Diez propuestas concretas para la ingeniería en sistemas en México ahora que la IA programa

Por Alfredo Castillejos · Dixi-Project · 11 de noviembre de 2026 · 9 min de lectura
Ilustración: una lista de diez casillas, las primeras tres marcadas en verde, junto a un escudo con una palomita.

En Qué estudiar (y qué no) en una ingeniería en sistemas para 2032 propusimos un plan completo de 9 semestres. Un plan entero sirve para pensar, pero tarda años en aprobarse. Este artículo responde a una pregunta más corta: si hubiera que proponer hoy, de forma puntual, qué debería cambiar en la ingeniería en sistemas en México, ¿qué propondríamos?

La respuesta parte de un hecho y de un riesgo.

  • El hecho: escribir una implementación a partir de una descripción ya no distingue a un ingeniero. Los modelos actuales lo hacen en minutos, y 18.7% de los PRs integrados en GitHub en septiembre de 2026 los firmaban agentes de IA (deuda de verificación).
  • El riesgo: el empleo de las 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). Es la cantera rota: si nadie entra, en diez años no habrá quien supervise a la IA.

Con la IA produciendo cada vez más código, lo escaso en México será la gente que define el problema, verifica lo que entrega la máquina, opera el sistema en producción y responde por el resultado. Las diez propuestas que siguen apuntan a formar a esa gente, ordenadas por impacto y por qué tan rápido se pueden hacer.

Las diez propuestas de un vistazo

# Propuesta Quién la hace ¿Exige reformar el plan?
1 Pedir evidencia de verificación para acreditar CACEI y COPAES No
2 Residencia y servicio social como auditoría de sistemas reales Cada institución No
3 Formar a los docentes antes de cambiar el papel TecNM, universidades, ANUIES No
4 Rediseñar ya la especialidad Cada institución, con su autorización Solo la especialidad
5 No recortar matemáticas ni acortar la carrera Quien diseña el plan Sí
6 Una materia obligatoria sobre el contexto regulatorio mexicano Quien diseña el plan Sí
7 Herramientas en laboratorios trimestrales, no en materias Cada institución No
8 Cómputo compartido y modelos abiertos para las públicas ANUIES y SECIHTI No
9 Rehacer la puerta de entrada de quienes empiezan Industria y gobierno federal No
10 Un responsable humano en los sistemas públicos críticos Gobierno y colegios de profesionistas No

Siete de las diez no requieren tocar un plan de estudios. Es a propósito: la retícula de Ingeniería en Sistemas Computacionales del TecNM sigue vigente desde 2010, y esperar una reforma completa es dejar pasar otra generación.

Primero, lo que no exige reformar planes

1. Pedir evidencia de verificación para acreditar un programa

La palanca más rápida no es crear materias, sino cambiar lo que se exige para acreditar un programa de ingeniería. Si CACEI, el organismo reconocido por COPAES que acredita las ingenierías del país, pidiera estas tres evidencias, todas las escuelas que buscan la acreditación las adoptarían a la vez:

  • Evaluación dual: lo que el estudiante hace sin IA (fundamentos individuales) se califica por separado de lo que hace con IA (proyecto).
  • Auditoría con defectos sembrados: se entrega código generado por IA con errores conocidos y se mide cuántos encuentra el estudiante. Se califica de forma automática, así que escala a grupos de
  • Defensa oral: cada estudiante explica cualquier parte de lo que entrega.

Ninguna de las tres cambia una materia en el papel. Cambian lo que cuenta como evidencia de que alguien aprendió.

2. Convertir la residencia profesional y el servicio social en auditoría

Hoy la residencia suele terminar en «hice un sistemita para una empresa». Proponemos que su producto principal sea otro: especificar, probar y auditar sistemas reales de municipios, hospitales públicos, escuelas y pymes.

Tiene doble beneficio. Más del 99% de las unidades económicas del país son micro, pequeñas y medianas (INEGI, Censos Económicos), y casi ninguna puede pagar una revisión de seguridad o una batería de pruebas. El estudiante aprende lo que el mercado va a pedir y la organización recibe una revisión que no tendría de otra forma.

3. Formar a los docentes antes de cambiar el papel

Cualquier reforma que pida enseñar verificación, seguridad y desarrollo con agentes de IA fracasa si el profesorado no los ha practicado. Proponemos un año de formación docente antes de cualquier cambio formal:

  • Pruebas y verificación, incluidas pruebas de mutación.
  • Seguridad y modelado de amenazas.
  • Desarrollo con agentes de IA bajo controles: pruebas primero, revisión por riesgo, bitácora de uso.
  • Diseño de evaluaciones con defectos sembrados.

Sin esto, el cambio se queda en el nombre de las materias.

En el plan de estudios

4. Rediseñar ya la especialidad

En el TecNM, las materias de especialidad se autorizan mucho antes que el tronco común. Es el lugar para empezar. Una versión inmediata, con cinco materias:

  • Aprendizaje automático y evaluación
  • Modelos de fundación
  • Ingeniería de datos
  • Ingeniería de sistemas con IA
  • Evaluación y seguridad de sistemas con IA

5. No recortar matemáticas ni acortar la carrera

Si la IA escribe el código, la tentación es quitar matemáticas y egresar en menos semestres. Las dos son malas ideas:

  • Probabilidad e inferencia son lo que permite saber si un modelo funciona o solo lo parece. Sin ellas, la IA se vuelve una caja negra que nadie puede auditar.
  • Acortar la carrera manda a gente con menos formación a un mercado que contrata menos juniors y les exige más criterio. Además, la IA sin guardas puede dañar 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).

6. Una materia obligatoria sobre el contexto regulatorio mexicano

Un modelo genérico no conoce a fondo el contexto legal y fiscal de México. Un ingeniero que lo domina no se sustituye fácilmente. La materia cubriría, como mínimo:

  • La Ley Federal de Protección de Datos Personales en Posesión de los Particulares publicada en
  • Facturación electrónica (CFDI) y obligaciones ante el SAT.
  • Normas de salud y NOMs que afectan a sistemas de información.
  • Compras de gobierno y sistemas públicos.

Esta materia también forma algo que la IA no puede hacer por la persona: entender el dominio del cliente.

7. Las herramientas en laboratorios trimestrales, no en materias

Nada de crear la materia «Prompt engineering» ni una con el nombre de un framework. Las herramientas cambian cada trimestre y un plan formal tarda años en cambiar. Proponemos tres capas:

Capa Qué contiene Se revisa
Núcleo Fundamentos, verificación, seguridad, dominio y responsabilidad Cada 4 o 5 años
Competencias Los resultados de aprendizaje de cada materia Cada año
Laboratorios Modelos, agentes, frameworks y servicios de nube concretos Cada trimestre

Cuando aparezca otra generación de modelos, se actualiza el laboratorio, no el plan.

Política pública e industria

Las tres últimas propuestas son de política pública. Son nuestra opinión, no algo medido como los datos de arriba.

8. Cómputo compartido y modelos abiertos para las universidades públicas

Si los laboratorios dependen de licencias de pago, los tecnológicos con menos recursos quedan fuera. Es el mayor riesgo de equidad de cualquier reforma. Proponemos un consorcio nacional (por ejemplo, ANUIES con SECIHTI) que ofrezca:

  • Un presupuesto de cómputo por estudiante.
  • Modelos abiertos alojados en México, para practicar sin enviar datos fuera.
  • Laboratorios compartidos entre campus.

9. Rehacer la puerta de entrada de quienes empiezan

Las empresas contratan menos juniors para programar, porque eso ya lo hace la IA. La respuesta no es lamentarlo, sino crear otra puerta de entrada: puestos de aprendiz en verificación, pruebas, operación y seguridad, donde la persona revisa lo que produce la IA bajo la supervisión de alguien con experiencia.

Hay instrumentos que podrían orientarse a esto, como un estímulo fiscal por aprendiz o una vertiente de Jóvenes Construyendo el Futuro, el programa federal de capacitación en el trabajo para jóvenes de 18 a 29 años. Si nadie entra hoy, dentro de diez años no habrá seniors que supervisen a la IA.

10. Un responsable humano en los sistemas públicos críticos

En los sistemas de salud, finanzas, padrones y seguridad, proponemos que un ingeniero con cédula profesional firme el sistema y que quede registrado qué hizo la IA y cómo se verificó. Responde a la pregunta que más preocupa del software escrito por IA: ¿quién responde?. Además le da peso profesional a la carrera.

Lo que no proponemos

  • Carreras cortas de «IA aplicada» que solo enseñan a usar herramientas. Caducan antes de que egrese la primera generación.
  • Prohibir la IA. Hay que separar dónde se usa y dónde no, no vetarla.
  • Medir a los egresados por cuántos CRUD entregan. Un CRUD que funciona ya no prueba nada. Mejor publicar cuántos egresados tienen empleo a los 12 meses y en qué rol.

Si solo se pudiera hacer una cosa

Evaluar por separado lo que el estudiante hace sin IA y con IA, con defensa oral y auditoría de defectos sembrados. Cuesta poco, no exige reformar el plan, escala a grupos grandes porque la auditoría se califica sola, y obliga a todo lo demás: para aprobar, el estudiante tiene que saber verificar.

Cómo lo hacemos nosotros

No es teoría. En Dixi-Project trabajamos así todos los días: la IA escribe el código, las pruebas aprobadas no las puede tocar ningún agente, una persona firma cada commit y marca que responde por el cambio, y un Gate automático verifica antes de que nada llegue a producción. La IA no firma, no aprueba y no integra. Lo contamos en Un mantenedor, un agente y 141 PRs sin revisión humana y en Cómo construimos nuestro marco de desarrollo guiado por especificaciones.

Lo que hay que enseñar es a ocupar el lugar de quien firma.

Lo que puede salir mal

  1. Que la acreditación se vuelva un trámite. Si las evidencias se piden en papel y nadie revisa una auditoría real, la propuesta 1 no cambia nada.
  2. La escala. La defensa oral funciona en grupos de 30, no de 120. Por eso la auditoría con defectos sembrados, que se califica sola, es central.
  3. La dependencia de un proveedor. Un convenio con una sola empresa de IA resuelve el cómputo este año y crea un problema el siguiente. De ahí los modelos abiertos.
  4. Que la industria no cree los puestos de aprendiz. Sin incentivos, la propuesta 9 depende de la buena voluntad, y la buena voluntad no escala.

Lo que este artículo no afirma

  • Que estas diez propuestas estén validadas. Son un diseño razonado, no políticas probadas.
  • Que hablemos por CACEI, el TecNM, ANUIES, SECIHTI ni ninguna otra institución que mencionamos.
  • Que sepamos qué podrá hacer la IA en cinco años. Las propuestas apuestan por lo que vale en cualquier escenario: fundamentos, verificación, conocimiento del dominio y responsabilidad.

Fuentes

  • Tecnológico Nacional de México, retícula de Ingeniería en Sistemas Computacionales (plan 2010).
  • Brynjolfsson, Chandar y Chen, Canaries in the Coal Mine?, Stanford Digital Economy Lab, versión de agosto de 2026.
  • Bastani, Bastani, Sungu, Ge, Kabakcı y Mariman, Generative AI without guardrails can harm learning: Evidence from high school mathematics, PNAS 122(26) (2025).
  • Kwa et al., Measuring AI Ability to Complete Long Software Tasks, METR (2025).
  • INEGI, Censos Económicos 2019.
  • Ley Federal de Protección de Datos Personales en Posesión de los Particulares, Diario Oficial de la Federación (20 de marzo de 2025).
  • Dixi-Project: Qué estudiar (y qué no) en una ingeniería en sistemas para 2032, La cantera rota, Deuda de verificación y ¿Quién responde cuando el código lo escribió una IA? (2026).
CompartirLinkedInXWhatsApp