Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Inteligencia artificial en la educación superior: una revisión
sistemática sobre aplicaciones, beneficios y desafíos
pedagógicos
Artificial Intelligence in Higher Education: A Systematic Review on
Pedagogical Applications, Benefits, and Challenges
-Fecha de recepción: 30-03-2026 -Fecha de aceptación: 28-04-2026 -Fecha de publicación: 30-06-2026
Gabriela Fernanda Palacios Montenegro
Instituto Superior ITECSUR, Quito Ecuador
gpalacios@itecsur.edu.ec
https://orcid.org/0009-0005-5906-154X
Marcelo Francisco Ortiz Vera
Instituto Superior ITECSUR, Quito Ecuador
mortiz1@itecsur.edu.ec
https://orcid.org/0009-0004-3952-2735
Jeison Alejandro Medina Insuasti
Instituto Superior ITECSUR, Quito Ecuador
jmedina@itecsur.edu.ec
https://orcid.org/0009-0001-2436-8710
José Julio Lara Reimundo
Universidad Central del Ecuador, Quito
jjlarar@uce.edu.ec
https://orcid.org/0000-0001-7525-6156
Resumen
Este artículo presenta una revisión sistemática cuyo objetivo fue analizar las aplicaciones,
beneficios y desafíos pedagógicos de la inteligencia artificial (IA) en la educación superior. El
problema de estudio se centra en la incorporación acelerada de herramientas basadas en IA en las
universidades, proceso que promete mejorar la personalización del aprendizaje, la evaluación y la
gestión académica, pero que también genera riesgos éticos, brechas de acceso y nuevas exigencias
para el rol docente. Asi mismo se aplicó el método PRISMA a través de la búsqueda en Redalyc,
SciELO, ERIC, Web of Science y Scopus, y para ello se seleccionaron 20 artículos entre los años
2020 y 2026 y documentos de organizaciones internacionales. La investigación cualitativa
concluyó que la inteligencia artificial favorece la personalización, las respuestas en tiempo real, la
automatización de evaluaciones y el tomar decisiones fundamentadas en datos. Sin embargo,
todavía existen dificultades asociadas con la autenticidad de los algoritmos, la diferencia digital,
la dependencia tecnológica, la privacidad y la capacitación de los docentes. Se infiere que la
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
inteligencia artificial tiene el potencial de revolucionar la educación universitaria si se aplica con
principios éticos, críticos, inclusivos y pedagógicos.
Palabras clave: inteligencia artificial, educación superior, tecnología educativa, innovación
pedagógica, aprendizaje digital.
Abstract
This article presents a systematic review whose objective was to analyze the applications, benefits,
and pedagogical challenges of artificial intelligence (AI) in higher education. The study problem
focuses on the accelerated incorporation of AI-based tools in universities, a process that promises
to improve the personalization of learning, assessment and academic management, but also
generates ethical risks, access gaps and new demands for the teaching role. Likewise, the PRISMA
method was applied through the search in Redalyc, SciELO, ERIC, Web of Science and Scopus,
and for this purpose, 20 articles between 2020 and 2026 and documents from international
organizations were selected. Qualitative research concluded that artificial intelligence supports
personalization, real-time responses, automating assessments, and making data-driven decisions.
However, there are still difficulties associated with the authenticity of algorithms, digital
difference, technological dependency, privacy, and teacher training. It is inferred that artificial
intelligence has the potential to revolutionize university education if applied with ethical, critical,
inclusive and pedagogical principles.
Keywords: artificial intelligence, higher education, educational technology, pedagogical
innovation, digital learning.
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Introducción
La inteligencia artificial (IA) en la educación superior atraviesa un proceso de transformación
impulsado por la digitalización y la incorporación de tecnologías emergentes, entre las cuales la
IA ocupa un lugar central. Los métodos de evaluación, gestión de información académica,
enseñanza y aprendizaje en las universidades se han transformado por la digitalización, sobre todo
a través de sistemas analíticos del aprendizaje, plataformas virtuales, recursos educativos en línea
y ambientes híbridos. En este escenario, la inteligencia artificial se presenta como un instrumento
estratégico para el tratamiento de grandes cantidades de información, la identificación de patrones
de aprendizaje y el respaldo a decisiones académicas más oportunas, siempre que su puesta en
marcha esté fundamentada en criterios pedagógicos, éticos e institucionales bien definidos
(UNESCO, 2023; OECD, 2021).
Asimismo, la IA ha hecho posible que cada uno aprenda de manera individual, algo que los
modelos tradicionales no eran capaces de lograr con certeza. Ahora es posible ajustar los
contenidos, el ritmo y los métodos de evaluación en función de las necesidades individuales del
estudiante, lo que responde a las demandas actuales de la educación centrada en el alumno.
La IA, por otra parte, promueve la efectividad institucional y académica al facilitar la
automatización de procedimientos como el seguimiento del desempeño estudiantil, la gestión de
información educativa, la evaluación y la retroalimentación instantánea. Estas aplicaciones tienen
la habilidad de reducir el volumen de trabajo del profesorado, lo que le permite al docente
concentrarse más en actividades pedagógicas difíciles, como son: diseñar experiencias de
aprendizaje, mediar en términos didácticos, orientar de manera crítica sobre el uso de tecnologías
digitales y acompañar (Holmes et al., 2021; OECD, 2021; Chen et al., 2020).
Al mismo tiempo, su relevancia es considerable, ya que ha generado nuevos desafíos pedagógicos
y éticos, como la transformación del rol del docente. La inteligencia artificial está asumiendo un
rol central al tener acceso a información, ya que no solo complementa la digitalización, sino que
también transforma el modo de enseñar, aprender y administrar la educación superior.
En esta línea, la UNESCO afirma que está comprometida con construir un futuro en el que las
tecnologías emergentes y la inteligencia artificial se desarrollen para beneficiar a los seres
humanos, con el fin de fomentar principios de inclusión, equidad, sostenibilidad y ética (UNESCO,
2023).
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
En cuanto a la inteligencia artificial, es importante establecer que se refiere al grupo de sistemas
informáticos creados para realizar trabajos que normalmente necesitan de la inteligencia humana,
como la toma de decisiones, el aprendizaje, el razonamiento y la identificación de patrones.
También, para mejorar su rendimiento de manera autónoma, estos sistemas utilizan algoritmos
sofisticados y procesan grandes cantidades de datos (Russell y Norvig, 2021; UNESCO, 2023).
Es importante destacar que las nuevas tecnologías siempre están evolucionando y son capaces de
tener un impacto considerable en diversas áreas de los individuos, como la educación, la economía
y lo social. Entre otras cosas, abarcan la inteligencia artificial, el internet de las cosas (IoT), la
informática en la nube, los grandes volúmenes de datos y la realidad aumentada. Por lo tanto, se
distinguen por su desarrollo acelerado y su notable impacto disruptivo (OECD, 2021; UNESCO,
2023).
Los sistemas tecnológicos que respaldan los procesos de aprendizaje, enseñanza, evaluación y
gestión académica son el objetivo de las aplicaciones de inteligencia artificial en la educación
superior. Los sistemas de tutoría inteligente, los chatbots educativos, la analítica del aprendizaje y
la automatización de evaluaciones son algunos de los usos más comunes que Holmes et al. (2021)
han descubierto. Esta cita permite entender que la variable aplicaciones de la IA no debe
considerarse como una mera adición de instrumentos digitales, sino como un conjunto de
intervenciones que cambian el modo en que se estructura la enseñanza y se acompaña el
aprendizaje en la universidad.
Las aplicaciones de inteligencia artificial tienen valor educativo en la medida que permiten adecuar
los contenidos, brindar retroalimentación apropiada y reconocer las distintas necesidades de los
estudiantes. Estas Las tecnologías se emplean, además, con el propósito de predecir el rendimiento
académico y detectar a tiempo posibles riesgos de abandono, según afirma la OCDE (2021). Este
El enfoque muestra que la variable de aplicaciones tiene una activación directa con las decisiones
tomadas a nivel institucional, ya que el empleo de datos puede fomentar acciones preventivas; Sin
embargo, su importancia radica en que los docentes y las autoridades interpretan los resultados
algorítmicos teniendo en cuenta criterios éticos, pedagógicos y contextuales.
La calidad de la educación, la eficiencia institucional y el fortalecimiento de la autonomía del
alumnado son algunos de los beneficios que brinda la inteligencia artificial en la educación
superior. Holmes et al. (2021) argumentan que la inteligencia artificial propicia un aprendizaje
individualizado a través de la adecuación de los contenidos, las estrategias pedagógicas y el ritmo
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
a las particularidades de cada alumno. Esta cita sugiere que la variable beneficios no puede
limitarse a la innovación tecnológica, porque su valor educativo se basa en la capacidad de abordar
necesidades específicas del aprendizaje y de fomentar trayectorias educativas más relevantes.
Chen et al. (2020) afirman que la inteligencia artificial contribuye a automatizar las tareas
administrativas y de evaluación, lo que podría disminuir la carga operativa de los profesores.
Desde un punto de vista crítico, esta contribución demuestra que la eficacia institucional es solo
una ventaja relevante si posibilita a los profesores tener más tiempo para tareas más complejas,
como el diseño didáctico, la retroalimentación cualitativa y el asesoramiento académico. Desde un
punto de vista ontológico, la comprensión lectora a través de plataformas virtuales se considera un
fenómeno pedagógico que se caracteriza por su complejidad, variedad y naturaleza social.
Esta actividad va más allá de la simple conexión individual de los estudiantes con dispositivos
digitales; Incluye una red en la que se unen actores, textos, herramientas, contextos, conocimientos
previos, emociones, principios morales y formas de comunicación. En esta perspectiva, se
considera el desciframiento de textos en contextos de red como una práctica establecida en un
lugar específico, donde el estudiante interpreta la obra a partir de sus experiencias pasadas, su
ambiente familiar o escolar yla orientación proporcionada por los docentes (Vygotsky, 1978;
Rosenblatt, 1978).
En este contexto, los sistemas mecanizados no tienen valor como sustitutos de los docentes;
funcionan como un recurso adicional para fortalecer su trabajo pedagógico.
Según la UNESCO (2023), los sistemas inteligentes tienen la capacidad de aumentar el acceso a
los recursos educativos en línea, al mismo tiempo que favorecen entornos de aprendizaje más
inclusivos y flexibles. Esta postura muestra que los beneficios de estos recursos tienen un efecto
directo en el tejido social, ya que las tecnologías tienen la capacidad de proporcionar igualdad de
oportunidades educativas para la población. Sin embargo, esto necesita de un acceso equitativo a
las redes, una conectividad adecuada y el apoyo sólido de los colegios.
Por tanto, se concluye que los beneficios de estos mecanismos tecnológicos no tienen un efecto
automático, ya que dependen totalmente de directrices institucionales que garantizan una
aplicación ética y coordinada con la justicia en términos sociales.
Kasneci et al. (2023) afirman que con el propósito de evitar información sesgada o incorrecta, es
imprescindible establecer pautas éticas, verificar las fuentes de información y mantener una
vigilancia humana permanente. Los retos pedagógicos que supone incorporar tecnologías
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
autónomas en las universidades se centran en cómo estos recursos alteran las relaciones entre la
enseñanza, el aprendizaje de conocimientos, el entorno digital y los deberes de la administración
académica. Alabama. (2023) afirman que con el propósito de evitar información sesgada o
incorrecta, es imprescindible establecer pautas éticas, verificar las fuentes de información y
mantener una vigilancia humana permanente.
Esta perspectiva hace posible afirmar que los retos de la enseñanza sobrepasan la mera
implementación técnica de los dispositivos; incluyen una responsabilidad ética en relación con la
rigurosidad del conocimiento impartido en las aulas, así como la promoción del juicio propio del
alumno para distinguir entre el conocimiento estructurado científicamente y la producción
algorítmica.
Bearman et Alabama. (2023) aclaran que la implementación de sistemas de La computación
cognitiva en las aulas universitarias crea tensiones relacionadas con la originalidad de los trabajos,
la acreditación y el papel de los profesionales en las trayectorias académicas.
Esta aportación es valiosa porque muestra que el desafío va más allá del aspecto técnico; se refiere
directamente a cómo los espacios universitarios reajustan los modelos de evaluación, las tareas de
tutoría y la evolución ética del saber. Por Por lo tanto, esas tecnologías funcionan como vehículos
que tienen el potencial de fortalecer las dinámicas en la clase, pero también existe el peligro de
que dificulten los procesos de formación si se ubican por encima del pensamiento y la deliberación
pedagógica.
Según la información de la CEPAL (2022), el cambio tecnológico en América Latina perpetúa
desigualdades relacionadas con las condiciones materiales de conectividad, las habilidades
operativas y la infraestructura de comunicaciones.
Los Los problemas de la práctica pedagógica tienen un componente estructural importante; las
diferencias en el acceso a estas plataformas aumentan las brechas socioeducativas entre los
alumnos, los docentes y las instituciones educativas. Para Integrar estos recursos informáticos en
el nivel superior, es necesario establecer planes estatales transversales que aseguren la obtención
de los equipos básicos, la capacitación técnica y la responsabilidad en su gestión.
Por esta razón, es importante sistematizar la evidencia científica más reciente. A través del análisis
estructurado hace más efectivo determinar cuáles de las herramientas tiene mayor soporte
empírico, además cuáles se están fortaleciendo y cuáles retos pedagógicos necesitan atención en
los centros de educación superior. En definitiva, el propósito de este estudio reside en analizar las
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
aplicaciones, las ventajas y los retos pedagógicos que presenta la inteligencia artificial en la
educación superior. Con este fin, se llevará a cabo un análisis sistemático de la literatura publicada
entre 2020 y 2026, para ofrecer una base crítica para su uso responsable, inclusivo y centrado en
el aprendizaje.
Materiales y Métodos
Con base en lo expuesto, la revisión sistemática se guió por la siguiente pregunta de
investigación: ¿Qué retos, ventajas y aplicaciones pedagógicas tiene la inteligencia artificial en la
educación superior, de acuerdo con los datos científicos publicados entre 2020 y 2026? Esta
cuestión facilitó el ordenamiento del análisis bibliográfico científico y la creación de un vínculo
directo entre el objetivo general, el problema de estudio y las categorías principales de la
investigación. El estudio se llevó a cabo siguiendo un diseño de revisión sistemática de la
literatura, con el objetivo de encontrar, estructurar y examinar la evidencia científica existente
acerca de la inteligencia artificial en la educación superior, poniendo especial atención en sus
usos, ventajas y retos pedagógicos. Este el diseño es importante porque permite sintetizar
hallazgos de investigaciones previas y establecer conexiones entre tendencias, vacíos y
contribuciones del campo de estudio (Page et al., 2021).
El análisis fue estructurado siguiendo las directrices de la declaración PRISMA 2020 (Preferred
Reporting Items for Systematic Reviews and Meta-Analyses), que determina estándares para
hacer claros las etapas de identificación, cribado, elegibilidad e inclusión de documentos. La
implementación de su aplicación habilitó la creación de un método que puede ser verificado para
investigar, seleccionar y analizar los estudios incluidos (Page et al., 2021).
Asi mismo la investigación se estableció bajo un enfoque analítico-descriptivo. El cual registró
los aspectos generales de los documentos elegidos en la etapa descriptiva, tales como: la autoría,
el país, el año en que se realizaron, la clase de estudio, la aplicación de IA y las interpretaciones
más importantes. Los resultados se compararon en la fase analítica para identificar similitudes,
diferencias y contribuciones pedagógicas, sin interferir directamente con los participantes ni
manipular las variables (Hernández-Sampieri y Mendoza, 2020).
Se hallaron120 publicaciones en los archivos documentales que se indagaron al comienzo de la
investigación: Redalyc, ERIC, SciELO, Web of Science y Scopus. Se eliminaron 25 textos en la
etapa de clasificación inicial, ya sea porque se repetían o no tenían relación con el tema de
estudio. Por lo tanto, para la fase de filtrado quedaron 95 manuscritos. En esta etapa se revisaron
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
los encabezados y las sinopsis de las obras; como resultado, se desestimaron 35 de ellas porque
no cumplían con los criterios de admisión establecidos en cuanto a la franja temporal de edición,
el nivel profesional universitario y la conexión directa con los sistemas de computación
cognitiva.
Tabla 1.
Cadenas de búsqueda empleadas
Base de
datos
Cadena de búsqueda
Scopus
(“Artificial Intelligence” OR “AI”) AND (“Higher Education” OR
“University”) AND (“Pedagogy” OR “Teaching” OR “Learning”)
Web of
Science
(“Artificial Intelligence” AND “Higher Education”) AND (“Educational
Innovation” OR “Learning Analytics”)
ERIC
(“AI in Education” OR “Artificial Intelligence”) AND (“University Education”
OR “Higher Education”)
SciELO
(“inteligencia artificial” AND “educación superior”) AND (“aprendizaje” OR
“pedagogía”)
Redalyc
(“IA” OR “inteligencia artificial”) AND (“educación universitaria” OR
“educación superior”)
Tabla 2.
Criterios de inclusión y exclusión
Criterios de inclusión
Criterios de exclusión
Artículos científicos que han sido
publicados entre 2020 y 2026
Estudios que se han publicado antes de 2019.
Artículos revisados por pares
Artículos no científicos (opiniones, blogs)
Investigaciones en español e inglés
Lenguas distintas a las definidas
Investigaciones enfocadas en educación
superior
Estudios que se centran en la educación técnica o
básica
Artículos vinculados con inteligencia
artificial y educación
investigaciones que no están directamente
relacionadas con la inteligencia artificial
El proceso de selección de los estudios se llevó a cabo en cuatro etapas. En primer lugar, se
identificaron los registros en las bases que se habían seleccionado; después, se eliminaron
documentos irrelevantes y duplicados; luego, de acuerdo con los criterios de inclusión y
exclusión, se revisaron los títulos, resúmenes y textos completos; por último, se añadieron
aquellos estudios que cumplían con el objetivo de la revisión. La información fue dispuesta en
una matriz de extracción de datos y luego se realizó una síntesis cualitativa por categorías: retos
pedagógicos, beneficios educativos y aplicaciones de la inteligencia artificial. Este
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
procedimiento fortaleció la trazabilidad del proceso y permitió sustentar el análisis posterior en
evidencia organizada y comparable.
Fig. 1. Diagrama de flujo
Resultados y/o Discusión
Análisis de los hallazgos
La inteligencia artificial se está integrando en la educación superior, fundamentalmente, por
medio de sistemas de tutoría inteligente, plataformas adaptativas, chatbots educativos, análisis
del aprendizaje y automatización de evaluaciones. Estas aplicaciones muestran una tendencia
común: la inteligencia artificial se emplea para apoyar los procesos de gestión académica,
enseñanza y aprendizaje basados en datos. No obstante, la evidencia indica que su efecto no
solamente está determinado por la herramienta, sino también por cómo se incorpora al diseño
pedagógico y a las necesidades auténticas de los alumnos.
Holmes et al. (2021) enfatizan que los sistemas inteligentes, dentro del marco de la
personalización del aprendizaje, son capaces de cambiar el contenido, la velocidad y la
retroalimentación según el desempeño del alumno. Kasneci y otros (2023) advierten, sin
embargo, que esta personalización necesita de datos de alta calidad, estándares pedagógicos
definidos y supervisión del profesorado. Por lo tanto, el beneficio no ocurre de manera
Identificación
Registros identificados (n=120)
Duplicados eliminados (n=95)
Cribado
Registros evaluados (n=95)
Excluidos (n=35)
Elegibilidad
Artículos evaluados (n=60)
Excluidos (n=40)
Inclusión
Estudios incluidos (n=20)
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
automática, sino que se obtiene cuando la tecnología se combina con estrategias pedagógicas
intencionadas.
Chen et al. (2020) afirman que la IA ayuda a disminuir trabajos repetitivos, perfeccionar los
procesos de evaluación y aumentar la retroalimentación en términos institucionales y
pedagógicos. La UNESCO (2023), de manera complementaria, destaca su capacidad para
expandir el acceso a los recursos educativos y reforzar experiencias de aprendizaje que sean más
flexibles. Sin embargo, Bozkurt et al. (2021) señalan que una adopción totalmente enfocada en la
eficiencia podría llevar a perspectivas tecnocéntricas que ignoren el aspecto humano del
aprendizaje.
Los retos detectados se enfocan en tres áreas: ética, pedagógica y estructural. En lo que respecta
a la ética, destacan el riesgo de sesgos, la transparencia de los algoritmos y la privacidad de los
datos. Se ha notado en el campo pedagógico que es necesario reforzar la capacitación de los
docentes para que la inteligencia artificial se use como ayuda y no como reemplazo de la
mediación educativa. El acceso equitativo a estas tecnologías se ve restringido en el ámbito
estructural, sobre todo en Latinoamérica, donde la infraestructura, la conectividad y las
habilidades digitales siguen siendo desiguales (CEPAL, 2022; Arteaga et al., 2025).
Síntesis interpretativa
En resumen, la evidencia analizada posibilita sostener que la inteligencia artificial en el ámbito
de la educación superior representa una oportunidad para innovar, pero también un espacio de
tensión en términos pedagógicos. Sus aplicaciones facilitan la personalización, la eficacia y el
proceso de tomar decisiones académicas; no obstante, estos progresos pueden ser restringidos si
no hay condiciones normativas, institucionales y de capacitación que guíen su empleo
responsable.
El dato más común entre las investigaciones es que la IA no debe ser vista como una solución
técnica independiente, sino como un instrumento pedagógico que requiere mediación docente,
criterios éticos y planificación curricular. Por lo tanto, el análisis permite que se admita que la
relevancia pedagógica de la tecnología tiene que ver con su incorporación crítica en los
procedimientos de enseñanza y aprendizaje, superando así un punto de vista estrictamente
instrumental.
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
De esta manera, la perspectiva que se describe en la Tabla 3 organiza los trabajos seleccionados
según sus aportaciones más relevantes, lo que permite comparar las distintas formas en que se ha
aplicado la inteligencia artificial, los resultados obtenidos y el tipo de enfoque que predomina en
cada investigación. Según esta síntesis, aunque en los documentos consultados se resaltan
valiosas ventajas, también se hace hincapié en la necesidad de contar con lineamientos internos,
de brindar formación a los docentes y de establecer normas éticas, todo ello con el fin de
garantizar que la implementación de estas herramientas se realice de manera acorde a los
objetivos educativos y que sea accesible para todos.
Tabla 3.
Resumen comparativo de los artículos seleccionados
Autor(es)
País
Tipo de
estudio
Aplicación de IA
Principales resultados
Enfoque
Holmes et
al.
Reino Unido
Revisión
Tutoría inteligente
Mejora personalización
del aprendizaje
Tecnológico
Chen et al.
China
Revisión
Automatización
Incremento de eficiencia
educativa
Tecnológico
UNESCO
Global
Informe
IA educativa
Promueve acceso e
inclusión
Político-
educativo
OECD
Global
Informe
Analítica de datos
Mejora toma de
decisiones
Estratégico
Kasneci et
al
Alemania
Análisis crítico
IA generativa
Efectividad depende del
diseño pedagógico
Pedagógico
Bozkurt et
al.
Global
Reflexivo
IA en educación
Riesgo de tecnocentrismo
Crítico
Kasneci et
al.
Alemania
Experimental
IA generativa
Impacto en aprendizaje
autónomo
Innovación
Bearman et
al.
Australia
Cualitativo
IA en educación
superior
Riesgo de
deshumanización
Crítico
Arteaga, E
et al.
EEUU
Estudio de casos
IA en educación
necesidad de políticas
públicas que equilibren
innovación con inclusión,
formación docente en
competencias digitales y
marcos éticos
Evidencia
empírica y
reflexión
crítica
CEPAL
Latinoamérica
Informe
Transformación
digital
Desigualdad tecnológica
Regional
Crompton,
H., &
Burke, D.
Internacional
Revisión
sistemática
Analítica de datos
Examina 138 trabajos
acerca de IA en la
educación superior desde
el año 2016 hasta el 2022.
Es útil para respaldar
tendencias, usos y el
crecimiento de la
investigación del tema.
Estratégico
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Chan, C. K.
Y., & Hu,
W.
Hong Kong
Estudio
cuantitativo con
399 estudiantes
Analítica de datos
Ofrece pruebas acerca de
las percepciones de los
estudiantes, así como de
los beneficios, peligros
éticos, privacidad y
utilización de la IA
generativa en el proceso
de enseñanza-aprendizaje.
Estratégico
Chan, C. K.
Y.
Hong Kong
Mixto: 457
estudiantes y 180
docentes/personal
universitario
IA en educación
Sugiere un marco de
políticas educativas para
la IA que incluye
dimensiones operativas,
éticas/gubernamentales y
pedagógicas. Es
beneficioso para debatir
sobre directrices
institucionales.
Innovación
Chan, C. K.
Y., & Zhou,
W.
Hong Kong
Cuantitativo con
405 estudiantes
IA generativa
Comprueba una
herramienta para evaluar
la intención de uso de IA
generativa, el valor
percibido, el costo
percibido y el
conocimiento. Contribuye
al estudio de aceptación
de los estudiantes.
Pedagógico
Stojanov, A
Contexto
universitario
Autoetnografía
IA generativa
Considera ChatGPT como
una herramienta para el
aprendizaje. Alerta que
puede inspirar y guiar,
pero a la vez generar
respuestas superficiales,
contradictorias o poco
confiables.
Innovación
Strzelecki,
A.
Polonia
Cuantitativo con
503 estudiantes
universitarios
IA generativa
Examina los elementos
que afectan la aceptación
de ChatGPT a través de
UTAUT2. Proporciona
pruebas acerca de las
condiciones que facilitan,
la intención de uso, el
comportamiento y las
expectativas de
rendimiento.
Innovación
Abbas, M.,
Jam, F. A.,
& Khan, T.
I.
Educación
universitaria
Estudio empírico
IA generativa
Analiza los efectos y
motivos de la utilización
de IA generativa en
alumnos universitarios.
Sirve para debatir sobre
las ventajas y los posibles
efectos adversos en los
resultados personales y
académicos.
Pedagógico
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Essien, A.,
Salami, A.,
Ajala, O., et
al.
Nigeria
Cuantitativo con
899 estudiantes
de 17
universidades
IA generativa
Proporciona pruebas
desde una perspectiva
africana acerca de los
factores socioculturales,
la accesibilidad
tecnológica y las metas
educativas en la
aplicación de IA
generativa. Es útil para
hacer comparaciones con
situaciones de
Latinoamérica.
Chaudhry,
I. S.,
Sarwary, S.
A. M., El
Refae, G.
A., &
Chabchoub,
H.
Educación
superior
(Ministerio de
Salud
UAEmiratos)
Estudio de caso
IA generativa
Evalúa la eficacia de
ChatGPT en trabajos
académicos y cómo se
relaciona con la
evaluación en el ámbito
académico. Contribuye a
la conversación sobre el
rediseño de las
evaluaciones.
Pedagógico
Cotton, D.
R. E.,
Cotton, P.
A., &
Shipway, J.
R.
Educación
superior
Análisis
académico /
reflexión crítica
IA generativa
Aborda oportunidades y
riesgos de ChatGPT en
educación superior,
especialmente integridad
académica, plagio y
evaluación. Sirve para
fortalecer el apartado de
desafíos pedagógicos.)
Crítico
Conclusión
El estudio desarrollado mediante revisión sistemática permitió evaluar de manera integral la IA en
el contexto universitario, logrando así el objetivo general de examinar sus aplicaciones,
contribuciones y dificultades pedagógicas basándose en la evidencia científica más reciente.
En lo que respecta al propósito principal, se establece que la inteligencia artificial ofrece recursos
muy útiles para adaptar la formación a cada persona, medir con anticipación cómo van avanzando
los estudiantes y agilizar los procesos relacionados con la enseñanza. Por ello, se convierte en un
recurso clave para introducir cambios y mejoras en el ámbito educativo. En cuanto a sus beneficios,
se ha comprobado que ayuda a que las instituciones funcionen mejor, fomenta que los estudiantes
aprendan por su propia cuenta y facilita el acceso a materiales de estudio disponibles en internet.
Sin embargo, los descubrimientos también indican que surgen serios problemas desde el punto de
vista pedagógico, como la falta de igualdad en el acceso a la tecnología, el peligro de que la
educación pierde su esencia humana, la necesidad de capacitar a los maestros y las cuestiones
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
éticas. Esto pone de manifiesto que la integración de la inteligencia artificial no es simplemente
cuestión de implementar tecnologías innovadoras, sino que además tiene que fundamentarse en
sólidos principios sociales, éticos y educativos.
Desde un enfoque analítico, se concluye que la verdadera utilidad de esta herramienta en la
educación superior es su capacidad para fusionar técnicas pedagógicas enfocadas en el estudiante
con los avances tecnológicos. En esta situación, se recomienda fijar reglas y directrices para el
empleo adecuado de la inteligencia artificial, además de poner en marcha políticas públicas que
incluyan a todos los participantes y programas dirigidos a formar a los docentes en la gestión de
tecnologías digitales.
Además, se recomienda para las investigaciones futuras se analicen temas como el impacto de la
inteligencia artificial en contextos concretos, especialmente en naciones de América Latina como
Ecuador, donde aún existen obstáculos estructurales que impiden aprovecharla de manera eficaz.
Referencias
Abbas, M., Jam, F. A., & Khan, T. I. (2024). Is it harmful or helpful? Examining the causes and
consequences of generative AI usage among university students. International Journal of
Educational Technology in Higher Education, 21, 10. DOI: 10.1186/s41239-024-00444-7
Arteaga, E. E. P., Sinchi, G. F. P., Ruiz, B. H. Y., Valarezo, S. N. E., Suárez, I. V. R., y Mora, C.
A. V. (2025). La inteligencia artificial en la educación: desafíos y oportunidades. South
Florida Journal of Development, 6(5), e5219. https://doi.org/10.46932/sfjdv6n5-006
Bearman, M., Ryan, J., y Ajjawi, R. (2023). Discourses of artificial intelligence in higher
education: Implications for teaching and learning. Higher Education Research y
Development, 42(1), 1–15. https://doi.org/10.1080/07294360.2022.2072148
Bozkurt, A., Karadeniz, A., Baneres, D., Guerrero-Roldán, A. E., y Rodríguez, M. E. (2021).
Artificial intelligence and reflections from educational landscape: A review of AI studies
in half a century. Sustainability, 13(2), 800. https://doi.org/10.3390/su13020800.
CEPAL. (2022). La transformación digital de América Latina. Naciones Unidas.
Chan, C. K. Y., & Hu, W. (2023). Students’ voices on generative AI: perceptions, benefits, and
challenges in higher education. International Journal of Educational Technology in
Higher Education, 20, 43. DOI: 10.1186/s41239-023-00411-8
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching
and learning. International Journal of Educational Technology in Higher Education, 20,
38. DOI: 10.1186/s41239-023-00408-3
Chaudhry, I. S., Sarwary, S. A. M., El Refae, G. A., & Chabchoub, H. (2023). Time to Revisit
Existing Student’s Performance Evaluation Approach in Higher Education Sector in a
New Era of ChatGPT: A Case Study. Cogent Education, 10(1), 2210461. DOI:
10.1080/2331186X.2023.2210461
Chen, L., Chen, P., y Lin, Z. (2020). Artificial intelligence in education: A review. IEEE Access,
8, 75264–75278. https://doi.org/10.1109/ACCESS.2020.2988510
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2024). Chatting and cheating: Ensuring
academic integrity in the era of ChatGPT. Innovations in Education and Teaching
International. DOI: 10.1080/14703297.2023.2190148
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the
field. International Journal of Educational Technology in Higher Education, 20, 22. DOI:
10.1186/s41239-023-00392-8
Essien, A., Salami, A., Ajala, O., et al. (2024). Exploring socio-cultural influences on generative
AI engagement in Nigerian higher education: an activity theory analysis. Smart Learning
Environments, 11, 63. DOI: 10.1186/s40561-024-00352-3
Hernández-Sampieri, R., y Mendoza, C. (2020). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill.
Holmes, W., Bialik, M., y Fadel, C. (2021). Artificial intelligence in education. Center for
Curriculum Redesign.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., y Kasneci, G.
(2023). ChatGPT for good? Nature Human Behaviour, 7, 1214–1216.
https://doi.org/10.1038/s41562-023-01580-0
OECD. (2021). OECD Digital Education Outlook 2021: Pushing the frontiers with artificial
intelligence, blockchain and robots. OECD Publishing. https://doi.org/10.1787/589b283f-
en
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., et al.
(2021). The PRISMA 2020 statement: An updated guideline for reporting systematic
reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Revista Neosapiencia ISNN 3091-1982. Enero - junio 2026. Vol. 4, Núm.1, P. 640-655.
Russell, S., y Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
Stojanov, A. (2023). Learning with ChatGPT 3.5 as a more knowledgeable other: an
autoethnographic study. International Journal of Educational Technology in Higher
Education, 20, 35. DOI: 10.1186/s41239-023-00404-7
Strzelecki, A. (2024). Students’ Acceptance of ChatGPT in Higher Education: An Extended
Unified Theory of Acceptance and Use of Technology. Innovative Higher Education, 49,
223–245. DOI: 10.1007/s10755-023-09686-1 Polonia
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
https://unesdoc.unesco.org
Williamson, B., y Eynon, R. (2020). Historical threads, missing links, and future directions in AI
in education. Learning, Media and Technology, 45(3), 223–235.
Copyright (2026) © Gabriela Fernanda Palacios Montenegro, Marcelo Francisco Ortiz Vera,
Jeison Alejandro Medina Insuasti, José Julio Lara Reimundo
Este texto está protegido bajo una licencia internacional Creative Commons 4.0. Usted es libre
para Compartir —copiar y redistribuir el material en cualquier medio o formato— y Adaptar el
documento — remezclar, transformar y crear a partir del material— para cualquier propósito,
incluso para fines comerciales, siempre que cumpla las condiciones de atribución. Usted debe
dar crédito a la obra original de manera adecuada, proporcionar un enlace a la licencia, e
indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de
forma tal que sugiera que tiene el apoyo del licenciante o lo recibe por el uso que hace de la
obra.