | Qué forma |
|---|---|
| Aprendizaje automático | Modelos clásicos, entrenamiento, sobreajuste y evaluación rigurosa |
| Ingeniería de datos | Flujos de datos, calidad, linaje y gobierno |
| Sistemas distribuidos y nube | Consistencia, fallas parciales, escalamiento e infraestructura como código, como principios y no como servicios de un proveedor |
| Seguridad de software y modelado de amenazas | Amenazas, identidad, secretos y las vulnerabilidades más comunes de las aplicaciones |
| Lenguajes de programación | Paradigmas (funcional y lógico), los tipos como herramienta de verificación y cómo se traduce y ejecuta un programa |
| Taller integrador V | Un producto con un modelo de aprendizaje automático evaluado con datos reales y con su modelo de amenazas |
6.º semestre — Sistemas con IA en operación (5 materias)
| Materia | Qué forma |
|---|---|
| Modelos de fundación: cómo funcionan y cómo fallan | Redes profundas, transformers, recuperación de información y multimodalidad desde los principios; alucinación, sesgo y límites |
| Ingeniería de sistemas con IA | Herramientas, permisos, memoria, orquestación de agentes, costo y latencia. Su laboratorio se revisa cada trimestre: aquí viven los frameworks del momento |
| Evaluación y aseguramiento de sistemas con IA | Conjuntos de evaluación, pruebas de regresión, pruebas adversarias e inyección de instrucciones |
| Operación y confiabilidad | Observabilidad, objetivos de servicio, incidentes, análisis posteriores, despliegue y reversión |
| Taller integrador VI | Operar un servicio con IA con métricas reales, un presupuesto de costo y un incidente simulado |
Aquí caben, como unidades y laboratorios, casi todas las 13 materias de modelos de lenguaje de nuestra primera propuesta; la seguridad y la gobernanza de la IA pasan a Seguridad de software (5.º) y a Derecho, privacidad y gobernanza (7.º). Lo que dura de ellas está en el plan; lo que caduca, en el laboratorio.
7.º semestre — Responder por lo que se construye (6 materias)
| Materia | Qué forma |
|---|---|
| Gestión y economía del software | Estimación, costo total (incluidos nube e inferencia), producto y contratos |
| Derecho, privacidad y gobernanza de la tecnología | Protección de datos personales, propiedad intelectual del código generado, responsabilidad, regulación de la IA y costo ambiental del cómputo |
| Investigación aplicada | Formular una pregunta, diseñar un experimento y reportar con honestidad, incluso lo que no salió |
| Trayectoria I | Primera optativa de especialización |
| Trayectoria II | Segunda optativa de especialización |
| Taller integrador VII | Proyecto con una organización real, defendiendo ante ella las decisiones técnicas, económicas y éticas |
8.º semestre — Auditar y especializarse (4 materias)
| Materia | Qué forma |
|---|---|
| Trayectoria III | Tercera optativa |
| Trayectoria IV | Cuarta optativa |
| Auditoría de sistemas | Auditar un sistema que no se construyó: código, seguridad, datos, costos y cumplimiento, con un informe basado en evidencia. Cierra el hilo de la verificación |
| Proyecto integrador con industria | Un piloto entregado a una organización, con evidencia de valor y controles de operación |
El servicio social, aquí o antes, se orienta a especificar y auditar en sistemas reales bajo supervisión.
9.º semestre — Residencia profesional (1 materia)
Residencia de tiempo completo en una organización, con un sistema en operación que se defiende ante especialistas externos. El portafolio verificable (especificaciones, pruebas, decisiones registradas, bitácoras de uso de IA, informes de auditoría) es el entregable de toda la carrera, no una materia más.
En total son 45 materias frente a las 51 actuales, con más práctica integrada y sin alargar la carrera.
Seis trayectorias en lugar de una especialidad
En lugar de una sola especialidad, cuatro materias optativas en una de seis trayectorias. Todas comparten el mismo núcleo, y varias responden a necesidades concretas de México:
| Trayectoria | Materias | Por qué en México |
|---|---|---|
| Sistemas inteligentes | Aprendizaje profundo avanzado; adaptación y ajuste de modelos; recuperación de información y búsqueda; visión y voz | Construir soluciones propias, no solo consumir modelos extranjeros |
| Plataformas y nube | Contenedores y orquestación; infraestructura como código; ingeniería de plataformas; gestión de costos en la nube | Toda empresa que adopta IA necesita operarla a un costo sostenible |
| Ciberseguridad | Seguridad ofensiva en entornos autorizados; defensa y respuesta a incidentes; criptografía aplicada; seguridad de agentes y modelos | La superficie de ataque crece con cada agente que tiene permisos |
| Sistemas embebidos y robótica | Física y electrónica para computación; sistemas embebidos; control (aquí entran las ecuaciones diferenciales); percepción en el borde | La manufactura y la relocalización de cadenas de suministro piden software que toque el mundo físico |
| Modernización de sistemas existentes | Plataformas heredadas (mainframe y similares); migración de datos; arquitectura empresarial; modernización asistida por IA con verificación de equivalencia | Banca, gobierno y manufactura dependen de sistemas de décadas que alguien tiene que transformar sin romper |
| Datos para la decisión | Analítica y visualización; series de tiempo y pronóstico; investigación de operaciones aplicada; gobierno de datos | Logística, comercio y sector público deciden cada vez más con datos |
Cómo se evalúa
Conservamos el corazón de nuestra primera propuesta, dos competencias evaluadas por separado, y le agregamos algo que le faltaba: la proporción cambia a lo largo de la carrera. Al principio pesa más lo que la persona puede hacer sola; al final, lo que puede dirigir y defender.
| Etapa | Sin IA: fundamentos individuales | Con IA: proyecto | Defensa y revisión técnica | Documentación y colaboración |
|---|---|---|---|---|
| Semestres 1 y 2 | 50% | 20% | 20% | 10% |
| Semestres 3 a 6 | 30% | 35% | 25% | 10% |
| Semestres 7 a 9 | 15% | 40% | 30% | 15% |
Son pesos orientativos. Lo que no cambia es el tipo de evidencia:
- Defensa oral: cada estudiante explica cualquier parte de lo que entrega.
- Auditoría con defectos sembrados: se entrega código generado por IA con errores conocidos y se mide cuántos encuentra. Se califica de forma automática, así que escala a grupos grandes.
- Falla introducida durante la evaluación: el profesor rompe algo y el estudiante lo diagnostica.
- Bitácora de uso de IA: qué se pidió, qué se aceptó, qué se rechazó y por qué.
Un CRUD que funciona ya no prueba nada. Una especificación, unas pruebas que atrapan defectos sembrados y una defensa sin titubeos, sí.
Cómo se mantiene vigente
La idea de las tres capas de nuestra primera propuesta sobrevive completa, y es la que hace posible todo lo demás:
| Capa | Qué contiene | Se revisa |
|---|---|---|
| Núcleo | Las materias de esta propuesta | Cada 4 o 5 años, con seguimiento continuo |
| Competencias | Los resultados de aprendizaje de cada materia | Cada año |
| Laboratorios | Modelos, frameworks, servicios de nube, asistentes y agentes concretos | Cada trimestre, sin depender de un proveedor |
Cuando aparezca una nueva generación de modelos, la universidad no necesita crear otra materia: actualiza el laboratorio de Ingeniería de sistemas con IA y los talleres integradores.
¿Por qué 9 semestres y no menos?
Si la IA escribe el código, la tentación es acortar la carrera. No lo recomendamos, por las mismas razones que expusimos para la UNAM: lo que la IA automatiza ocupa poco del plan, la IA sin guardas puede reducir el aprendizaje y el mercado contrata menos gente que empieza y le exige más criterio. Egresar antes y con menos formación es llegar con menos preparación a un mercado más exigente.
Los 9 semestres se aprovechan de otra forma: un semestre completo de residencia, siete talleres integradores y un proyecto con industria. Quien egresa de este plan lleva al menos nueve proyectos verificados en su portafolio.
Si estudias hoy con el plan actual
La reforma de un plan tarda años. Mientras tanto, esto es lo que recomendaríamos a quien ya está estudiando:
- No delegues tus primeros semestres. Usa la IA para que te explique, no para que haga la tarea. El daño de lo contrario está medido.
- Aprende por tu cuenta lo que tu plan no tiene: pruebas de software, seguridad, control de versiones y, sobre todo, leer y modificar código que no escribiste.
- Toma en serio Probabilidad y Estadística. Será lo que te permita saber si un modelo funciona o solo lo parece.
- Aprende un dominio. Contabilidad, logística, salud, gobierno: el que te interese. Es lo que la IA no sabe de tu cliente.
- No persigas cada herramienta. Domina una por categoría y entiende el principio que hay detrás; cambiar de herramienta después cuesta una semana.
- Usa la residencia y el servicio social para especificar y auditar en sistemas reales, no solo para programar.
- Construye un portafolio con evidencia: especificaciones, pruebas, decisiones registradas y qué hiciste con IA y qué no.
Cómo empezar sin esperar a una reforma
Para una institución, el camino más corto no pasa por reformar todo el plan:
- La especialidad. Sus materias se pueden rediseñar mucho antes que el tronco común. Una versión inmediata: Aprendizaje automático y evaluación, Modelos de fundación, Ingeniería de datos, Ingeniería de sistemas con IA y Evaluación y seguridad de sistemas con IA.
- La evaluación. La evaluación dual, la defensa y los defectos sembrados no requieren cambiar ninguna materia en el papel.
- La residencia y el servicio social, orientados a especificar y auditar.
- La formación docente, antes que cualquier cambio en el papel.
Estas y otras palancas que no esperan a una reforma las desarrollamos, una por una, en Diez propuestas concretas para la ingeniería en sistemas en México.
Lo que puede salir mal
- El profesorado. Esta propuesta pide experiencia en verificación, seguridad y desarrollo con IA. Sin formación docente previa, el cambio se queda en el nombre de las materias.
- La equidad. Si los laboratorios dependen de herramientas de pago, los campus con menos recursos quedan atrás. Hacen falta laboratorios compartidos, modelos abiertos y un presupuesto de cómputo por estudiante.
- La escala. Una defensa oral por estudiante funciona en grupos de 30, no de 120. Por eso la auditoría con defectos sembrados, que se califica sola, es central.
- Equivocarnos sobre el futuro. Si la IA avanza menos de lo que suponemos, el núcleo sigue formando buenos programadores. Si avanza más, el núcleo forma justo a quien se necesita para gobernarla. El riesgo real está en el otro lado: un plan lleno de herramientas que caducan.
- Recortar matemáticas por presión de tiempo. Es la tentación más fácil y la más cara: sin ellas, los modelos de fundación se vuelven una caja negra.
Lo que este artículo no afirma
- Que esta propuesta esté validada. Es un diseño razonado, no un plan probado. Habría que pilotarla, comparar grupos y seguir a los egresados.
- Que sea un plan oficial ni que respete los lineamientos de créditos de ninguna institución. A propósito, no partimos de un número de créditos ni de materias.
- Que el plan actual del TecNM esté mal hecho. Se diseñó en 2010 para otro mundo, y gran parte de su base sigue intacta en la propuesta.
- Que sepamos qué podrá hacer la IA en 2032. Por eso diseñamos para tres escenarios y no para uno.
Fuentes
- Tecnológico Nacional de México, retícula de Ingeniería en Sistemas Computacionales (plan 2010), especialidad en Ciencia de Datos y Aplicaciones Inteligentes (2025).
- Kwa et al., Measuring AI Ability to Complete Long Software Tasks, METR (2025).
- Becker, Rush, Barnes y Rein, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR (2025).
- Bastani, Bastani, Sungu, Ge, Kabakcı y Mariman, Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS 122(26) (2025).
- Prather et al., The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers, ICER (2024).
- Brynjolfsson, Chandar y Chen, Canaries in the Coal Mine?, Stanford Digital Economy Lab, versión de agosto de 2026.
- ACM/IEEE-CS/AAAI, Computer Science Curricula 2023 (2024).
- UNESCO, AI competency framework for students (2024).
- Foro Económico Mundial, The Future of Jobs Report 2025 (2025).
- Dixi-Project: Enseñar ingeniería de software cuando la IA programa, La cantera rota y Deuda de verificación (2026).