1.1. Marco teórico

La Teoría sobre la Inteligencia Artificial (IA) tiene sus fundamentos en la obra de Alan Turing, quien en los años 50 propuso que las máquinas podrían simular procesos de pensamiento humano. Su “Test de Turing” dio inicio al debate sobre la posibilidad de que una máquina manifestara una inteligencia similar a la humana (^{Abrahams, 2025}; ^{Moro-Visconti, 2024}). Este planteamiento emergió en un contexto histórico marcado por el auge de la computación y el desarrollo de la lógica matemática (^{Grzybowski et al., 2024}). Por su parte, ^{Mackenzie (2023)} destaca que la IA ha evolucionado desde simples algoritmos hasta sistemas cognitivos avanzados, capaces de razonar y aprender de manera autónoma. En esta misma línea, ^{Dhir et al., (2021)} explican que estos modelos computacionales simulan funciones mentales complejas, tradicionalmente atribuidas a los humanos. Así, la IA no solo constituye una herramienta técnica, sino también una nueva forma de conocimiento que redefine los límites entre lo natural y lo artificial (^{Moro-Visconti, 2024}). Asimismo, ^{Abrahams (2025)} plantea que la teoría actual incorpora dimensiones éticas, sociales y epistemológicas. Entre ellas se incluyen la transparencia algorítmica, la automatización de decisiones y la relación humano-máquina (^{Grzybowski et al., 2024}). Además, la IA ha trascendido el ámbito de la ingeniería y se inserta en debates interdisciplinarios que abarcan la informática, la neurociencia y la educación (^{Mackenzie, 2023}).

En el contexto educativo, la IA abre posibilidades relevantes. ^{Morandín-Ahuerma (2022)} menciona que esta tecnología permite personalizar el aprendizaje, automatizar procesos y apoyar la toma de decisiones pedagógicas. Estas aplicaciones incluyen tutores virtuales, análisis predictivos y retroalimentación automatizada (^{Banh & Strobel, 2023}; ^{Huynh-The et al., 2023}). No obstante, su uso sin criterios pedagógicos claros puede generar riesgos como la deshumanización o la inequidad (^{Ufarte-Ruiz et al., 2023}). En relación con los trabajos académicos, ^{Qasem (2023)} observa que estos también han cambiado profundamente. Hoy se valoran competencias comunicativas, digitales y argumentativas, más allá de la simple producción textual. Herramientas de IA, como redactores y correctores automáticos, permiten optimizar estos procesos (^{Dönmez et al., 2023}; ^{Lu & Chen, 2022}). Sin embargo, un uso inadecuado podría fomentar el plagio o la pérdida de autonomía (^{Sianes et al., 2022}). ^{Dempere et al. (2023)} sostienen que la educación universitaria enfrenta transformaciones profundas impulsadas por la digitalización. Este entorno exige que las universidades integren tecnología y ética de forma coherente, promoviendo pensamiento crítico, justicia social y formación humanista (^{Rawas, 2024}; ^{Alenezi et al., 2023}). En este sentido, la relación entre IA, trabajos académicos y educación superior se convierte en un eje estratégico para el futuro (^{Qudratova, 2024}).

Cadenas de búsqueda utilizadas:

Se utilizaron operadores booleanos como AND y OR para combinar los términos de búsqueda, creando las siguientes cadenas: "inteligencia artificial" AND "educación" AND "trabajos académicos"; "inteligencia artificial" OR "educación" OR "trabajos académicos"; "inteligencia artificial" AND "educación" AND ("trabajos académicos"); "inteligencia artificial" AND "trabajos académicos" AND ("educación"); "educación" AND "trabajos académicos" AND ("inteligencia artificial"); "educación" AND ("inteligencia artificial" OR "trabajos académicos").

Selección y organización de los estudios

El proceso de selección se desarrolló cuidadosamente en diversas etapas, buscando garantizar la pertinencia, calidad y coherencia de los estudios incluidos. Inicialmente, se realizó una búsqueda dirigida para el análisis de los resultados y discusión en SciELO y Dialnet, seleccionando artículos que respondieran al eje central de la investigación mediante una combinación de palabras clave relacionadas al tema analizado. La revisión de títulos y resúmenes permitió una primera depuración. Posteriormente, se revisaron los textos completos para asegurar la profundidad metodológica y la adecuación temática. Se registraron todas las decisiones en un formato de seguimiento, manteniendo una línea clara de justificación para cada inclusión o exclusión. El uso del gestor Zotero permitió una administración ordenada de las referencias y facilitó la generación de bibliografía.

Extracción e interpretación de la información

Se diseñó una ficha de análisis para recolectar los elementos más relevantes de cada estudio: autoría, año, país, enfoque metodológico, tipo de institución, población estudiada, objetivos, hallazgos clave, limitaciones reconocidas y conclusiones. Estos datos fueron sistematizados en una matriz de comparación, permitiendo identificar tanto las convergencias como las ausencias en la producción científica actual sobre el tema analizado.

Evaluación de la calidad metodológica

Con el propósito de asegurar la validez de los resultados, se recurrió a los criterios de evaluación del Joanna Briggs Institute. Cada estudio fue examinado según su tipo de diseño, destacando aquellos que mostraron consistencia interna, claridad expositiva y discusión reflexiva. Aunque se identificaron variaciones en el nivel de profundidad metodológica, todos los estudios incluidos cumplieron con un estándar mínimo de calidad que justifica su análisis.

Identificación de ejes temáticos emergentes

Durante el proceso de extracción, comparación e interpretación de los hallazgos contenidos en los 23 artículos seleccionados, se identificaron seis ejes temáticos recurrentes que emergieron de forma inductiva. Estos ejes fueron: (1) personalización del aprendizaje, (2) desarrollo del pensamiento crítico y ético, (3) percepciones y actitudes estudiantiles, (4) formación docente y adaptación tecnológica continua, (5) retos éticos y uso responsable de IA y (6) aplicaciones prácticas en enseñanza y evaluación. La categorización se realizó a partir de la sistematización de patrones de contenido, mediante el análisis temático de los objetivos, resultados y conclusiones de los artículos. Cada uno de estos subtemas representa áreas de convergencia o conflicto identificadas en la literatura revisada, las cuales reflejan tanto beneficios como riesgos asociados al uso de la inteligencia artificial en la elaboración de trabajos académicos. Esta delimitación responde a la necesidad de organizar el cuerpo de resultados en torno a dimensiones relevantes y transversales para la educación universitaria, permitiendo una lectura crítica, articulada y coherente del fenómeno estudiado. Asimismo, se buscó que las categorías reflejaran las opiniones, preocupaciones y aspiraciones expresadas por estudiantes y docentes latinoamericanos, como actores clave de los contextos analizados.

Figura 1 Diagrama de flujo de la selección de artículos con el método Prisma 

3.1. Personalización del aprendizaje mediante inteligencia artificial

El análisis de la literatura revisada revela un consenso creciente sobre la efectividad de la inteligencia artificial (IA) en la personalización del aprendizaje en el ámbito universitario. Diversos autores (^{Panaqué y Castañón, 2024}; ^{Menacho y Pizarro, 2024}; ^{Troncoso y Dueñas, 2023}) coinciden en que la IA no solo mejora la eficiencia del proceso formativo, sino que también transforma sus dimensiones cognitivas y pedagógicas. Se identifica un patrón claro en cuanto al reconocimiento del valor de las tutorías inteligentes, los asistentes virtuales y los sistemas de evaluación adaptativa como pilares de la personalización educativa. No obstante, una revisión más profunda de los hallazgos pone en evidencia algunas limitaciones e inconsistencias en la literatura. Por ejemplo, aunque se destaca el impacto positivo de la automatización sobre la labor docente, no se profundiza suficientemente en los posibles riesgos de deshumanización o pérdida de habilidades pedagógicas tradicionales. Asimismo, se observa una tendencia a idealizar el rol de la IA sin presentar suficientes datos empíricos longitudinales que demuestren efectos sostenidos en el rendimiento académico o en el desarrollo de habilidades de orden superior, como el pensamiento crítico o la creatividad. Otro vacío relevante en la literatura es la escasa discusión sobre las brechas tecnológicas y las desigualdades en el acceso a estas herramientas, lo cual podría limitar su efectividad en contextos universitarios con recursos limitados. Aunque ^{Parra (2022)} propone la necesidad de una integración basada en mediciones continuas y evidencia empírica, pocos estudios analizan metodologías concretas de evaluación o mecanismos de control de calidad para estos sistemas inteligentes. Además, aunque se alude a la importancia de articular la IA con diseños curriculares centrados en el estudiante, falta una exploración detallada sobre cómo se logra esa articulación en la práctica institucional. La mayoría de estudios consultados se mantienen en un nivel teórico o descriptivo, sin abordar las implicancias administrativas, éticas o formativas que implica esta transformación. Por lo tanto, los resultados apuntan hacia una tendencia favorable al uso de la inteligencia artificial como facilitador del aprendizaje personalizado, pero también revelan vacíos significativos en términos de investigación aplicada, sostenibilidad del impacto, equidad tecnológica e integración curricular. Se requiere avanzar hacia estudios más empíricos, longitudinales y multidimensionales que permitan validar de forma crítica la incorporación de la IA en la educación superior.

3.2. Desarrollo del pensamiento crítico y ético

Los estudios revisados revelan una tensión central en torno al uso de la inteligencia artificial (IA) en la educación universitaria: mientras esta tecnología amplía las posibilidades de interacción cognitiva y estimula el pensamiento crítico (^{Panaqué y Castañón, 2024}), también plantea riesgos de dependencia y debilitamiento del juicio autónomo si se utiliza de forma indiscriminada (^{Álvarez, 2023}). Esta dualidad configura un patrón recurrente en la literatura, donde la IA se reconoce como un recurso valioso pero condicionado a un uso pedagógicamente consciente y éticamente orientado. Un aspecto crítico identificado es la tendencia de algunos estudiantes a externalizar funciones intelectuales complejas en sistemas automatizados, lo que, según ^{Puche (2024)}, podría erosionar la capacidad de análisis propio si no se implementan estrategias que refuercen la reflexión activa. Esta observación coincide con la advertencia de ^{Piña (2024)}, quien señala que en ausencia de supervisión docente, los entornos asistidos por IA pueden desplazar el ejercicio del razonamiento crítico, lo que evidencia una brecha en los enfoques de integración tecnológica actuales. Asimismo, la literatura muestra una inconsistencia importante en torno a los marcos éticos que deberían guiar el uso de la IA en contextos formativos. Aunque varios autores (^{Panaqué y Castañón, 2024}; ^{Puche, 2024}) coinciden en la necesidad de una orientación ética clara, los estudios no abordan con profundidad cómo estructurar dicha orientación ni cómo traducirla en prácticas pedagógicas sostenibles. Esta ausencia de propuestas operativas representa un vacío en la literatura, especialmente ante el avance acelerado de tecnologías educativas. Por otro lado, hay un consenso emergente respecto a que la IA debe ser vista como un medio para enriquecer el diálogo argumentativo y no como sustituto del pensamiento interpretativo (^{Álvarez, 2023}). Sin embargo, aún se requiere mayor investigación empírica sobre cómo los estudiantes desarrollan conciencia crítica frente a los sesgos algorítmicos y sobre qué tipo de intervenciones docentes resultan más efectivas en este proceso (^{Piña, 2024}). En esa perspectiva, la mayoría de estudios coinciden en que la sostenibilidad del pensamiento crítico en entornos mediados por IA depende de prácticas pedagógicas que prioricen la autonomía intelectual (^{Panaqué y Castañón, 2024}), el acompañamiento ético del docente (^{Puche, 2024}) y la formación situada del estudiante como usuario crítico de tecnología (^{Álvarez, 2023}; ^{Piña, 2024}). No obstante, los estudios aún carecen de evidencia longitudinal y multicontextual que permita generalizar sus hallazgos o evaluar la durabilidad de los efectos observados. En conjunto, los resultados revelan tanto el potencial como los riesgos de la IA en la formación del pensamiento crítico, destacando la urgencia de marcos integradores que combinen tecnología, ética y pedagogía de forma coherente y contextualizada..

3.3. Percepciones y actitudes de estudiantes universitarios

La revisión de la literatura evidencia que las percepciones y actitudes de los estudiantes universitarios frente a la inteligencia artificial (IA) se sitúan en una zona de ambivalencia entre el entusiasmo por sus beneficios y la preocupación por sus implicancias cognitivas. ^{Menacho y Pizarro (2024)} señalan que esta dualidad refleja una comprensión inicial pero incompleta del papel de la IA en el proceso académico. Los estudiantes reconocen su utilidad en términos de eficiencia y mejora en la presentación de tareas, como lo indican ^{Quinde y García (2024)}, pero manifiestan reservas frente a sus efectos potenciales en la autonomía intelectual. Un patrón consistente en los estudios analizados es la alta aceptación de la IA como herramienta de apoyo, pero acompañada de un bajo nivel de formación crítica sobre su uso ético y académico (^{Niño y Castellanos, 2025}). Esta brecha formativa plantea un desafío para las instituciones educativas, que deben trascender la regulación técnica de su uso para promover una alfabetización digital crítica. Los hallazgos de ^{Cepeda y Durán (2025)} refuerzan esta idea, al mostrar que, aunque los estudiantes perciben a la IA como un recurso eficiente, existen dudas sobre su confiabilidad, especialmente en procesos de evaluación. Por otro lado, los estudios revelan que la experiencia directa con la tecnología y el entorno institucional son variables que moldean significativamente las actitudes estudiantiles (^{Menacho y Pizarro, 2024}). En ese marco, ^{Quinde y García (2024)} advierten una tendencia preocupante hacia la dependencia operativa de la IA, lo que podría debilitar la capacidad de los estudiantes para enfrentar desafíos cognitivos sin mediación tecnológica. Este hallazgo se alinea con las recomendaciones de ^{Niño y Castellanos (2025)}, quienes enfatizan la necesidad de que las universidades implementen estrategias que desarrollen pensamiento crítico, más allá de simples políticas de control o restricción. Además, los estudios coinciden en señalar que el contexto sociotecnológico de los estudiantes influye profundamente en sus percepciones. ^{Cepeda y Durán (2025)} destacan que factores como la familiaridad previa con herramientas digitales o el nivel de competencia docente en el uso de IA condicionan las expectativas estudiantiles sobre su aplicación académica. Esto pone en evidencia una debilidad en el diseño de políticas institucionales que no consideran suficientemente la diversidad del estudiantado ni la participación activa de este en los procesos de integración tecnológica. En síntesis, aunque las percepciones estudiantiles tienden a ser favorables hacia el uso de la inteligencia artificial en la educación universitaria, los estudios revisados revelan carencias importantes en formación crítica, participación activa y regulación contextualizada. El reto principal identificado es construir una cultura digital ética, participativa y pedagógicamente significativa que permita aprovechar el potencial de la IA sin comprometer el desarrollo de competencias cognitivas fundamentales.

3.4. Formación docente y adaptación tecnológica continua

La revisión de la literatura especializada evidencia que la incorporación efectiva de la inteligencia artificial (IA) en la educación superior depende, de forma crucial, del fortalecimiento de las competencias docentes. ^{Panaqué y Castañón (2024)} advierten que no basta con disponer de tecnología: es indispensable que el profesorado asuma un rol activo, crítico y reflexivo frente a los cambios que la IA introduce en los procesos de enseñanza-aprendizaje. Esta perspectiva se complementa con ^{Duque (2024)}, quien sostiene que la comprensión operativa de los sistemas inteligentes debe ir acompañada de una conciencia ética y cognitiva sobre su uso en el aula. Un patrón recurrente en los estudios revisados es la identificación de brechas formativas como principal obstáculo para la implementación efectiva de estrategias pedagógicas basadas en IA. ^{Morel y Delacruz (2024)}, desde una perspectiva empírica, demuestran que dichas brechas no solo ralentizan la integración tecnológica, sino que también limitan la innovación pedagógica. De manera concordante, ^{Cruz, Villafranca y Taype (2024)} critican que las capacitaciones actuales se concentran mayormente en aspectos técnicos, descuidando dimensiones esenciales como la planificación didáctica, la evaluación crítica y la mediación pedagógica con tecnología. Este enfoque limitado genera una asimetría entre el potencial transformador de la IA y su apropiación real por parte del profesorado. La literatura señala que la capacitación debe incorporar habilidades reflexivas sobre la automatización educativa, ya que el docente no solo ejecuta herramientas, sino que media sus efectos sobre los procesos de aprendizaje (^{Panaqué y Castañón, 2024}; ^{Duque, 2024}). A este respecto, ^{Morel y Delacruz (2024)} llaman la atención sobre la necesidad de adaptar los programas de formación al contexto sociocultural institucional, ya que la aplicación de modelos uniformes reduce su eficacia y genera resistencia entre los docentes. Una tendencia importante identificada es la demanda por políticas institucionales sostenidas, que acompañen la transición digital con evaluación formativa y retroalimentación continua (^{Cruz, Villafranca y Taype, 2024}). Esta condición estructural resulta clave, dado que muchas de las iniciativas fallan por falta de seguimiento, liderazgo o visión a largo plazo. Los autores coinciden en que involucrar al profesorado desde las etapas iniciales de implementación reduce la resistencia al cambio y promueve un sentido de pertenencia y corresponsabilidad en el proceso (^{Morel y Delacruz, 2024}). En síntesis, la literatura consultada coincide en que la sostenibilidad de las transformaciones educativas mediadas por IA exige más que infraestructura tecnológica. Requiere el compromiso ético y profesional del docente, así como el diseño de estrategias formativas integrales que combinen pensamiento crítico, competencias digitales y liderazgo pedagógico. Sin estos componentes, la IA corre el riesgo de ser utilizada de forma superficial, sin un impacto transformador real en la calidad educativa.

3.5. Retos éticos y uso responsable de IA

La incorporación de la inteligencia artificial (IA) en la educación superior plantea una serie de tensiones éticas que aún no han sido abordadas de manera suficiente por las instituciones educativas. La literatura revisada evidencia que, más allá de las ventajas tecnológicas, el uso de IA requiere una reflexión profunda sobre sus implicaciones en la autoría académica, la equidad y la autonomía intelectual (^{Atencio, 2023}; ^{Quinde y García, 2024}). Un patrón significativo identificado es la utilización creciente de herramientas basadas en IA por parte de los estudiantes, sin una comprensión clara de su funcionamiento ni de las consecuencias académicas que ello implica (^{Quinde y García, 2024}). Esta situación pone en relieve la debilidad de los sistemas formativos actuales, que han priorizado la capacitación técnica sobre el desarrollo de competencias éticas y críticas (^{Duque, 2024}). La falta de una alfabetización digital crítica se presenta así como un vacío transversal, que afecta tanto a estudiantes como a docentes. Además, los estudios advierten que la IA no es neutral: los algoritmos pueden incorporar y reproducir sesgos que, si no son identificados y contextualizados adecuadamente, tienden a profundizar desigualdades existentes (^{Chamoli y Patiño, 2024}). Esta preocupación ha generado una demanda creciente por sistemas de IA más transparentes y auditables, especialmente en espacios académicos donde la equidad y la justicia educativa son principios fundamentales (^{Atencio, 2023}). La literatura también muestra una importante debilidad en la regulación del uso de IA en el ámbito educativo. ^{Quinde y García (2024)} critican la insuficiencia de las normativas actuales, mientras que ^{Duque (2024)} insiste en la necesidad de marcos integradores que combinen criterios éticos, técnicos y pedagógicos. Esta visión integral es clave para evitar una implementación fragmentada y reactiva de la IA, en la que las decisiones éticas queden subordinadas a la lógica de la innovación tecnológica. Otro aspecto relevante es la necesidad de articular el uso ético de la IA como un proceso institucional, y no solo como una responsabilidad individual. ^{Atencio (2023)} propone que este proceso debe combinar la formación crítica, la supervisión activa y la responsabilidad compartida. En consonancia, ^{Quinde y García (2024)} revelan que la alfabetización digital crítica es una condición indispensable para que los usuarios puedan interpretar, evaluar y decidir sobre los usos de estas tecnologías. ^{Duque (2024)} amplía esta visión al señalar que la deliberación ética debe integrarse al diseño curricular y a las políticas de innovación, evitando que se convierta en un mero apéndice normativo. Por último, ^{Chamoli y Patiño (2024)} plantean que la sostenibilidad ética de la IA solo puede garantizarse mediante una colaboración continua entre actores clave del ecosistema educativo: docentes, tecnólogos y gestores institucionales. Esta perspectiva interdisciplinaria y corresponsable representa un camino prometedor para superar los vacíos normativos y formativos detectados en los estudios analizados. En conjunto, los resultados ponen de manifiesto que la integración ética de la IA en la educación superior no puede limitarse a aspectos operativos o normativos, sino que requiere un cambio estructural en las prácticas, políticas y valores que rigen el quehacer académico.

3.6. Aplicaciones prácticas en enseñanza y evaluación

La literatura revisada muestra un enfoque predominantemente funcional y aplicado del uso de la inteligencia artificial (IA) en el entorno universitario, destacando su impacto en la enseñanza, el aprendizaje y la evaluación. ^{Pizarro y Lovón (2025)} identifican mejoras sustanciales en los procesos pedagógicos gracias a la implementación de herramientas inteligentes, lo que señala una tendencia generalizada hacia la optimización tecnológica de la educación superior. ^{Mujica (2024)}, por su parte, subraya la capacidad de estas tecnologías para ajustarse a estilos de aprendizaje individuales, reforzando el valor de la personalización como principio pedagógico. Uno de los patrones más notables es la creciente sofisticación de los sistemas de recomendación y de retroalimentación automatizada. ^{Sanabria y Regil (2024)} argumentan que estas herramientas no solo aumentan la pertinencia de los recursos asignados, sino que también permiten una adaptación continua en función del desempeño estudiantil. Sin embargo, esta funcionalidad, aunque valiosa, depende en gran medida del diseño pedagógico subyacente, como advierten ^{Pizarro y Lovón (2025)}, quienes señalan que el verdadero impacto de la IA se logra cuando su implementación va acompañada de prácticas educativas sólidas. En el ámbito evaluativo, los aportes de ^{Mujica (2024)} destacan la importancia de una clasificación funcional adecuada de las herramientas, lo que permite alinear sus capacidades con los objetivos formativos. Esta visión técnica se complementa con los hallazgos de ^{Acuña (2024)}, quien introduce un enfoque más ético y crítico al señalar que, pese a la eficiencia de los algoritmos en la detección de plagio y generación de diagnósticos inmediatos, el juicio humano sigue siendo esencial para garantizar la justicia y el contexto en la toma de decisiones académicas. Esta afirmación plantea un necesario equilibrio entre automatización y control docente, aspecto aún poco explorado empíricamente en la literatura. A nivel de desarrollo institucional, la revisión evidencia una preocupación compartida por asegurar la transparencia, accesibilidad y pertinencia educativa en el diseño y aplicación de estas tecnologías. ^{Mujica (2024)} y ^{Sanabria y Regil (2024)} coinciden en que la efectividad de la IA no es estática, sino que debe ser sometida a validaciones periódicas que permitan ajustarla a escenarios cambiantes, evitando rigideces que comprometan su utilidad. Este enfoque adaptativo, sin embargo, requiere estructuras de gobernanza tecnológica aún incipientes en muchas instituciones educativas. Una tensión crítica que emerge del análisis es la posibilidad de que el uso de IA derive en una automatización vacía, centrada en la eficiencia operativa, pero desvinculada del fomento de aprendizajes auténticos. Acuña (2024) advierte que el verdadero valor educativo de estas tecnologías dependerá de su capacidad para promover habilidades complejas y significativas, más allá de la ejecución mecánica de tareas. En síntesis, los resultados revisados muestran un amplio reconocimiento del potencial de la IA en el entorno universitario, pero también evidencian la necesidad de abordajes integrales que combinen la dimensión técnica con principios pedagógicos y éticos. Sin una articulación clara entre tecnología, contexto educativo y propósito formativo, los beneficios de la IA podrían verse limitados o incluso revertidos en prácticas que prioricen lo automático sobre lo auténticamente educativo.