Estructura del sistema educativo: MIC y análisis de sistemas

Objetivo didáctico

Evaluar la estructura de un sistema educativo mediante una Matriz de Impactos Cruzados y criterios de pensamiento sistémico, justificando relaciones de influencia, distinguiendo influencia directa e indirecta, interpretando perfiles de motricidad/dependencia y valorando la sensibilidad del diagnóstico antes de seleccionar variables estratégicas.

Introducción

Los diagnósticos educativos suelen organizarse como inventarios: financiamiento, docentes, tecnología, regulación, matrícula, equidad, currículo, infraestructura, cultura institucional. El problema aparece cuando todos los factores quedan alineados como si actuaran de manera independiente. Un sistema no es una lista. Es un conjunto de elementos cuyas relaciones producen comportamientos que no se explican examinando cada parte por separado.

El análisis estructural prospectivo desarrollado dentro de la prospective busca precisamente describir esas relaciones. Godet y Durance (2007) plantean el análisis estructural como una reflexión colectiva sobre las variables constitutivas del sistema y su entorno. MICMAC —Matrice d’Impacts Croisés Multiplication Appliquée à un Classement— utiliza una matriz de influencias directas y, mediante multiplicaciones sucesivas, hace visibles influencias indirectas que pueden modificar la jerarquía inicial de variables.

La lógica coincide con una idea más amplia del pensamiento sistémico: las intervenciones producen efectos a través de conexiones, demoras, retroalimentaciones y respuestas de otros componentes. La OECD (2020) señala que los enfoques sistémicos ayudan a representar interconexiones y consecuencias no lineales de las políticas; en educación, donde intervienen múltiples niveles y actores, tratar una reforma como una relación lineal entre “acción” y “resultado” puede ocultar los mecanismos que explican adaptación, resistencia y efectos no deseados.

Una aplicación reciente en educación superior muestra la vigencia del método. García Reyes et al. (2025) utilizaron análisis estructural prospectivo y MICMAC para examinar factores vinculados con calidad en programas virtuales, articulando dimensiones académicas, organizacionales, tecnológicas y de apoyo. Ese tipo de aplicación no convierte la matriz en prueba causal: muestra cómo puede emplearse para priorizar relaciones y factores que requieren una segunda etapa de interpretación.

Desarrollo del tema

Delimitación y variables: antes de llenar la matriz

El error más costoso ocurre antes del cálculo: construir una lista deficiente de variables. Una variable estructural debe ser suficientemente específica para que pueda discutirse su relación con otras, pero no tan estrecha que fragmente artificialmente el fenómeno. “Tecnología” es demasiado amplia; “capacidad institucional para gobernar sistemas de inteligencia artificial” es más evaluable. “Calidad” puede ser un resultado compuesto; “calidad del aprendizaje demostrada mediante evaluaciones auténticas” delimita mejor el objeto.

También deben evitarse variables que mezclan causa y resultado en la misma etiqueta. “Baja capacitación docente y resistencia al cambio” fusiona dos fenómenos que podrían tener relaciones diferentes. Otra fuente de distorsión es introducir actores y variables sin distinguirlos: “gobierno” no es una variable; “intensidad regulatoria sobre datos educativos” sí puede serlo. Los actores se analizarán con técnicas específicas, pero sus decisiones pueden representarse como variables cuando el mecanismo esté claramente definido.

La frontera del sistema es igualmente decisiva. Una universidad puede estudiar solo variables internas y concluir que la formación docente es el principal motor, mientras una regulación nacional emergente modifica simultáneamente contratación, uso de datos, evaluación y proveedores. El entorno explicativo no debe confundirse con “lo externo que no podemos controlar”: puede contener determinantes decisivos para el comportamiento del sistema.

Aplicación: toma una variable amplia de tu institución y reescríbela hasta que dos evaluadores puedan responder la pregunta “¿A influye directamente sobre B?” sin interpretar conceptos diferentes.

La matriz de influencias directas: dirección, intensidad y mecanismo

Una matriz estructural coloca las mismas variables en filas y columnas. La celda i,j responde si la variable de la fila influye directamente sobre la variable de la columna dentro del horizonte y sistema definidos. La dirección importa: que A influya en B no significa que B influya en A con la misma intensidad. Cuando ambas relaciones existen se forma una retroalimentación, pero cada sentido debe justificarse por separado.

En aplicaciones MICMAC es común utilizar escalas ordinales para representar ausencia o intensidad de influencia. La escala exacta debe declararse y mantenerse estable. El número no es una medida empírica de causalidad; es una codificación del juicio colectivo. Por eso, una matriz llena de números sin justificaciones pierde trazabilidad. El equipo debe conservar al menos una breve razón para las relaciones fuertes y para aquellas que generaron desacuerdo.

La pregunta clave es influencia directa. Si “regulación de IA” modifica “calidad del aprendizaje” únicamente porque cambia “gobernanza institucional”, que a su vez cambia “diseño docente”, la relación regulación → calidad no debería contabilizarse como directa si el diseño metodológico reserva la matriz inicial para relaciones inmediatas. Esa disciplina evita contar dos veces el mismo mecanismo.

También debe distinguirse influencia de asociación. Dos variables pueden moverse juntas porque reciben el efecto de una tercera. “Uso de plataformas” y “gasto tecnológico” pueden correlacionarse sin que una produzca directamente la otra. La matriz exige una hipótesis mecanística: ¿qué proceso conecta A con B?

Aplicación: no asignes un valor mayor a 0 si no puedes completar la frase “A modifica B porque…”, sin introducir silenciosamente una tercera variable intermedia.

Influencia y dependencia: leer un plano sin convertirlo en receta

La suma de una fila ofrece una medida simple de influencia directa: cuánto afecta una variable al resto según la matriz. La suma de una columna ofrece una medida de dependencia directa: cuánto recibe esa variable de las demás. Al representar ambas dimensiones se obtiene un plano que suele distinguir perfiles como variables determinantes o de entrada, variables de enlace o relevo, variables de resultado y variables relativamente autónomas.

Las variables con influencia alta y dependencia baja pueden actuar como determinantes; las de alta influencia y alta dependencia son más inestables porque participan en redes de retroalimentación; las muy dependientes pueden funcionar como resultados o indicadores del estado del sistema; las de baja influencia y baja dependencia quedan relativamente desconectadas dentro de la estructura considerada. Los nombres exactos de las zonas varían en la literatura y aplicaciones, por lo que importa más el perfil estructural que la etiqueta.

Un error de decisión consiste en interpretar “alta influencia” como “intervenir aquí”. Una regulación externa puede ser altamente motriz y prácticamente no controlable por una universidad. Una variable de enlace puede ser influyente pero tan dependiente del resto que una intervención aislada produzca efectos inestables. Y una variable de resultado puede ser una excelente métrica de éxito aun cuando no sea una palanca.

La lectura estratégica debe agregar al plano por lo menos dos preguntas: controlabilidad —¿qué capacidad tiene la institución para modificar esa variable?— y efectos no deseados —¿qué bucles activa una intervención?—. Sólo entonces la motricidad empieza a convertirse en criterio de acción.

Aplicación: para cada variable de alta influencia, clasifica el margen institucional de acción como alto, medio o bajo. Una variable estructuralmente decisiva puede requerir adaptación y monitoreo, no intervención directa.

Influencia indirecta y retroalimentación: cuando cambia el orden de prioridades

La matriz directa solo muestra relaciones de un paso. Sin embargo, un sistema puede propagar efectos a través de cadenas: A influye en B, B en C y C en D. MICMAC multiplica la matriz por sí misma de manera sucesiva para identificar caminos indirectos y observar si la jerarquía de variables cambia cuando se consideran cadenas y bucles. La intuición matemática es sencilla: las potencias de la matriz cuentan y ponderan caminos de longitud creciente.

Esto resulta importante porque una variable con influencia directa moderada puede ocupar una posición más central al participar en varios circuitos. En educación, la calidad del aprendizaje suele pensarse como un resultado. Pero si sus cambios alteran confianza, demanda, regulación interna y decisiones de inversión, puede retroalimentar el sistema. A la inversa, una variable inicialmente considerada motriz puede perder importancia relativa si sus efectos terminan absorbidos por otras relaciones.

El análisis indirecto tampoco elimina el juicio. Una cadena larga basada en relaciones mal justificadas amplifica el error inicial. Si el panel asignó intensidades sesgadas, las multiplicaciones hacen más consistente el sesgo, no más verdadero. De ahí la necesidad de análisis de sensibilidad: modificar relaciones discutidas, comparar paneles o retirar una variable y observar si las prioridades estructurales son estables.

El pensamiento sistémico añade otro elemento: las retroalimentaciones pueden ser reforzadoras o compensadoras. Una inversión en tecnología puede mejorar capacidades, aumentar adopción y justificar nueva inversión; también puede elevar carga de soporte, producir fatiga y activar resistencia que limite la adopción. El signo y las demoras importan, aunque una MIC ordinal tradicional no siempre los represente de manera suficiente. Para problemas complejos puede ser necesario complementarla con diagramas causales o modelación dinámica.

Aplicación: selecciona una relación fuerte de tu matriz y busca al menos un camino indirecto que regrese a la variable de origen. Si existe, no interpretes la intervención como un efecto lineal.

Figura 1: Plano conceptual influencia-dependencia.

Nota: esquema conceptual de elaboración didáctica. La localización concreta de variables depende de la matriz y de los criterios de clasificación utilizados.

De la estructura a la decisión: palancas, restricciones e indicadores

La salida de una MIC no debería ser una lista titulada “variables estratégicas” y una recomendación de intervenir sobre todas. La decisión exige distinguir al menos cuatro funciones. Una palanca combina influencia con margen de acción. Una restricción puede ser altamente influyente pero poco controlable. Una variable de vigilancia puede indicar cambios del entorno que obligan a revisar estrategia. Un resultado puede ser poco motriz y, aun así, esencial para evaluar si la transformación produce valor.

Esta distinción evita una paradoja frecuente. Si la calidad del aprendizaje aparece como variable muy dependiente, una lectura ingenua podría declararla “poco estratégica”. En realidad puede ser el criterio normativo principal de la asignatura o del proyecto. El análisis estructural responde cómo se organiza el sistema; no decide por sí solo qué debe valorar la institución.

De igual modo, la regulación puede aparecer como determinante pero no ser palanca interna. En ese caso, la estrategia puede consistir en construir capacidades de adaptación, monitorear señales regulatorias y evitar inversiones irreversibles. El diagnóstico estructural se convierte en política cuando se combina con controlabilidad, valores y escenarios.

La revisión de García Reyes et al. (2025) en educación superior resulta ilustrativa porque muestra cómo variables tecnológicas, académicas, organizacionales y de apoyo pueden examinarse como un conjunto interdependiente. Para esta asignatura, el paso adicional es crítico: no basta aceptar las posiciones resultantes; hay que preguntar si otra composición de panel, otra definición de variable o un cambio pequeño en una relación fuerte alteraría la prioridad.

Aplicación: selecciona tres variables estructurales y asigna una función distinta a cada una: palanca, restricción, vigilancia o resultado. Si las tres terminan como “palancas”, revisa tu razonamiento.

Conclusión

El análisis estructural modifica la pregunta prospectiva. En lugar de preguntar qué factores parecen importantes, obliga a declarar qué influye en qué, mediante qué mecanismo y con qué intensidad. La matriz hace visible una representación colectiva del sistema; MICMAC permite examinar cómo esa representación cambia cuando se consideran caminos indirectos; el pensamiento sistémico añade retroalimentaciones, demoras, controlabilidad y posibles efectos no deseados.

La lección deja una advertencia decisiva: estructura no equivale a estrategia. Una variable puede ser motriz y no controlable, dependiente y normativamente esencial, o central y demasiado inestable para intervenir de manera aislada. La estrategia aparece cuando el diagnóstico se combina con capacidad de acción, evidencia, valores y revisión.

En la L7 pondremos a prueba otra tentación metodológica: asumir que una trayectoria observada continuará. Trabajaremos con extrapolación y analogía para evaluar cuándo una regularidad constituye evidencia útil y cuándo se convierte en una inferencia injustificada sobre el futuro.

Actividad de aprendizaje autónoma

Variables del caso:

• GOV: capacidad institucional de gobernanza de inteligencia artificial.
• DOC: capacidad docente para diseño pedagógico y evaluación.
• INF: infraestructura digital interoperable.
• EQ: equidad de acceso digital efectivo.
• DEM: demanda y expectativas estudiantiles.
• CAL: calidad del aprendizaje.
• REG: intensidad de regulación externa sobre tecnología y datos.

La consultoría utilizó una escala simulada de 0 a 3: 0 = sin influencia directa defendida; 1 = débil; 2 = media; 3 = fuerte. Los valores siguientes son exclusivamente didácticos y no representan una institución real.

Producto: elabora un informe de auditoría estructural de aproximadamente 1,600 a 1,900 palabras y anexa una matriz corregida o defendida.

1. Audita la definición de las siete variables e identifica al menos una que requiera precisión adicional.
2. Selecciona seis relaciones de la matriz —incluye al menos dos puntuadas con 3 y dos puntuadas con 0— y defiende, modifica o elimina el valor mediante un mecanismo explícito.
3. Calcula la influencia directa por fila y la dependencia directa por columna.
4. Interpreta el plano usando como referencia inicial la media de influencia y dependencia del conjunto; trata como “frontera” cualquier variable exactamente sobre la media.
5. Compara el ranking directo con los valores de influencia de segundo orden proporcionados en el interactivo de la lección. Explica qué cambio de posición merece investigación.
6. Identifica al menos un bucle de retroalimentación defendible y explica por qué una intervención lineal podría producir efectos no previstos.
7. Realiza una prueba de sensibilidad cualitativa: cambia en un punto dos relaciones que consideres discutibles y argumenta qué clasificación podría volverse inestable.
8. Clasifica tres variables como palanca, restricción, vigilancia o resultado. Ninguna clasificación puede basarse únicamente en la suma de influencia.
9. Emite un fallo sobre la recomendación de la consultoría: aceptar, aceptar con condiciones o rechazar la regla “invertir en las tres variables más influyentes”.

Referencias bibliográficas

• García Reyes, D. A., García Ramírez, M. T., Eliseo Dantés, H., & Katt Morales, L. A. (2025). Análisis estructural prospectivo para optimizar la calidad educativa de programas virtuales en educación superior. Apertura, 17(1), 22–37. doi:10.32870/ap.v17n1.2585
• Godet, M., & Durance, P. (2007). Prospectiva estratégica: problemas y métodos. LIPSOR/Prospektiker.
• Meadows, D. H. (2008). Thinking in systems: A primer. Chelsea Green Publishing.
• Medina Vásquez, J. E., & Ortegón, E. (2006). Manual de prospectiva y decisión estratégica: Bases teóricas e instrumentos para América Latina y el Caribe. CEPAL/ILPES.
• OECD. (2020). Systemic thinking for policy making: The potential of systems analysis for addressing global policy challenges in the 21st century. OECD Publishing. doi:10.1787/879c4f7a-en
• Snyder, S. (2013). The simple, the complicated, and the complex: Educational reform through the lens of complexity theory. OECD Education Working Papers, No. 96. OECD Publishing.
• Sterman, J. D. (2000). Business dynamics: Systems thinking and modeling for a complex world. Irwin/McGraw-Hill.