Chatbots de admisión: qué dice la investigación publicada

Lo que la investigación establece

Los estudios publicados muestran que un asistente conversacional por SMS puede ayudar a los admitidos a terminar sus trámites antes del inicio del curso. No muestran que un chatbot en la web de una universidad aumente las matrículas. Los ensayos más sólidos proceden de Estados Unidos, prueban mensajes enviados por la institución a estudiantes ya admitidos y usan IA no generativa.

Nota de método: no se disponía de una herramienta de pago de volumen de búsqueda, así que el tema se acotó con búsquedas públicas. Cada estudio se rastreó hasta su fuente (revista, documento de trabajo o repositorio institucional). Ninguna cifra procede de Skolbot ni de clientes.

Georgia State: el único ensayo grande sobre un chatbot de admisión

Page y Gehlbach siguen siendo la referencia. En 2016 Georgia State desplegó «Pounce», un asistente por SMS creado con un proveedor para acompañar a los admitidos durante el verano: ayudas económicas, vacunas, expedientes, matrícula de asignaturas.

Los admitidos se asignaron al azar al grupo con mensajes o al grupo de control. Entre quienes habían confirmado su compromiso, la matrícula a tiempo subió 3,3 puntos porcentuales. Los autores señalan que es comparable a intervenciones más costosas probadas antes, con mucha menos carga para el personal.

Hay dos límites. El efecto atañe a completar trámites tras la admisión, no a decidir presentar la solicitud ni a elegir centro. Y el ensayo es de 2016, mucho antes de los asistentes generativos actuales; su resultado no se traslada tal cual a un chatbot generativo abierto.

Summer melt: los SMS dirigidos funcionan donde falta ayuda

Antes de los chatbots, Castleman y Page probaron SMS personalizados con egresados de bajos ingresos. Los resultados variaron: positivos en tres de cuatro distritos, nulos en Boston, donde los jóvenes ya tenían mucho apoyo escolar y asociativo.

Para una institución, la lección es que el efecto de un mensaje automático depende de lo que el candidato habría recibido de todos modos. Donde un orientador responde rápido, la aportación adicional es pequeña.

La segmentación cambia el resultado

Nurshatayeva, Page, White y Gehlbach replicaron el diseño de Georgia State en otra universidad (4.442 estudiantes). El efecto global sobre la aceptación del préstamo fue de unos 4 puntos, y de unos 8 en estudiantes de primera generación, con unos 3 puntos en inscripción de asignaturas y matrícula.

Los autores concluyen que el contacto proactivo rinde más con quienes tienen menos respaldo familiar o escolar. Además, la parte del estudio en un community college no pudo ejecutarse bien por falta de números de móvil. La calidad de los datos de contacto limita tanto un estudio como un despliegue.

Fuera de la admisión: los chatbots de asignatura muestran un patrón parecido

Meyer, Page y coautores probaron un chatbot no generativo en asignaturas de grado mediante ensayos aleatorizados preregistrados. Los mensajes mejoraron las notas finales y el uso de apoyos académicos. Los efectos fueron similares entre grupos demográficos, salvo en las mujeres de un curso de microeconomía, cuyas notas subieron unos siete puntos porcentuales.

Se trata de estudiantes ya matriculados. Muestra el patrón «mensaje breve, tarea concreta, momento oportuno», pero no mide nada sobre la captación de candidatos.

El contraejemplo: no todos los nudges funcionan

Oreopoulos y Petronijevic siguieron a casi 25.000 estudiantes en tres campus. El coaching en línea y los SMS mejoraron algo el bienestar y el tiempo de estudio, pero ninguna intervención cambió de forma significativa los resultados académicos.

Esto matiza el resto: los mensajes parecen funcionar mejor con un trámite administrativo preciso y con fecha que con un cambio de conducta difuso. Page y colegas llegan a una conclusión parecida en su análisis de cuándo funciona el nudging.

Lo que la investigación no dice

No dice nada sobre un chatbot generativo en la web de una universidad que responde a las preguntas de los candidatos. No encontramos ningún ensayo aleatorizado publicado, en España ni fuera, que mida su efecto en solicitudes o matrículas.

Tampoco permite trasladar un porcentaje estadounidense a una universidad española. En Estados Unidos el admitido debe completar solo una cadena de pasos. En España el acceso se articula en torno a la EBAU o Selectividad y a la preinscripción por distrito universitario o por centro, con calendarios distintos; muchos obstáculos estudiados no existen así.

Por último, los estudios describen asistentes diseñados y vigilados por equipos de investigación. Un producto desplegado sin ese rigor no tiene resultado garantizado.

Qué implica para una universidad o escuela en España

El marco legal pesa más que los efectos medidos. El RGPD se aplica a cualquier mensaje a un candidato, y la AEPD exige transparencia, minimización y base jurídica en el tratamiento con IA. Con menores, la información debe ser comprensible.

El Reglamento europeo de IA clasifica como alto riesgo los sistemas que determinan el acceso a centros educativos. Un asistente que informa no decide; una herramienta que puntúa o clasifica solicitudes se acerca. La decisión de admisión sigue siendo humana. Las titulaciones privadas deben además ajustarse a lo que verifique la ANECA.

Cuatro consecuencias prácticas:

• Apunte a tareas con fecha: documentos que faltan, fechas de jornadas de puertas abiertas, plazos de reserva de plaza, entrevistas. Ahí los ensayos encuentran efectos.
• Dirija el mensaje a los candidatos con menos apoyo en lugar de enviar lo mismo a todos.
• Cuide los datos de contacto y el consentimiento antes de desplegar.
• Mida con grupo de control: una muestra aleatoria no recibe el aviso y se comparan las matrículas.

Para seguir, lea nuestra guía de agentes de IA para la captación de estudiantes, la definición de agente de IA de admisiones, el artículo sobre yield management y abandonos tras la admisión y la guía del chatbot de IA para captar estudiantes.