Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
1. INTRODUCCIÓN
En el auge de las tecnologías emergentes de los últimos años, la inteligencia artificial, ha evolucionado de manera exponencial, debido a que los sistemas computacionales capaces de replicar algunas de las funciones cognitivas humanas como la resolución de problemas o la toma de decisiones, mediante algoritmos de machine learning, se han incorporado en los diferentes ámbitos sociales, entre los cuales Cotino y Castellano (2024) destacan: los sistemas de diagnósticos preventivos aplicados en el área de salud, los robots automatizados utilizados en el campo industrial y las plataformas, herramientas o asistentes personalizados en el contexto educativo, las cuales han permitido transformar los procesos tradicionales así como la optimización de recursos.
La integración de la IA en los diversos ámbitos ha generado amplios debates en torno a los aspectos positivos y desafíos que conlleva; Para Kaplan y Haenlein (2019), esta tecnología ofrece una oportunidad de transformar la sociedad mediante la optimización de tareas y la innovación. En el marco educativo, un informe de EDUCTEC (2024) señala que la IA tiene el potencial de ser un elemento transformador que puede mejorar los procesos de enseñanza-aprendizaje, pero a la vez amenaza los principios éticos, el rigor, la calidad e integridad académica, lo que podría derivar en una dependencia por parte de docentes o estudiantes, afectando al pensamiento crítico, creatividad u originalidad.
En este contexto, la inteligencia artificial generativa, capaz de crear contenido multimedia, ha emergido como una herramienta ambivalente en el marco de la educación, pues según Toro (2023), en el campo de la tecnología educativa, la IAG puede ofrecer beneficios significativos al adaptar los contenidos a las necesidades individuales y facilitar un acceso equitativo al conocimiento, no obstante, su aplicación no regulada conlleva la desvalorización de la autoría intelectual, unificar los procesos creativos y la normalización de respuestas automatizadas.
La complejidad de este escenario evidencia la necesidad de realizar una revisión sistemática que integre evidencia sobre los impactos de la IAG en la educación superior. Según estudios previos, a nivel internacional autores como Catoira et al. (2025) destacan que la acelerada adopción de tecnologías emergentes en entornos educativos ha generado conocimientos fragmentados y debates polarizados, lo que dificulta la creación de normas regulatorias integrales. A escala nacional Guaman (2025) señala que, pese al incremento en el uso de la IAG en universidades públicas como privadas, existe una falta de investigaciones que evalúen su impacto en la calidad académica, además de la carencia de protocolos para gestionar la autoría en trabajos o proyectos académicos. Por consiguiente, resulta necesario revisar la literatura existente relacionada con el concepto de inteligencia artificial generativa en educación superior, mediante una revisión sistemática.
1.1. Inteligencia Artificial Generativa en educación superior hispanoamericana: Contexto y alcance del estudio
La inteligencia artificial generativa se considera un sistema innovador con la capacidad de generar cambios significativos en el proceso de enseñanza-aprendizaje y la gestión del conocimiento (Chávez et al., 2023), ya que ofrece nuevas formas de interacción entre los actores educativos y la tecnología, tales como la creación automática de contenido educativo personalizado, tutorías basadas en IA y herramientas creativas para resolver problemas. Como señalan García y Vargas (2023), esta tecnología facilita el diseño de experiencias de aprendizaje adaptadas a las necesidades individuales de los estudiantes; no obstante la implementación de la IAG en la educación superior plantea desafíos particulares, especialmente en el contexto de las regiones hispanohablantes. A diferencia de los países desarrollados, donde la infraestructura tecnológica y las políticas educativas pueden estar más avanzadas, las instituciones de educación superior en Hispanoamérica enfrentan realidades diversas en términos de acceso, recursos y marcos regulatorios.
Es crucial considerar estas particularidades, ya que impactan directamente en la adopción, la percepción y los desafíos éticos inherentes a la IAG, pues entidades como la UNESCO (2023) advierten que su implementación requiere salvaguardar principios éticos irrenunciables, como evitar la sustitución del criterio docente por algoritmos, revisar sistemáticamente los sesgos en los datos de entrenamiento y proteger la privacidad de estudiantes y docentes.entidades como la UNESCO (2023) advierten que su implementación requiere salvaguardar principios éticos irrenunciables: evitar la sustitución del criterio docente por algoritmos, revisar sistemáticamente los sesgos en los datos de entrenamiento y proteger la privacidad de estudiantes como docentes.
La interacción entre la innovación tecnológica y la transformación educativa sitúa a la IAG como un factor clave en la generación de debates éticos y epistemológicos, particularmente en relación con la autoría académica, la igualdad en el acceso a las tecnologías y la conservación del control y la autonomía humana en el contexto formativo. En este sentido, el Gráfico 1 presenta las principales características de la IAG adaptadas al contexto educativo, según Oliva (2024) y García (2024).
Como se muestra en el Gráfico 1, la capacidad adaptativa de la IAG permite personalizar contenidos, recursos y estrategias según los estilos de aprendizaje o las necesidades educativas de los estudiantes (Olivia 2024). Del mismo modo la multimodalidad, es decir la capacidad de procesar y generar contenido multimedia, fortalece enfoques pedagógicos innovadores mediante el diseño de recursos interactivos (García, 2024). Finalmente, la automatización optimiza la gestión de funciones académicas y administrativas, como la redacción de informes o la evaluación de trabajos académicos.
Ante la acelerada evolución de la IAG y su integración en el marco de la educación superior, este estudio se enfoca en la literatura académica publicada en español, buscando específicamente identificar el estado de la investigación en países de la región hispanohablante. Este enfoque permitirá comprender cómo la IAG es conceptualizada, utilizada y qué desafíos enfrenta desde la perspectiva de autores de habla hispana. La investigación busca: explicar el estado de la investigación sobre el concepto de IAG en educación superior hispanoamericana, analizar el impacto o beneficio de la IAG en la educación superior desde la perspectiva de diferentes autores y determinar los desafíos o limitaciones en la integración de la IAG en la educación a partir de estudios de diversos autores.
PO1: ¿ Cuál es el estado investigación sobre el concepto de IA Generativa en educación superior hispanoamerica?
PO2: ¿Cuál es el impacto o beneficio de la inteligencia artificial generativa en la educación superior desde la perspectiva de diversos autores?
PO3: ¿Cuáles son los desafíos y limitaciones de la integración de la IA Generativa en la educación superior según estudios?
2. METODOLOGÍA
El presente estudio se fundamentó en una revisión sistemática de literatura (RSL), bajo las directrices del modelo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), con el objetivo de sintetizar evidencia científica sobre la inteligencia artificial generativa en educación superior y garantizar el rigor metodológico en las fases de: identificación, selección, elegibilidad e inclusión de estudios. Con base en lo establecido en la declaración PRISMA 2020 (Page et al., 2021), este protocolo ofreció un marco estructurado para identificar, evaluar y sintetizar investigaciones relevantes, permitiendo obtener una comprensión integral del tema de estudio. La Gráfico 2 ilustra el diagrama de flujo PRISMA, detallando las etapas del proceso desde la búsqueda inicial hasta la selección final de artículos.
Gráfico 2 Procedimiento de selección de Artículos para la revisión (basado en el diagrama de flujo PRISMA).
Para llevar a cabo la revisión sistemática y asegurar una recopilación exhaustiva de la literatura, se priorizaron bases de datos académicas multidisciplinarias reconocidas mundialmente por su relevancia, estas incluyeron: Scopus, Dimensions y Scielo, adicionalmente se realizó una exploración en repositorios de organizaciones internacionales como la UNESCO. A partir de ello se seleccionaron publicaciones en idioma español que incluyeron artículos de revistas de Open Access (acceso abierto): cabe mencionar que la estrategia de búsqueda se restringió a publicaciones realizadas en los últimos cinco años (2021-2025), con el propósito de asegurar la relevancia temporal de los hallazgos y su pertinencia en el contexto de la investigación. Además, se complementó con un registro adicional identificado a partir de organizaciones líderes del área, lo que permitió consolidar un conjunto de documentos caracterizados por un alto rigor académico.
2.1. Cadenas de Búsqueda
A partir de una exploración preliminar no sistemática, se identificaron artículos que permitieron determinar los principales términos utilizados en títulos, palabras clave y resúmenes, los cuales posteriormente fueron integrados en cadenas de búsqueda estructuradas, empleando operadores booleanos y filtros específicos. Los elementos clave se resumen en la Tabla 1 que se presenta a continuación.
En el marco de esta revisión sistemática, las cadenas de búsqueda se diseñaron para recuperar información específicamente de los campos de título, palabras clave y resumen de los artículos. La estrategia de búsqueda detallada, que incluye los operadores booleanos utilizados, los términos clave y los filtros utilizados, se documenta en el Anexo 1.
Tabla 1 Elementos para el proceso de búsqueda.
| Términos de búsqueda: | IA generativa. IA generativa en educación. Inteligencia Artificial Generativa educativa. |
| Operadores booleanos: | “ ” = Frase exacta. AND = Combina dos o más términos. OR = que incluyan al menos uno de los términos especificados. + = Incluye un término específico que normalmente sería ignorado. |
| Bases de datos: | • SCOPUS; SCIELO; DIMENSIONS. |
| Cadenas de búsqueda: | “IA generativa”; IA AND generativa; IA + generativa; “IA generativa en educación”; IA AND generativa AND en AND educación; IA generativa + educación; “Inteligencia Artificial Generativa educativa”; Inteligencia AND Artificial AND Generativa AND educación: Inteligencia Artificial Generativa+ educativa; IA AND generativa; IA OR generativa, etc. |
| Filtros específicos: | Años, Tipo e Idioma. |
Fuente: Información extraída de la matriz de identificación Anexo 1.
2.2. Criterios de elegibilidad
Para respaldar la pertinencia de los estudios recopilados, se establecieron criterios de inclusión y exclusión que orientaron el proceso de selección, estos criterios buscaron delimitar los parámetros de búsqueda a investigaciones relevantes, asegurando una base científica sólida. En lo refiere a los criterios de inclusión, se consideraron: 1) estudios que abordaran la aplicación de IAG en el contexto de educación superior, 2) artículos o documentos originales revisados por pares y publicados en idioma español. 3) estudios que incluyan la participación de actores educativos de instituciones de educación superior, tales como docentes, estudiantes o personal administrativo.
Por otra parte, se delimitaron criterios de exclusión para evitar la incorporación de investigaciones que no se relacionen con el objetivo de estudio, es así que, se descartaron documentos escritos en idiomas diferentes al español, se excluyeron artículos cuyo contexto no correspondiera al de educación superior, investigaciones centradas únicamente en la validación de instrumentos de investigación y estudios con acceso restringido. La información relacionada a la etapa de selección y elegibilidad se detalla en el Anexo 2. Una vez seleccionados los estudios, la información recopilada se organizó en hojas de cálculo utilizando la herramienta Microsoft Excel, mediante matrices categorizadas en secciones específicas.
2.3. Proceso de selección
En el proceso selección, se identificaron inicialmente 776 registros en bases de datos científicas, distribuidos de la siguiente manera: 125 registros en Scopus, 161 en Scielo y 490 en Dimensions; seguidamente, previo al cribado inicial, se descartaron 443 registros pertenecientes a otros documentos y 273 manuscritos escritos en idiomas distintos al hispano, lo que permitió una depuración significativa de la muestra inicial.
Una vez aplicado el filtro temático “educación superior”, se obtuvieron 60 registros, los cuales fueron sometidos al proceso de eliminación de duplicado mediante el uso de Zotero. En esta etapa se identificaron y eliminaron 16 registros duplicados, reduciendo a 44 documentos únicos que fueron considerados para un análisis detallado. De estos 44 registros, se descartaron 4 tras una revisión del título y resumen, ya que no estaban directamente relacionados con el tema de estudio. Esto dejó un total de 40 estudios, los cuales fueron evaluados de acuerdo a los criterios específicos de inclusión y exclusión quedando 22 articulos. Adicionalmente, se incluyó un estudio clave identificado mediante un método de bola de nieve (snowballing) a partir de las referencias de los artículos inicialmente seleccionados, el cual fue considerado altamente relevante por su cobertura integral de la temática y su reciente publicación, quedando un total de 23 artículos.
3. RESULTADOS
3.1. PO1: ¿Cuál es el estado de la investigación sobre el concepto de IA Generativa en educación superior?
Para explicar el estado de la investigación sobre el concepto de inteligencia artificial generativa (IAG) en el ámbito de la educación superior hispanoamericana, se realizó un análisis exhaustivo de los estudios recopilados. Es fundamental recalcar que esta revisión se delimitó estrictamente a la literatura escrita en español, una decisión fundamentada en la necesidad de comprender las particularidades y el desarrollo de la investigación sobre IAG en el contexto cultural, pedagógico y socioeconómico de los países de habla hispana, los cuales pueden diferir significativamente de las realidades anglosajonas o de otras regiones. Esta especificidad nos permite ofrecer una perspectiva pertinente como aplicable a las instituciones de educación superior en nuestra región. Estos resultados se exponen de manera detallada en la Tabla 2.
Tabla 2 Definición o aproximación del concepto IAG en educación superior según autores.
| Autor (es) | Definición/aproximación del concepto |
|---|---|
| Barreto (2024). | Hace referencia a los sistemas diseñados para crear contenido original, como texto, gráficos o imágenes, utilizando algoritmos avanzados, pero a pesar de sus beneficios plantea desafíos éticos en el contexto educativo para formar ciudadanos críticos. |
| Benavides et al., (2024). | Se definen como herramientas basadas en modelos de lenguaje que demandan competencias técnicas y pedagógicas para ser integradas de manera eficaz en las prácticas docentes. |
| Carranza et al., (2024). | Tecnologías que automatizan la creación de respuestas o materiales educativos, consideradas innovadoras, pero con el potencial de fomentar un aprendizaje superficial. |
| Castro y Orellana (2024). | Plataformas que se pueden emplear para el diseño de actividades didácticas, con una aplicación bakpo supervisión humana. |
| Clemente et al., (2024). | Sistemas que emulan los procesos creativos humanos, pero cuyos sesgos inherentes a los algoritmos requieren la implementación de marcos éticos para asegurar la equidad en la educación. |
| Finkel et al., (2025). | Sedefinen como modelos de lenguaje a gran escala, que tienen la capacidad de sisntetizar información, pero con limitantes en precisión académica y verificación de fuentes. |
| Gatti (2024). | Herramienta generativa que requiere de habilidades críticas para diferenciar entre lo producido por humanos y lo generado artificialmente, previniendo la descontextualización del conocimiento. |
| Guerra y Tass (2024). | Tecnología creativa que potencia habilidades de diseño multimedia, que se usan como complemento en la enseñanza, |
| Quintero y Tarazona (2024). | Herramientas de personalización educativa que, aunque prometen adaptación curricular, demandan una actualización constante de las competencias docentes para evitar obsolescencia pedagógica. |
| Lindín (2024). | Herramientas de generación de contenido que exigen protocolos institucionales para evitar plagio y fomentar la autoría responsable |
| Mendiola y Degante (2023) | Sistemas que revolucionan la creación de contenido, cuyo uso excesivo limita el desarrollo de habilidades como el pensamiento crítico-creativo. |
| Niebla et al., (2025). | Sistemas de retroalimentación automatizada que optimizan procesos administrativos y evaluativos, pero enfrentan barreras institucionales por costos o resistencia al cambio. |
| Nuñez et al., (2024). | Modelo basado en la innovación tecnológica y el desarrollo de habilidades cognitivas profundas. |
| Paredes et al., (2024). | Asistentes virtuales y plataformas interactivas que incrementan la participación estudiantil, pero revelan desigualdades en acceso a infraestructura digital |
| Pereyra (2023). | Tecnologías que automatizan la producción de contenido académico, con riesgo de erosionar la autenticidad y el pensamiento crítico en la comunicación educativa. |
| Perezchica et al., (2024). | Herramienta de apoyo para diseño curricular, cuya aplicación en evaluación genera escepticismo por posibles brechas de transparencia y equidad |
| Rosignoli (2023). | Sistemas que requieren formación docente en ética digital, para equilibrar su potencial innovador con la protección de la agencia humana |
| Serrano y Moreno (2024). | Herramientas de personalización educativa que, bajo el rótulo de 'innovación', reciclan enfoques conductistas sin evidencia de mejora pedagógica real. |
| Valencia et al., (2024). | Tecnologías que estimulan la creatividad operativa, pero inhiben la creatividad crítica al priorizar la eficiencia sobre la reflexión. |
| Valentini (2025) | Motor de transformación digital que exige políticas regionales para democratizar su acceso y evitar brechas socioeconómicas en América Latina. |
| Zapata (2024) | Disruptores de los modelos evaluativos tradicionales, que obligan a replantear la pedagogía hacia procesos metacognitivos y no solo resultados |
| Ortiz (2024) | Fenómeno disruptivo que redefine paradigmas evaluativos y exige pedagogías centradas en procesos metacognitivos más que en productos finales. |
| UNESCO (2024) | Es una tecnología de inteligencia artificial (IA) que genera contenidos de forma automática en respuesta a instrucciones escritas en interfaces conversacionales de lenguaje natural (prompts). |
Nota. Información extraída de la matriz de resultados PO3. Fuente: Elaboración propia.
Los resultados obtenidos evidencian un estado incipiente y heterogéneo en la conceptualización y aplicación de la IAG en la educación superior hispanoamericana., pues si bien la mayoría de los estudios reconocen su potencial transformador, existe una diversidad significativa y una ausencia de consenso pleno respecto a su definición, alcance y límites conceptuales. Esta fragmentación sugiere que la investigación en la región aún se encuentra en una etapa exploratoria en cuanto a la consolidación de un marco teórico unificado para la IAG en el ámbito educativo.
Las aproximaciones identificadas destacan tanto su potencial transformador, así como los desafíos éticos, técnicos y pedagógicos que plantea; algunos estudios, como los de Barreto et al., (2024) y Clemente et al. (2024), subrayan la necesidad de marcos éticos y habilidades críticas para abordar sesgos algorítmicos inherentes, de forma que se garantice el uso responsable. Por otra parte, autores como Benavides et al. (2024) y Quintero y Tarazona (2024) enfatizan la importancia de competencias tecno-pedagógicas necesarias para integrar estas tecnologías de manera efectiva en las prácticas docentes.
A pesar de su carácter emergente, la IAG se considera una herramienta transformadora con aplicaciones potenciales en diferentes aspectos educativos. Por ejemplo, Pereyra (2023) y Valentini (2025) exploran su impacto en la personalización y democratización educativa, mientras que Mendiola y Degante (2023) y Serrano y Moreno (2024) advierten sobre los riesgos de limitación en el desarrollo de habilidades como el pensamiento crítico y creativo. En síntesis, la literatura hispanohablante sobre la IAG en educación superior revela un campo de estudio en desarrollo, caracterizado por una variedad de perspectivas como la ausencia de una conceptualización unificada, lo que resalta la necesidad de futuras investigaciones que contribuyan a un entendimiento coherente y contextualizado.
3.2. PO2: ¿Cuál es el impacto o beneficio de la inteligencia artificial generativa en la educación superior hispanoamericana desde la perspectiva de diversos autores?
A fin de dar respuesta a la cuarta pregunta orientadora, se analizó el impacto de la IAG en la educación superior desde la perspectiva de diferentes autores, donde se identificaron estudios teóricos y empíricos que exploran las implicaciones de la IAG en contextos pedagógicos. A continuación en la Tabla 3, se sintetizan dichos resultados.
Tabla 3 Impacto de la IAG en educación superior
| Autor (es) | Impacto/beneficio Identificado | Área o Aplicación (Categoría de impacto) |
|---|---|---|
| Barreto (2024). | Plantea dilemas éticos y la necesidad de formar ciudadanía crítica frente al uso de IA generativa. | Ética y formación ciudadana. |
| Benavides et al., (2024). | Promueve competencias docentes específicas para integrar herramientas de IA generativa en la enseñanza. | Desarrollo profesional docente. |
| Carranza et al., (2024). | Analiza la percepción de los docentes sobre la utilidad y los desafíos de la IA generativa en su práctica diaria. | Percepción y adopción docente. |
| Castro y Orellana (2024). | Explora el uso de IA generativa para diseñar actividades educativas innovadoras. | Diseño y desarrollo de material didáctico. |
| Clemente et al., (2024). | Identifica riesgos éticos y oportunidades para reformular estrategias pedagógicas con IA generativa. | Ética y transformación pedagógica. |
| Finkel et al., (2025). | Evalúa la confiabilidad y el uso práctico de ChatGPT como herramienta informativa en el aula universitaria. | Acceso a la información. |
| Gatti (2024). | Resalta la importancia de formar en competencias críticas para interactuar con herramientas de IA generativa. | Competencias digitales y críticas. |
| Guerra y Tass (2024). | Examina el impacto en el diseño multimedia y en la eficiencia docente. | Aplicaciones de técnicas en el proceso de enseñanza-aprendizaje. |
| Quintero y Tarazona (2024). | Aborda desafíos y oportunidades para modernizar la práctica educativa con IA generativa. | Innovación educativa. |
| Lindín (2024). | Propone enfoques prácticos para integrar ChatGPT en el proceso de enseñanza-aprendizaje. | Estrategias de enseñanza-aprendizaje. |
| Mendiola y Degante (2023) | Discute las posibilidades y limitaciones de la IA generativa en la educación universitaria. | Análisis general sobre el uso de IA Generativa. |
| Niebla et al., (2025). | Comparte casos prácticos en el Tecnológico Nacional de México, resaltando ventajas en tareas administrativas y académicas. | Casos prácticos. |
| Nuñez et al., (2024). | Presenta un modelo que combina herramientas de IA generativa con enfoques pedagógicos integrales. | Modelos pedagógicos integrales. |
| Paredes et al., (2024). | Explora estrategias para implementar IA generativa en el aula, optimizando los procesos de aprendizaje. | Estrategias de enseñanza-aprendizaje. |
| Pereyra (2023). | Analiza la forma en que la IA generativa transforma la interacción comunicativa en entornos universitarios. | Comunicación educativa. |
| Perezchica et al., (2024). | Valoración y aplicación de la IA en el aula por parte de los docentes | Percepción docente. |
| Rosignoli (2023). | Destaca la necesidad de formar formadores en el uso crítico y creativo de IA generativa. | Formación de Formadores. |
| Serrano y Moreno (2024). | Discute el potencial de la IA para personalizar el aprendizaje, destacando riesgos de estandarización excesiva. | Personalización del Aprendizaje. |
| Valencia et al., (2024). | Analiza el impacto de la IA generativa en la creatividad funcional y reflexiva de los estudiantes. | Creatividad estudiantil. |
| Valentini (2025) | Aborda la integración de IA generativa como parte de la transformación digital en América Latina y el Caribe. | Transformación digital. |
| Zapata (2024) | Explora los retos que la IA generativa plantea a los enfoques tradicionales de evaluación y los métodos establecidos de enseñanza. | Evaluación educativa. |
| Ortiz (2024) | Proporciona recomendaciones prácticas y éticas para aplicar IA generativa en educación e investigación. | Síntesis de investigaciones y enfoques pedagógicos. |
| UNESCO (2024) | Proporciona recomendaciones prácticas y éticas para aplicar IA generativa en educación e investigación. | Normas y buenas prácticas para el uso de IA en el contexto educativo. |
Nota. Información extraída de la matriz de resultados PO4. Fuente: Elaboración propia.
El análisis de la literatura revela que la IAG impacta la educación superior hispanoamericana principalmente a través de su potencial para innovar en el diseño pedagógico, personalizar el aprendizaje y mejorar el desarrollo profesional docente. Específicamente, los estudios destacan que la IAG ofrece nuevas herramientas para la creación de contenido educativo personalizado y la implementación de estrategias didácticas innovadoras. Además, se identifica su contribución en la optimización de la gestión de funciones académicas y administrativas. Los autores consultados reflejan un panorama donde la IAG se percibe como un motor de transformación digital que impulsa la creatividad, la interactividad en el aula y la adaptación curricular. En conjunto, los estudios subrayan los beneficios derivados de la adopción de la IAG, posicionándola como una herramienta con la capacidad de enriquecer significativamente los procesos educativos.
3.3. PO3: ¿Cuáles son los desafíos y limitaciones de la integración de la IA Generativa en la educación superior según estudios?
Los desafíos y limitaciones vinculados a la integración de la inteligencia artificial generativa en la educación superior, según diversos estudios, se encuentran detallados en el Anexo 3 y se presentan de manera sintetizada los principales desafíos.
Resistencia docente por falta de alfabetización técnica:Benavides et al., (2024) destacan que el desconocimiento técnico del profesorado limita la adopción de herramientas como ChatGPT, lo que requiere programas de capacitación específicos.
Superficialidad en el aprendizaje: Según Carranza et al., (2024), los docentes perciben que la IA fomenta respuestas rápidas pero carentes de profundidad analítica, afectando la calidad del proceso formativo.
Fiabilidad académica cuestionada:Finkel et al., (2025) argumentan que las respuestas generadas por ChatGPT pueden contener errores factuales o fuentes no verificables, comprometiendo la integridad académica.
Pérdida de habilidades creativas:Guerra y Tass (2024) destacan que herramientas como MidJourney pueden reducir la práctica de técnicas manuales de diseño, priorizando la eficiencia sobre la creatividad.
Plagio y autoría difusa:Lindín (2024) menciona que el uso no regulado de IA aumenta los casos de plagio, lo que requiere protocolos claros de integridad académica.
Falta de formación en ética digital:Rosignoli (2023) advierte que los programas de formación docente carecen de módulos sobre los riesgos éticos de la IA.
Los estudios revisados revelan que la integración de la inteligencia artificial generativa en la educación superior enfrenta múltiples desafíos y limitaciones, entre los principales se destacan: los riesgos éticos, como la reproducción de sesgos y la opacidad de los algoritmos; las brechas en formación docente, que dificultan su adopción efectiva; además de la desigualdad en el acceso, especialmente en contextos con limitaciones económicas y tecnológicas.
4. DISCUSIÓN
La discusión de los hallazgos de esta revisión sistemática proporciona una interpretación crítica del estado de la Inteligencia Artificial Generativa (IAG) en la educación superior hispanoamericana, integrando las perspectivas de las tres preguntas orientadoras.
En relación con la PO1, la investigación evidencia que la conceptualización y aplicación de la IAG en la educación superior hispanohablante se halla en una etapa todavía incipiente, con marcada heterogeneidad. Aunque se reconoce ampliamente su potencial transformador, la ausencia de un consenso claro en su definición y alcance; como sugieren la diversidad de aproximaciones (Tabla 2), se indica que el marco conceptual aún está en construcción. Esta realidad coincide con la naturaleza emergente de la tecnología misma, lo que refleja la necesidad de una investigación más profunda y articulada en la región.
Respecto al impacto de la IAG (PO2), los resultados confirman un panorama multifacético del impacto o beneficios que trascienden la mera personalización del aprendizaje, más allá de la adaptación curricular, la IAG se revela como un catalizador para la innovación pedagógica en el diseño de nuevas estrategias de enseñanza-aprendizaje, la optimización de la gestión académica o administrativa, y el fomento de competencias digitales como críticas en estudiantes y docentes (Guerra y Tass, 2024; Niebla et al., 2025; Gatti, 2024). Autores como Pereyra (2023) y Valentini (2025) resaltan cómo la IAG puede transformar la comunicación educativa y acelerar la transformación digital en las instituciones, ofreciendo herramientas para el diseño de materiales didácticos interactivos o la promoción de la creatividad estudiantil (Castro y Orellana, 2024; Valencia et al., 2024). Esta gama de impactos positivos representa una vía prometedora para enriquecer las experiencias educativas y la eficiencia institucional, superando enfoques tradicionales.
No obstante, la integración de la IAG en la educación superior enfrenta retos y limitaciones significativas (PO3) que emergen de la misma literatura, la preocupación por los sesgos algorítmicos inherentes y la necesidad de marcos éticos para garantizar la equidad, asi como la transparencia son recurrentes (Barreto, 2024; Clemente et al., 2024). Estos desafíos se manifiestan de manera diferenciada en el uso por docentes y estudiantes: Para los docentes, los retos incluyen la demanda de nuevas competencias tecno-pedagógicas y la resistencia institucional al cambio, así como la preocupación por la sustitución del criterio humano por algoritmos (Benavides et al., 2024; Carranza et al., 2024; Niebla et al., 2025). Para los docentes, los retos incluyen la demanda de nuevas competencias tecno-pedagógicas y la resistencia institucional al cambio, así como la preocupación por la sustitución del criterio humano por algoritmos (Benavides et al., 2024; Carranza et al., 2024; Niebla et al., 2025).
La investigación subraya que, si bien existen estrategias potenciales (formación docente, políticas institucionales) para el uso responsable de la IAG, estas no se han formulado o implementado completamente en el contexto hispanohablante. Esta brecha es significativa, evidenciando la falta de una hoja de ruta clara en la investigación y práctica. Por último, aunque se reconoce su potencial transformador para personalizar el aprendizaje, este debe equilibrarse cuidadosamente con una evaluación rigurosa de sus implicaciones éticas pedagógicas , además de la necesidad de formar tanto a la comunidad educativa como a la sociedad en general para un uso responsable de estas tecnologías.
5. CONCLUSIONES
Los hallazgos disponibles destacan su potencial para innovar el diseño pedagógico, personalizar los procesos de aprendizaje, optimizar el desarrollo profesional docente y mejorar la gestión académica, pues la literatura la posiciona como un catalizador de la transformación digital educativa, capaz de enriquecer las prácticas formativas mediante el fomento de la creatividad, la interactividad y la adaptación curricular dinámica. No obstante, esta integración enfrenta desafíos complejos. En el contexto hispanoamericano, tanto la conceptualización como la aplicación efectiva de la IAG se encuentran en etapas incipientes, pues se evidencia una fragmentación significativa en su definición operacional, alcance pedagógico, además de límites éticos, lo que evidencia la necesidad de desarrollar marcos teórico-prácticos robustos y profundizar la investigación empírica.
A estos retos se suman riesgos críticos, como la presencia de sesgos algorítmicos, la opacidad en los procesos decisionales, la preparación insuficiente del profesorado, la superficialización del aprendizaje, las dudas sobre la fiabilidad académica y el incremento de prácticas de plagio. Cabe resaltar que las desigualdades en el acceso a tecnologías emergen como una limitación estructural, particularmente en Latinoamérica, donde las brechas socioeconómicas y las deficiencias en infraestructura tecnológica podrían amplificar las disparidades educativas existentes. En consecuencia, la adopción de estas herramientas demanda una aproximación crítica e informada, que evite implementaciones acríticas o descontextualizadas.
Entre las limitaciones del estudio se presento un escasez de evidencia empírica concluyente sobre el impacto real de la IAG en los resultados formativos, lo que imposibilita aseveraciones definitivas acerca de sus beneficios educativos. Ante este panorama, una implementación efectiva requiere: estrategias integrales de capacitación docente y mecanismos rigurosos de evaluación continua. Como líneas de acción futura, se recomienda impulsar investigaciones longitudinales sobre su eficacia pedagógica, diseñar modelos educativos contextualizados y establecer marcos regulatorios que garanticen su uso ético.
