El riesgo se ve tarde. Con un nuevo tipo de IA, ya no.

Cada periodo, toda institución de educación superior pierde estudiantes que detectó tarde. No por falta de datos —asistencia, notas, matrícula, pagos están ahí—, sino porque ese dato se mira en un reporte que llega cuando el retiro ya está en trámite y el paralelo ya no tiene cómo intervenir.

El problema no es que no sepamos quién está en riesgo. Escuándolo sabemos.

El cuello de botella es el costo

Analizar el riesgo de miles de estudiantes con IA convencional —un modelo de lenguaje, un LLM— es caro y lento. Por eso, cuando se hace, se hace por lotes: una vez al periodo, con suerte una vez al mes. Y entre corrida y corrida, el estudiante que empezó a faltar hace tres semanas sigue siendo invisible para la institución.

Un modelo que no conversa: decide

Hace pocos días apareció un modelo que cambia esa ecuación. Se llamaJev, de TypeSafe AI —una empresa fundada por un exinvestigador de OpenAI—. Jev no es un chatbot. No escribe texto. Hace una sola cosa:decidir. Recibe el estado de una situación y devuelve una decisión con su probabilidad y su nivel de confianza.

Sus creadores lo llaman un modelo"System One"—la parte rápida e intuitiva del pensamiento— y afirman que es hasta cien veces más rápido y más económico que un LLM en este tipo de tareas. Y como las respuestas posibles se definen de antemano, no puede alucinar.

Traducido a retención: evaluar el riesgo se vuelve tan barato que ya no hay que esperar al reporte del mes. Se puede puntuar a los más de 50.000 estudiantes de la plataforma de formacontinua—cada día, con cada cambio de asistencia o de nota— e intervenir cuando la confianza cruza el umbral que la propia institución define. El riesgo deja de verse en retrospectiva y empieza a verse a tiempo.

Sin exponer un solo nombre

Aquí está la parte que a rectoría —y a su responsable de protección de datos— le importa. Detectar riesgo no exige saberquiénes la persona; exige la señal: asistencia, trayectoria de notas, créditos, cambios de matrícula. Como Jev recibe un vector estructurado y no texto libre, la institución controla con precisión qué sale de su sistema.

El patrón es laseudonimización: el mapa entre el token y el estudiante real se queda dentro de AcademicOK. Jev devuelve la probabilidad contra ese token; la plataforma la reconecta localmente y activa el acompañamiento. Nunca sale un nombre, una cédula ni un correo. Es la diferencia entre "usamos IA con los datos del estudiante" y "usamos IA sin exponer al estudiante" —una distinción que, con la LOPDP plenamente vigente en Ecuador, dejó de ser opcional.

No reemplaza al asistente; lo hace posible

Esto no sustituye al asistente 24/7 ni, mucho menos, al criterio del docente. Es la capa de decisión que corre por debajo: rápida y barata para lo estructurado —¿este estudiante está en riesgo, con qué confianza?—, dejando el lenguaje y el acompañamiento a las personas. Encaja con la idea que venimos defendiendo: no un modelo gigante que lo hace todo, sino el modelo correcto para cada tarea.

La deserción se combate con tiempo. Un modelo que solo decide —y que cuesta una fracción— es, por fin, lo bastante barato como para mirar a cada estudiante todos los días. Antes de que el retiro sea un trámite.

¿En su institución la retención se ve tarde? Hablemos —de la operación, no del software.