Página | 241
Inteligencia Artificial en la Educación Superior: Oportunidades,
Riesgos y Desafíos Éticos
Artificial Intelligence in Higher Education: Opportunities, Risks, and
Ethical Challenges
Carlos Eduardo Mamani Flores
carlosmamanif@hotmail.com
https://orcid.org/0009-0009-1383-0437
Universidad Amazónica de Pando
Bolivia
Artículo recibido: 21/07/2025
Aceptado para publicación: 23/08/2025
Conflictos de Intereses: Ninguno que declarar
Página | 242
RESUMEN
Este artículo de revisión sistemática analiza el impacto de la inteligencia artificial
(IA) en la educación superior, enfocándose en sus oportunidades, riesgos y desafíos
éticos. El objetivo principal es sintetizar la evidencia científica sobre el uso de IA en
contextos universitarios, identificando tendencias, beneficios y limitaciones para la
enseñanza, el aprendizaje y la gestión institucional. La metodología empleada se basa en
el enfoque PRISMA 2020, incluyendo la búsqueda de estudios en bases de datos
académicas, la selección de artículos bajo criterios de inclusión y exclusión, y la
extracción y análisis de datos mediante categorías analíticas. Los hallazgos revelan que
la IA ofrece oportunidades significativas para la personalización del aprendizaje, la
retroalimentación automatizada, la analítica educativa y la mejora de la gestión
académica, contribuyendo a una educación más flexible e inclusiva. Sin embargo,
también se identifican riesgos importantes, como sesgos algorítmicos, opacidad de los
modelos, dependencia tecnológica y deshumanización de la enseñanza. Se destacan
desafíos éticos relacionados con la privacidad, la equidad, la transparencia y la
responsabilidad institucional, lo que demanda políticas de gobernanza y formación
docente crítica para una integración responsable de la IA en la educación superior.
Palabras Claves: inteligencia artificial; educación superior; desafíos éticos
Página | 243
ABSTRACT
This systematic review article analyzes the impact of artificial intelligence (AI) in
higher education, focusing on its opportunities, risks, and ethical challenges. The main
objective is to synthesize scientific evidence on the use of AI in university contexts,
identifying trends, benefits, and limitations for teaching, learning, and institutional
management. The methodology employed is based on the PRISMA 2020 approach,
including the search for studies in academic databases, the selection of articles according
to inclusion and exclusion criteria, and the extraction and analysis of data through
analytical categories. The findings reveal that AI offers significant opportunities for
learning personalization, automated feedback, learning analytics, and the improvement of
academic management, contributing to more flexible and inclusive education. However,
important risks are also identified, such as algorithmic bias, model opacity, technological
dependency, and the dehumanization of teaching. Ethical challenges related to privacy,
equity, transparency, and institutional responsibility are also highlighted, which demand
governance policies and critical teacher training for the responsible integration of AI in
higher education.
Keywords: artificial intelligence; higher education; ethical challenges
Página | 244
INTRODUCCIÓN
En las últimas décadas, la Inteligencia Artificial (IA) ha emergido como una de las fuerzas
tecnológicas más disruptivas y prometedoras en múltiples sectores de la sociedad, entre
ellos la educación superior. Aunque la IA no es una disciplina nueva —sus raíces se
remontan a mediados del siglo XX— su adopción en contextos educativos ha trascendido
los entornos de laboratorio para convertirse en una realidad tangible tanto en enseñanza
como en gestión académica y administrativa (Cordón García, 2023).
El interés por la IA en educación superior no surge de manera espontánea: responde a una
combinación de avances en machine learning, procesamiento del lenguaje natural y
capacidades de cómputo, que han permitido diseñar sistemas capaces de analizar grandes
volúmenes de datos, personalizar experiencias de aprendizaje e incluso automatizar tareas
que tradicionalmente exigían intervención humana directa (Gallo Macías et al., 2024).
La Transformación del Ecosistema Educativo
La educación universitaria enfrenta múltiples presiones: globalización del conocimiento,
demandas de personalización del aprendizaje, necesidad de mejorar tasas de retención y
rendimiento, y retos en acceso equitativo para poblaciones diversas. En este contexto, la
IA aparece como una herramienta estratégica con el potencial de transformar procesos
pedagógicos, administrativos y evaluativos (Cordón García, 2023).
Los sistemas de IA pueden analizar patrones de desempeño estudiantil para anticipar
riesgos de deserción o recomendar rutas de estudio personalizadas, facilitando así una
enseñanza más centrada en el estudiante y menos en la transmisión uniforme de
contenidos. Esta capacidad es especialmente relevante en programas masivos o en
modalidades virtuales, donde el contacto cara a cara con docentes es limitado (Gallo
Macías et al., 2024).
Otro desarrollo significativo reside en los tutores inteligentes y asistentes virtuales, que
ofrecen retroalimentación inmediata, responden preguntas frecuentes y liberan tiempo
docente para actividades más estratégicas, como la orientación conceptual o el diseño de
proyectos creativos (Romero Alonso et al., 2025).
Oportunidades Pedagógicas y Formativas
La literatura científica reciente destaca una serie de beneficios potenciales de integrar IA
en la educación superior.
Página | 245
Estos beneficios pueden agruparse en varias dimensiones:
Retroalimentación en Tiempo Real
Otra ventaja es la capacidad de proporcionar retroalimentación inmediata y continua. Los
sistemas de IA pueden corregir ejercicios, evaluar respuestas abiertas y sugerir áreas de
mejora sin la intervención directa del profesor, lo que fortalece el proceso formativo al
permitir que los estudiantes reciban orientación constante (Romero Alonso et al., 2025).
Este tipo de retroalimentación no sólo acelera el ciclo de aprendizaje, sino que también
fomenta habilidades metacognitivas, como la autoevaluación y la autorregulación. En un
entorno ideal, la interacción con sistemas inteligentes favorece el pensamiento crítico, la
reflexión y la autonomía del estudiante.
Riesgos y Desafíos Técnicos
A pesar de estos beneficios, la introducción de la IA en la educación superior no está
exenta de riesgos técnicos y operativos. Una de las preocupaciones más citadas en la
literatura es la falta de preparación tecnológica en múltiples contextos universitarios,
especialmente en países con brechas digitales significativas. Esta carencia puede derivar
en desigualdades de acceso, donde solo una parte de la comunidad académica se beneficia
de las innovaciones tecnológicas (Zawacki-Richter et al., 2019).
Además, la implementación de IA requiere inversiones en infraestructura, conectividad y
formación docente. Sin estos componentes, las instituciones pueden enfrentar una
adopción fragmentada o superficial, donde las herramientas de IA se utilicen de forma
aislada o sin un propósito pedagógico claro, lo cual puede limitar su impacto real (Gallo
Macías et al., 2024).
Desafíos Éticos Emergentes
Más allá de los retos técnicos, los desafíos éticos constituyen un campo crítico de análisis
y debate. La literatura especializada señala que, aunque los beneficios son numerosos, la
IA también puede amplificar injusticias existentes, reproducir sesgos y plantear dilemas
fundamentales sobre la equidad, la privacidad y la integridad académica.
Sesgos Algorítmicos y Equidad
Los sistemas de IA aprenden de datos históricos, lo que implica que pueden producir
sesgos presentes en esos datos, lo cual puede conducir a decisiones injustas o
Página | 246
discriminatorias en contextos educativos. Por ejemplo, algoritmos que recomiendan
trayectorias de aprendizaje pueden favorecer a estudiantes con antecedentes de éxito
académico, mientras que perpetúan desventajas para quienes ya enfrentan barreras
sistemáticas (Del Valle, 2025).
Estos riesgos son especialmente preocupantes cuando se emplean sistemas que influyen
en decisiones administrativas, como la asignación de becas, admisiones o evaluaciones
automatizadas, que requieren criterios transparentes y justos.
Privacidad y Protección de Datos
La integración de la IA en educación superior implica recolectar, procesar y analizar
grandes cantidades de datos personales, incluidos registros de desempeño, patrones de
interacción y hábitos de estudio. Sin marcos sólidos de protección de datos, esta
información puede ser vulnerable a accesos no autorizados o usos indebidos, poniendo en
riesgo la privacidad de estudiantes y docentes (Reina Marín et al., 2025).
La falta de transparencia en cómo los algoritmos generan resultados también reduce la
confianza de la comunidad educativa. Cuando los estudiantes y docentes no comprenden
cómo se toman decisiones automatizadas o qué datos se utilizan, se generan barreras para
la aceptación ética de estas tecnologías (Lelescu et al., 2025).
Integridad Académica y Autoría
Un debate ético crucial en educación superior es el impacto de las tecnologías de IA,
especialmente modelos generativos de lenguaje, en la integridad académica. Las
herramientas como Chat GPT pueden generar textos, respuestas y contenidos de forma
automática, lo que plantea interrogantes sobre autoría, honestidad intelectual y prácticas
evaluativas (Reina Marín et al., 2025).
Aunque algunos estudios sugieren que el uso de IA no es una causa directa de plagio —
sino que otros factores como la motivación estudiantil y la cultura académica tienen
mayor peso— la percepción de riesgo persiste, lo que obliga a las instituciones a
replantear sus políticas de evaluación y normas de uso (Galindo-Domínguez et al., 2025).
Discusión Interdisciplinaria y Formación Continua
Integrar la IA de forma responsable en la educación superior exige un enfoque
interdisciplinario que involucre no solo a técnicos e ingenieros, sino también a pedagogos,
Página | 247
filósofos, expertos en ética y gestores académicos. Esto implica repensar los currículos
para incluir competencias digitales y éticas relevantes, de modo que los futuros graduados
puedan navegar críticamente en un entorno profesional cada vez más automatizado y
mediado por IA.
Además, la formación docente en herramientas de IA es indispensable. La falta de
conocimiento técnico y pedagógico sobre cómo integrar la IA en la enseñanza es una
barrera recurrente que limita su uso eficaz y ético (Zawacki-Richter et al., 2019).
Conclusión de la Introducción
La adopción de la inteligencia artificial en la educación superior presenta oportunidades
sin precedentes para mejorar la enseñanza y el aprendizaje, personalizar experiencias
educativas, optimizar procesos y liberar capacidades creativas tanto de docentes como de
estudiantes. Sin embargo, estos beneficios no se alcanzarán de forma automática ni sin
riesgos importantes. La literatura señala claramente los desafíos técnicos, éticos y
organizacionales que acompañan la integración de la IA en contextos académicos.
Si bien herramientas de IA pueden potenciar el aprendizaje adaptativo, ofrecer
retroalimentación en tiempo real y agilizar la gestión educativa, también plantean
interrogantes sobre equidad, privacidad, sesgos algorítmicos e integridad académica. Para
transitar de manera ética hacia un futuro en que la IA sea un aliado en educación superior,
es indispensable desarrollar marcos normativos, políticas institucionales claras y procesos
de formación continua que promuevan una IA responsable, transparente y centrada en las
necesidades humanas y educativas.
Fundamentación Teórica
La fundamentación teórica de este estudio se sustenta en el cruce interdisciplinario entre
la teoría de la inteligencia artificial, la pedagogía universitaria y la ética aplicada a la
tecnología. Desde una perspectiva conceptual, la IA puede definirse como el conjunto de
sistemas computacionales capaces de realizar tareas que tradicionalmente requieren
inteligencia humana, como el razonamiento, el aprendizaje y la toma de decisiones
(Russell & Norvig, 2021). En el ámbito educativo, estas capacidades se traducen en
aplicaciones como tutores inteligentes, sistemas de aprendizaje adaptativo y analítica del
aprendizaje (Holmes et al., 2022).
Página | 248
Desde la teoría del aprendizaje, la incorporación de la IA se vincula estrechamente con
enfoques constructivistas y socioconstructivistas, que promueven un aprendizaje activo,
personalizado y contextualizado. Los sistemas inteligentes permiten adaptar contenidos
y estrategias a las necesidades individuales de los estudiantes, favoreciendo la
autorregulación y la metacognición, aspectos clave del aprendizaje significativo en
educación superior (Siemens & Baker, 2012). La analítica del aprendizaje posibilita la
toma de decisiones pedagógicas basadas en evidencias, fortaleciendo la retroalimentación
formativa (Gašević et al., 2016).
Por otra parte, desde la teoría de la innovación educativa, la IA se inscribe en los procesos
de transformación digital universitaria, entendidos como cambios sistémicos que
involucran no solo tecnologías, sino también prácticas pedagógicas, estructuras
organizativas y culturas institucionales (Selwyn, 2019). En este sentido, la IA no debe
concebirse como un fin en sí mismo, sino como una herramienta mediadora cuyo impacto
depende del marco pedagógico y ético en el que se implemente (Williamson, 2017).
La dimensión ética constituye un eje central de la fundamentación teórica del estudio. La
ética de la IA, desde autores como Floridi et al. (2018), plantea principios fundamentales
como la justicia, la transparencia, la responsabilidad y la no maleficencia. En educación
superior, estos principios se traducen en la necesidad de garantizar el uso responsable de
los datos estudiantiles, evitar discriminaciones algorítmicas y preservar la autonomía
académica (UNESCO, 2023).
La teoría de la gobernanza digital aporta un marco para analizar las políticas
institucionales y regulatorias que orientan el uso de la IA en universidades. La ausencia
de normativas claras puede generar usos arbitrarios o desiguales de estas tecnologías,
mientras que una gobernanza ética favorece su integración sostenible y socialmente
responsable (OECD, 2021). Esta base teórica permite comprender la complejidad del
fenómeno y justifica la necesidad de una revisión sistemática que articule dimensiones
pedagógicas, tecnológicas y éticas.
Problemática
A pesar del crecimiento exponencial del uso de la inteligencia artificial en la educación
superior, su implementación se caracteriza por una marcada heterogeneidad y, en muchos
casos, por la ausencia de criterios pedagógicos y éticos claramente definidos (Selwyn,
Página | 249
2019). Esta situación configura una problemática compleja en la que coexisten avances
tecnológicos significativos con prácticas institucionales fragmentadas y poco reguladas.
Uno de los principales problemas identificados en la literatura es la adopción instrumental
de la IA, centrada en la eficiencia operativa más que en la mejora real de los procesos de
enseñanza y aprendizaje. En numerosos contextos universitarios, las herramientas de IA
se implementan sin una reflexión pedagógica profunda, lo que limita su potencial
formativo y puede generar dependencia tecnológica o deshumanización del proceso
educativo (Williamson & Eynon, 2020).
La problemática se agrava por la reproducción de sesgos algorítmicos que afectan la
equidad educativa. Los sistemas de IA entrenados con datos históricos pueden perpetuar
desigualdades socioeconómicas, culturales o de género, influyendo negativamente en
decisiones académicas como la evaluación, la orientación o la predicción del rendimiento
estudiantil (Zawacki-Richter et al., 2019). Esta situación contradice los principios de
inclusión y justicia social que sustentan la educación superior como bien público.
Otro aspecto crítico es la gestión de los datos personales y académicos. La recopilación
masiva de información sobre estudiantes y docentes plantea serios riesgos en términos de
privacidad, seguridad y uso indebido de los datos, especialmente en contextos donde no
existen políticas claras de protección y consentimiento informado (UNESCO, 2023). La
opacidad de los algoritmos, además, dificulta la comprensión y el cuestionamiento de las
decisiones automatizadas, afectando la confianza en las instituciones educativas (Floridi
et al., 2018).
La emergencia de la IA generativa ha intensificado el debate sobre la integridad
académica. La facilidad para producir textos, resolver problemas o generar contenidos
académicos desafía los modelos tradicionales de evaluación y exige replantear los
criterios de autoría, originalidad y aprendizaje auténtico (Kasneci et al., 2023). La falta
de consenso institucional sobre el uso ético de estas herramientas profundiza la
incertidumbre y evidencia la necesidad de estudios sistemáticos que orienten su
regulación y aprovechamiento educativo.
METODOLOGÍA
El presente estudio se desarrolló mediante una revisión sistemática de la literatura,
siguiendo de manera rigurosa las directrices establecidas por la Declaración PRISMA
2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), con el
Página | 250
propósito de asegurar la transparencia, exhaustividad, reproducibilidad y calidad
metodológica del proceso de revisión (Page et al., 2021). La aplicación del enfoque
PRISMA permitió estructurar de forma sistemática las etapas de identificación, selección,
elegibilidad e inclusión de los estudios analizados.
Enfoque y diseño de la investigación
Se adoptó un enfoque cualitativo de tipo descriptivo-analítico, adecuado para sintetizar,
comparar e interpretar la evidencia científica existente sobre la aplicación de la
inteligencia artificial en la educación superior. El diseño de revisión sistemática resulta
pertinente cuando se pretende integrar resultados de investigaciones previas, identificar
tendencias teóricas y empíricas, así como detectar vacíos en el conocimiento sobre
fenómenos complejos y emergentes (Snyder, 2019).
El estudio se orientó a analizar de manera crítica las oportunidades, riesgos y desafíos
éticos asociados al uso de la inteligencia artificial en contextos universitarios, a partir de
la literatura científica publicada en bases de datos reconocidas.
Fuentes de información y bases de datos
La búsqueda bibliográfica se realizó en bases de datos académicas de alto impacto y
reconocimiento internacional, seleccionadas por su cobertura en educación, tecnología y
ciencias sociales.
Las bases de datos consultadas fueron:
● Scopus
● Web of Science (WoS)
● ERIC (Education Resources Information Center)
● SciELO
● Google Scholar (utilizada como fuente complementaria para ampliar la cobertura)
La selección de estas bases responde a su relevancia en la indexación de estudios
revisados por pares y su uso frecuente en investigaciones educativas y tecnológicas
(Gusenbauer & Haddaway, 2020).
Estrategia de búsqueda
La estrategia de búsqueda se diseñó de forma sistemática y replicable, empleando
descriptores controlados y palabras clave en inglés y español, combinados mediante
operadores booleanos (AND, OR).
Entre las principales ecuaciones de búsqueda se incluyeron:
● “artificial intelligence” AND “higher education”
Página | 251
● “inteligencia artificial” AND “educación superior”
● “AI in higher education” AND ethics
● “ethical challenges” AND “artificial intelligence” AND university
La búsqueda se limitó a estudios publicados entre 2018 y 2025, periodo seleccionado
debido al crecimiento exponencial de aplicaciones de IA en educación superior y a la
irrupción reciente de sistemas de IA generativa, que han intensificado el debate
académico y ético (Kasneci et al., 2023). Si bien el rango recomendado de actualidad para
este campo es 2020-2025, se amplió el límite inferior a 2018 de forma acotada y exclusiva
para incorporar un reducido núcleo de marcos teóricos y conceptuales fundacionales
sobre ética algorítmica y sesgos en sistemas de datos (Floridi et al., 2018; Eubanks, 2018;
Noble, 2018) que continúan siendo referencia vigente en la literatura reciente sobre IA en
educación superior; el resto del corpus documental se ciñe al período 2020-2025.
Criterios de inclusión y exclusión
Con el fin de garantizar la pertinencia y calidad de los estudios seleccionados, se
establecieron los siguientes criterios:
Criterios de inclusión:
● Artículos científicos revisados por pares.
● Investigaciones centradas en educación superior.
● Estudios que abordan aplicaciones, oportunidades, riesgos o desafíos éticos de la
inteligencia artificial.
● Publicaciones en idioma inglés o español.
● Acceso a texto completo.
Criterios de exclusión:
● Estudios enfocados exclusivamente en educación básica o educación media.
● Documentos no arbitrados (editoriales, opiniones, reseñas narrativas).
● Investigaciones centradas únicamente en aspectos técnicos de la IA sin
vinculación educativa.
● Registros duplicados entre bases de datos.
Estos criterios permitieron delimitar un corpus documental coherente con los objetivos
del estudio y asegurar la calidad metodológica de la evidencia analizada (Page et al.,
2021).
Proceso de selección de los estudios
Página | 252
El proceso de selección de los artículos se desarrolló en cuatro fases, conforme al flujo
establecido por PRISMA 2020:
1. Identificación: se recuperaron los registros iniciales a partir de las bases de datos
seleccionadas.
2. Eliminación de duplicados: se depuraron los registros repetidos mediante revisión
manual y el uso de gestores bibliográficos.
3. Cribado: se analizaron títulos y resúmenes para evaluar su pertinencia respecto a
los objetivos del estudio.
4. Elegibilidad: se realizó la lectura completa de los artículos preseleccionados para
determinar su inclusión final.
Este procedimiento permitió garantizar un proceso de selección transparente y replicable,
reduciendo sesgos en la inclusión de estudios (Moher et al., 2009).
Extracción de datos
La extracción de la información se realizó mediante una matriz de análisis documental,
diseñada específicamente para este estudio.
Para cada artículo incluido se registraron los siguientes elementos:
● Autor(es) y año de publicación
● País o contexto institucional
● Objetivo(s) del estudio
● Enfoque metodológico
● Principales hallazgos
● Implicaciones pedagógicas, organizativas y éticas
Esta sistematización facilitó la comparación de resultados y la identificación de patrones
comunes entre los estudios analizados (Braun & Clarke, 2006).
Categorías de análisis
A partir del proceso de codificación y en coherencia con los objetivos del estudio, se
establecieron las siguientes categorías analíticas:
1. Aplicaciones de la inteligencia artificial en la educación superior: Uso de tutores
inteligentes, analítica del aprendizaje, sistemas adaptativos, evaluación
automatizada y herramientas de IA generativa.
2. Oportunidades pedagógicas y organizativas: Personalización del aprendizaje,
mejora de la retroalimentación, optimización de la gestión académica y apoyo a
la toma de decisiones institucionales.
Página | 253
3. Riesgos y limitaciones del uso de la IA: Brechas digitales, dependencia
tecnológica, uso instrumental de la IA y limitaciones pedagógicas.
4. Desafíos éticos y sociales: Sesgos algorítmicos, privacidad y protección de datos,
transparencia, equidad e integridad académica.
5. Gobernanza y políticas institucionales: Marcos normativos, lineamientos éticos,
estrategias institucionales y formación en ética de la IA.
Estas categorías sirvieron de base para la organización del apartado de Resultados y
Discusión, permitiendo un análisis integral y crítico del fenómeno estudiado (Snyder,
2019).
Consideraciones éticas
Al tratarse de una investigación documental, no se requirió aprobación de un comité de
ética. No obstante, se respetaron los principios éticos de la investigación científica,
incluyendo la correcta citación de las fuentes, el respeto a la propiedad intelectual y la
transparencia en el proceso metodológico, conforme a las normas de la American
Psychological Association (APA, 2020).
RESULTADOS Y DISCUSIÓN
Aplicaciones de la inteligencia artificial en la educación superior
Los resultados de la revisión sistemática evidencian que la inteligencia artificial se ha
integrado progresivamente en la educación superior a través de un conjunto diverso de
aplicaciones que abarcan tanto los procesos pedagógicos como la gestión académica e
institucional. La literatura analizada muestra un consenso creciente en torno a que la IA
no constituye una herramienta única o homogénea, sino un ecosistema tecnológico
complejo compuesto por múltiples sistemas con diferentes niveles de automatización,
autonomía y finalidad educativa (Zawacki-Richter et al., 2019).
Una de las aplicaciones más ampliamente documentadas corresponde a los sistemas de
aprendizaje adaptativo, los cuales emplean algoritmos de aprendizaje automático para
ajustar los contenidos, las actividades y las evaluaciones en función del desempeño y las
necesidades individuales de los estudiantes. Diversos estudios destacan que estos
sistemas permiten ofrecer rutas de aprendizaje personalizadas, superando el modelo
tradicional de enseñanza estandarizada que predomina en muchas instituciones
universitarias (Holmes et al., 2022). Desde una perspectiva teórica, esta aplicación se
vincula con enfoques constructivistas y cognitivistas que reconocen la importancia de los
Página | 254
conocimientos previos y del ritmo individual en la construcción del aprendizaje
significativo (Ausubel, 2002).
La literatura también resalta el uso creciente de tutores inteligentes y asistentes virtuales,
diseñados para proporcionar apoyo académico continuo a los estudiantes. Estos sistemas,
basados en procesamiento del lenguaje natural, permiten responder preguntas frecuentes,
orientar el estudio autónomo y acompañar el desarrollo de actividades académicas,
especialmente en entornos virtuales y de educación a distancia (Kasneci et al., 2023).
Desde el enfoque de la educación mediada por tecnología, estos tutores se conciben como
herramientas de apoyo que pueden complementar, pero no sustituir, la interacción
pedagógica humana (Selwyn, 2019).
Otra aplicación relevante identificada en los estudios revisados es la analítica del
aprendizaje (learning analytics), que utiliza técnicas de IA para recopilar, procesar y
analizar grandes volúmenes de datos generados por los estudiantes durante su trayectoria
académica. Los resultados indican que esta aplicación permite identificar patrones de
comportamiento, predecir riesgos de deserción y apoyar la toma de decisiones docentes
e institucionales (Gašević et al., 2016). Teóricamente, la analítica del aprendizaje se
inscribe en el paradigma de la educación basada en evidencias, fortaleciendo los procesos
de evaluación formativa y el seguimiento académico personalizado (OECD, 2021).
No obstante, la discusión teórica evidencia tensiones importantes en torno al uso de la
analítica del aprendizaje. Algunos autores advierten que la excesiva dependencia de datos
cuantitativos puede conducir a una reducción del aprendizaje a métricas numéricas,
invisibilizando dimensiones cualitativas fundamentales como la motivación, la
creatividad o el pensamiento crítico (Williamson, 2017). Esta crítica pone de relieve la
necesidad de interpretar los datos generados por la IA desde una perspectiva pedagógica
y contextualizada, evitando enfoques deterministas o tecnocráticos.
En el ámbito de la evaluación académica, los estudios analizados muestran una expansión
del uso de sistemas de IA para la corrección automatizada de exámenes, el análisis de
respuestas abiertas y la detección de similitudes textuales. Estas aplicaciones prometen
reducir la carga administrativa del profesorado y ofrecer retroalimentación más rápida y
consistente a los estudiantes (Holmes et al., 2022). Sin embargo, desde la teoría de la
evaluación educativa, se cuestiona la capacidad de estos sistemas para valorar
competencias complejas, como la argumentación, la originalidad o el razonamiento ético,
que requieren juicio humano y contextualización (Black & Wiliam, 2009).
Página | 255
La irrupción de sistemas de inteligencia artificial generativa, como los modelos de
lenguaje, representa uno de los hallazgos más significativos de la revisión. La literatura
reciente analiza su uso tanto por parte de estudiantes como de docentes para la generación
de textos académicos, la elaboración de resúmenes, la programación de actividades y el
diseño de materiales didácticos (UNESCO, 2023). Desde una perspectiva epistemológica,
estas herramientas desafían las concepciones tradicionales de autoría, producción del
conocimiento y evaluación del aprendizaje, obligando a replantear los criterios de
originalidad y competencia académica (Floridi et al., 2018).
Los resultados también muestran que la IA se ha incorporado de manera significativa en
los procesos administrativos y de gestión universitaria, incluyendo la automatización de
matrículas, la orientación académica, la planificación curricular y el análisis institucional.
La literatura destaca que estas aplicaciones contribuyen a mejorar la eficiencia operativa,
optimizar recursos y apoyar la toma de decisiones estratégicas (OECD, 2021). Sin
embargo, desde la teoría de la gobernanza educativa, se advierte que la automatización
de decisiones puede generar procesos opacos si no se acompaña de mecanismos de
transparencia y rendición de cuentas (Williamson & Eynon, 2020).
Un aspecto crítico identificado en la revisión es la desigualdad en la adopción de estas
aplicaciones entre instituciones y regiones. Los estudios evidencian que las universidades
con mayor infraestructura tecnológica y recursos económicos presentan niveles más
avanzados de integración de la IA, mientras que otras enfrentan limitaciones
significativas relacionadas con la conectividad, la formación docente y el acceso a
tecnologías adecuadas (Zawacki-Richter et al., 2019). Desde una perspectiva crítica, esta
situación puede profundizar las brechas educativas y generar nuevas formas de exclusión
digital en la educación superior.
La discusión teórica revela que muchas aplicaciones de IA se implementan desde una
lógica instrumental y tecnocéntrica, priorizando la eficiencia y la innovación tecnológica
por encima de los objetivos pedagógicos y formativos. Autores como Selwyn (2019)
advierten que esta aproximación puede conducir a soluciones superficiales que no
abordan los problemas estructurales de la educación universitaria ni fortalecen la calidad
del aprendizaje. En este sentido, la IA debe concebirse como un medio y no como un fin
en sí mismo dentro de los procesos educativos.
Los resultados de la revisión ponen de manifiesto que el impacto real de las aplicaciones
de IA en la educación superior depende en gran medida del marco pedagógico,
institucional y ético en el que se integran. La literatura coincide en que estas tecnologías
Página | 256
pueden aportar valor significativo cuando se alinean con principios educativos claros,
estrategias curriculares coherentes y políticas institucionales responsables (UNESCO,
2023). De lo contrario, su implementación puede generar efectos contraproducentes,
como la deshumanización del proceso educativo o la pérdida de autonomía académica.
Oportunidades pedagógicas de la inteligencia artificial en la educación superior
La incorporación de la inteligencia artificial (IA) en la educación superior ha generado
un amplio debate académico en torno a sus potenciales oportunidades pedagógicas,
particularmente en lo que respecta a la personalización del aprendizaje, la mejora de la
retroalimentación formativa y la optimización de los procesos de enseñanza-aprendizaje.
Diversos estudios coinciden en que la IA permite transitar desde modelos educativos
homogéneos hacia enfoques centrados en el estudiante, capaces de adaptarse a ritmos,
estilos y necesidades individuales, lo cual constituye uno de los principales desafíos
históricos de la educación universitaria contemporánea (Holmes et al., 2019; Zawacki-
Richter et al., 2019).
Uno de los aportes más relevantes de la IA en el ámbito pedagógico es la posibilidad de
diseñar experiencias de aprendizaje personalizadas mediante sistemas adaptativos. Estos
sistemas utilizan algoritmos de aprendizaje automático para analizar el comportamiento
del estudiante, su desempeño académico y sus patrones de interacción con los contenidos,
ajustando dinámicamente las actividades, recursos y evaluaciones propuestas (Romero
Alonso et al., 2025). Desde esta perspectiva, la IA se configura como una herramienta
que favorece la equidad educativa, al ofrecer apoyos diferenciados que pueden contribuir
a reducir brechas de aprendizaje en contextos universitarios diversos y heterogéneos
(Luckin et al., 2016).
La literatura destaca el potencial de la IA para fortalecer los procesos de evaluación
formativa y retroalimentación continua, aspectos clave para el aprendizaje profundo en la
educación superior. Herramientas basadas en IA, como los tutores inteligentes y los
sistemas de retroalimentación automática, permiten ofrecer comentarios inmediatos,
personalizados y orientados a la mejora, superando las limitaciones temporales y
logísticas que enfrentan los docentes en grupos numerosos (Nicol, 2010; VanLehn, 2011).
Esta retroalimentación constante favorece la autorregulación del aprendizaje y promueve
una mayor implicación del estudiante en su proceso formativo (Zimmerman, 2002).
En el contexto universitario, la IA también ha demostrado ser una aliada estratégica para
el desarrollo de competencias transversales y habilidades del siglo XXI, tales como el
Página | 257
pensamiento crítico, la resolución de problemas complejos y el aprendizaje autónomo.
Investigaciones recientes señalan que el uso pedagógico de sistemas inteligentes puede
fomentar entornos de aprendizaje más interactivos, en los cuales los estudiantes asumen
un rol activo en la construcción del conocimiento, mientras el docente se posiciona como
mediador y orientador del proceso educativo (Redecker, 2017; UNESCO, 2023). Este
cambio de paradigma resulta especialmente relevante en un contexto de transformación
digital acelerada.
Otro aspecto destacado en la literatura es el impacto positivo de la IA en la gestión del
aprendizaje y la toma de decisiones pedagógicas basadas en datos. A través del análisis
de grandes volúmenes de información académica, los sistemas de analítica del
aprendizaje permiten identificar patrones de riesgo, predecir el abandono estudiantil y
diseñar intervenciones tempranas para mejorar la retención y el rendimiento académico
(Siemens & Baker, 2012; Viberg et al., 2018). En este sentido, la IA no solo beneficia al
estudiante, sino que también proporciona a las instituciones de educación superior
herramientas estratégicas para mejorar la calidad educativa.
Desde la perspectiva del docente universitario, la IA ofrece oportunidades significativas
para optimizar la planificación didáctica y reducir la carga administrativa asociada a la
enseñanza. Automatizar tareas repetitivas, como la corrección de evaluaciones objetivas
o la gestión de registros académicos, permite al profesorado dedicar más tiempo a
actividades de alto valor pedagógico, como el acompañamiento personalizado, la tutoría
académica y la innovación didáctica (Bates & Sangrà, 2020). No obstante, la literatura
subraya que estos beneficios dependen de una integración consciente y pedagógicamente
fundamentada de la tecnología.
No obstante, diversos autores advierten que las oportunidades pedagógicas de la IA no
deben ser comprendidas desde una lógica tecnocentrista, sino desde un enfoque
pedagógico crítico que priorice los objetivos formativos por sobre la eficiencia
tecnológica (Selwyn, 2019). La IA, en este sentido, no sustituye al docente ni garantiza
por sí sola, mejoras en la calidad educativa, sino que actúa como un mediador que debe
ser integrado de manera coherente con los principios pedagógicos y epistemológicos de
la educación superior (Williamson & Eynon, 2020).
La literatura también resalta el potencial de la IA para promover la inclusión educativa
en el ámbito universitario, particularmente en el acompañamiento de estudiantes con
necesidades educativas especiales. Tecnologías de reconocimiento de voz, traducción
automática y adaptación de contenidos han demostrado facilitar el acceso al aprendizaje
Página | 258
para estudiantes con discapacidades sensoriales o cognitivas, contribuyendo a la
construcción de entornos educativos más inclusivos y accesibles (Burgstahler, 2015;
Holmes et al., 2022). Este enfoque inclusivo se alinea con los principios del Diseño
Universal para el Aprendizaje (DUA).
Los estudios revisados coinciden en que el aprovechamiento efectivo de las
oportunidades pedagógicas de la IA en la educación superior requiere políticas
institucionales claras, formación docente continua y una cultura digital crítica. La
ausencia de competencias digitales pedagógicas puede limitar el impacto positivo de estas
tecnologías y generar resistencias en el profesorado (Cabero-Almenara et al., 2021). Por
ello, la IA debe entenderse como parte de un ecosistema educativo más amplio, en el cual
convergen innovación, ética y responsabilidad social (OECD, 2021).
Riesgos y limitaciones de la inteligencia artificial en la educación superior
Si bien la inteligencia artificial ha sido ampliamente promovida como una herramienta
transformadora en la educación superior, la literatura científica advierte sobre una serie
de riesgos y limitaciones que deben ser analizados críticamente para evitar una adopción
acrítica o tecno soluciones. Uno de los principales riesgos identificados es la dependencia
excesiva de sistemas automatizados para la toma de decisiones pedagógicas, lo cual puede
derivar en procesos educativos deshumanizados y centrados en métricas cuantitativas más
que en el desarrollo integral del estudiante (Selwyn, 2019; Williamson, 2017).
Un riesgo central señalado por diversos autores es la reproducción y amplificación de
sesgos algorítmicos. Los sistemas de IA se entrenan a partir de grandes volúmenes de
datos históricos que, en muchos casos, reflejan desigualdades estructurales,
discriminaciones y exclusiones presentes en los contextos sociales y educativos (O’Neil,
2016). En el ámbito universitario, esto puede traducirse en evaluaciones automatizadas
injustas, recomendaciones académicas sesgadas o sistemas de predicción del rendimiento
que penalizan a estudiantes de contextos vulnerables (Eubanks, 2018; Zawacki-Richter
et al., 2019).
La literatura subraya las limitaciones epistemológicas de la IA aplicada a la educación
superior, particularmente en disciplinas que requieren interpretación, pensamiento crítico
y juicio ético. Los algoritmos, por su naturaleza, operan a partir de patrones estadísticos
y no comprenden el significado profundo del conocimiento ni los contextos
socioculturales en los que este se construye (Biesta, 2015; Floridi et al., 2018). Esta
limitación plantea interrogantes sobre el uso de la IA en procesos complejos como la
Página | 259
evaluación del aprendizaje significativo, la investigación académica o la formación ética
y ciudadana.
Otro aspecto crítico identificado es la opacidad de los sistemas algorítmicos, conocida
como el fenómeno de la “caja negra”. Muchos modelos de IA, especialmente los basados
en aprendizaje profundo, no permiten comprender claramente cómo se generan las
decisiones o recomendaciones, lo cual dificulta la rendición de cuentas y la supervisión
pedagógica (Pasquale, 2015; Mittelstadt et al., 2016). En el contexto de la educación
superior, esta falta de transparencia puede erosionar la confianza de docentes y
estudiantes en los sistemas educativos digitales.
Por otro lado, las limitaciones infraestructurales y económicas constituyen un desafío
significativo, especialmente en instituciones de educación superior de países en
desarrollo. La implementación de sistemas de IA requiere inversiones sostenidas en
tecnología, conectividad, mantenimiento y formación del personal, lo cual puede
profundizar las brechas entre universidades con distintos niveles de recursos (UNESCO,
2023; OECD, 2021). En este sentido, la IA corre el riesgo de convertirse en un factor de
exclusión más que de democratización del conocimiento.
Los estudios revisados coinciden en que los riesgos de la IA en la educación superior no
son inherentes a la tecnología en sí, sino a los modelos de gobernanza, uso y regulación
que se adopten. Una integración acrítica, sin marcos normativos claros ni participación
de la comunidad académica, puede generar impactos negativos difíciles de revertir
(Williamson & Eynon, 2020). Por ello, resulta imprescindible avanzar hacia enfoques
críticos y reflexivos que permitan maximizar los beneficios de la IA minimizando sus
riesgos.
Desafíos éticos en el uso de la inteligencia artificial en la educación superior
Los desafíos éticos asociados al uso de la inteligencia artificial en la educación superior
ocupan un lugar central en la literatura contemporánea, dado que estas tecnologías
impactan directamente en derechos fundamentales como la privacidad, la equidad, la
autonomía y la dignidad humana. Diversos organismos internacionales advierten que la
incorporación de la IA en contextos educativos debe estar guiada por principios éticos
sólidos que prioricen el bienestar de las personas por sobre la eficiencia tecnológica
(UNESCO, 2023; Floridi et al., 2018).
Uno de los principales desafíos éticos identificados es la gestión de los datos personales
de estudiantes y docentes. Los sistemas de IA dependen del análisis de grandes volúmenes
Página | 260
de datos académicos, conductuales y, en algunos casos, biométricos, lo que plantea serias
preocupaciones en torno a la privacidad, la seguridad de la información y el
consentimiento informado (Slade & Prinsloo, 2013; Pardo & Siemens, 2014). En el
ámbito universitario, la falta de regulaciones claras puede derivar en prácticas de
vigilancia educativa incompatibles con los principios democráticos.
La literatura también enfatiza los dilemas éticos relacionados con la autonomía del
estudiante. El uso de sistemas de recomendación y predicción del rendimiento puede
influir de manera significativa en las decisiones académicas de los estudiantes, limitando
su capacidad de elección y reforzando trayectorias educativas predeterminadas (Selwyn
et al., 2020). Este fenómeno plantea interrogantes sobre hasta qué punto la IA debe
orientar, sugerir o decidir en los procesos formativos de la educación superior.
Otro desafío ético relevante es la equidad y la justicia social. Diversos estudios advierten
que, si no se diseñan con criterios de inclusión, los sistemas de IA pueden perpetuar
desigualdades estructurales relacionadas con el género, la etnia, el nivel socioeconómico
o la discapacidad (Benjamin, 2019; Noble, 2018). En la educación superior, esto puede
traducirse en procesos de admisión, evaluación o permanencia que reproduzcan
discriminaciones históricas bajo una apariencia de neutralidad algorítmica.
La responsabilidad moral y legal ante las decisiones tomadas por sistemas de IA
constituye un desafío ético aún no resuelto. La pregunta sobre quién es responsable
cuando un sistema automatizado comete un error —el desarrollador, la institución, el
docente o el algoritmo— sigue siendo objeto de debate académico y normativo
(Mittelstadt et al., 2016; Floridi, 2019). Esta ambigüedad resulta particularmente
problemática en contextos educativos, donde las decisiones pueden tener consecuencias
significativas en la trayectoria académica y profesional de los estudiantes.
La ética de la transparencia y la aplicabilidad también ocupa un lugar destacado en la
literatura. Los autores coinciden en que los sistemas de IA utilizados en la educación
superior deben ser comprensibles y auditables, permitiendo a los actores educativos
entender cómo y por qué se toman determinadas decisiones (Diakopoulos, 2016;
UNESCO, 2023). La ausencia de aplicabilidad no solo compromete la confianza
institucional, sino que también dificulta el ejercicio del pensamiento crítico en contextos
educativos.
Página | 261
Desafíos institucionales y prospectivas para una integración responsable de la IA
en la educación superior
La integración responsable de la inteligencia artificial en la educación superior plantea
desafíos institucionales complejos que requieren una visión estratégica, interdisciplinaria
y a largo plazo. La literatura coincide en que el éxito de la IA en contextos universitarios
no depende únicamente de la disponibilidad tecnológica, sino de la capacidad
institucional para articular políticas, cultura organizacional, formación docente y marcos
éticos coherentes (OECD, 2021; Bates & Sangrà, 2020).
Uno de los principales desafíos institucionales identificados es la necesidad de desarrollar
políticas claras de gobernanza de la IA. Estas políticas deben establecer lineamientos
sobre el uso de datos, la selección de tecnologías, la evaluación de impactos y la rendición
de cuentas, garantizando la participación de la comunidad académica en la toma de
decisiones (Williamson, 2017; UNESCO, 2023). La ausencia de marcos normativos
institucionales puede generar usos fragmentados, desiguales y poco transparentes de la
IA.
La cultura institucional representa un factor determinante en la adopción de la IA.
Universidades con estructuras rígidas, resistencia al cambio o enfoques excesivamente
burocráticos pueden dificultar la innovación educativa basada en tecnologías inteligentes
(Kezar & Holcombe, 2017). Por el contrario, instituciones que fomentan la
experimentación pedagógica, la interdisciplinariedad y la reflexión crítica están mejor
posicionadas para aprovechar el potencial transformador de la IA.
Desde una perspectiva prospectiva, la literatura sugiere que la IA debe integrarse como
parte de un modelo educativo híbrido, en el cual la tecnología complemente —y no
sustituye— la interacción humana, el pensamiento crítico y la reflexión ética (Biesta,
2015; Selwyn, 2019). Este enfoque reconoce los límites de la automatización y reafirma
el valor insustituible del vínculo pedagógico en la educación superior.
Los estudios coinciden en que el futuro de la IA en la educación superior dependerá de la
capacidad de las instituciones para articular innovación tecnológica con justicia social,
ética y responsabilidad pública. La IA, utilizada de manera crítica y reflexiva, puede
contribuir a mejorar la calidad, la equidad y la pertinencia de la educación universitaria;
sin embargo, su implementación sin una visión humanista puede profundizar
desigualdades y erosionar los valores fundamentales de la educación (UNESCO, 2023;
Giroux, 2020).
Página | 262
Tabla 1: Síntesis principales hallazgos
CATEGORÍA
DE ANÁLISIS
PRINCIPALES RESULTADOS
(SÍNTESIS)
AUTORES/REFERENC
IAS CLAVE
IMPLICACIONES
PARA LA EDUCACIÓN
SUPERIOR
1. Contexto y
relevancia de la
IA en
educación
superior
La IA se presenta como una
herramienta disruptiva que
transforma procesos de
enseñanza, aprendizaje y
gestión institucional. Su
crecimiento en educación
superior es impulsado por la
digitalización, la
globalización educativa y la
necesidad de personalización
y eficiencia.
Holmes et al. (2019);
Zawacki-Richter et al.
(2019); OECD (2021)
La IA debe integrarse
estratégicamente para
mejorar calidad
educativa,
competitividad
institucional y
pertinencia académica.
2.
Oportunidades
pedagógicas y
organizativas
Se identifica la
personalización del
aprendizaje, retroalimentación
automática, analítica del
aprendizaje y apoyo en la
toma de decisiones
pedagógicas. La IA favorece
la educación inclusiva y la
mejora del rendimiento
mediante recursos
adaptativos.
Luckin et al. (2016);
Siemens & Baker
(2012); Gašević et al.
(2016); UNESCO
(2021)
Mejora la calidad
formativa al facilitar
experiencias
personalizadas, reducir
brechas y optimizar
procesos docentes.
Requiere formación
docente y diseño
pedagógico.
3. Riesgos y
limitaciones de
la IA
Existen riesgos de sesgos
algorítmicos, dependencia
tecnológica, opacidad de
decisiones, reducción del rol
docente y limitaciones
epistemológicas. La IA puede
reforzar desigualdades si no
se regula y supervisa.
Selwyn (2019); O’Neil
(2016); Eubanks
(2018); Pasquale
(2015)
Se requiere supervisión
humana, auditorías de
algoritmos y evaluación
crítica para evitar
discriminación y
pérdida de calidad
educativa.
4. Desafíos
éticos
Se identifican dilemas de
privacidad, consentimiento,
vigilancia educativa, equidad,
responsabilidad legal y
transparencia. Los sistemas de
IA pueden afectar la
autonomía y la dignidad
estudiantil.
UNESCO (2022);
Floridi et al. (2018);
Slade & Prinsloo
(2013); Mittelstadt et
al. (2016)
Es necesario desarrollar
marcos éticos
institucionales y
normativas que regulen
el uso de datos y
aseguren el respeto de
derechos.
5. Desafíos
institucionales y
prospectivas
La adopción efectiva de IA
depende de gobernanza
institucional, formación
docente, infraestructura
tecnológica y cultura
organizacional. Las
universidades deben construir
políticas claras, estrategias de
implementación y formación
continua.
OECD (2021); Bates &
Sangrà (2020); Cabero-
Almenara et al. (2021);
Williamson (2017)
La IA debe
implementarse con
visión estratégica, ética
y sostenibilidad,
evitando brechas entre
instituciones. Se
requiere inversión y
planificación a largo
plazo.
Fuente: Elaboración propia
Página | 263
CONCLUSIONES
La presente revisión sistemática sobre el uso de la inteligencia artificial (IA) en la
educación superior permitió identificar un panorama complejo, en el cual convergen
oportunidades pedagógicas y organizativas, riesgos significativos, desafíos éticos y retos
institucionales que deben ser abordados de manera integral. En términos generales, se
observa que la IA constituye un elemento transformador en la educación superior, pero
su impacto no es neutro: depende de cómo se implemente, con qué fines, bajo qué criterios
éticos y con qué capacidad institucional para gestionar el cambio. En este sentido, los
hallazgos de esta revisión permiten afirmar que la IA puede potenciar la calidad
educativa, pero también puede profundizar desigualdades y vulnerar derechos si no se
regula y acompaña con una visión humanista y crítica (Holmes et al., 2019; Selwyn, 2019;
UNESCO, 2023).
En primer lugar, la revisión evidencia que la IA ha consolidado su relevancia en la
educación superior como resultado de la aceleración de la digitalización, la globalización
del conocimiento y la necesidad de responder a la heterogeneidad estudiantil. La literatura
muestra que las universidades se encuentran en un proceso de adaptación a un entorno
educativo caracterizado por la masificación, la diversificación de perfiles y la demanda
de formación flexible. En este contexto, la IA aparece como una herramienta estratégica
para mejorar la eficiencia de los procesos educativos y para fortalecer la calidad de la
enseñanza, siempre que su integración esté guiada por principios pedagógicos claros
(Zawacki-Richter et al., 2019; OECD, 2021). Así, la IA no debe ser percibida únicamente
como una innovación tecnológica, sino como un componente de transformación
institucional que requiere planificación, formación y evaluación continua.
En segundo lugar, la categoría de oportunidades pedagógicas y organizativas revela que
la IA tiene un potencial significativo para personalizar el aprendizaje, fortalecer la
retroalimentación formativa y mejorar la toma de decisiones pedagógicas mediante
analítica de aprendizaje. La personalización, entendida como la adaptación de contenidos,
ritmos y evaluaciones a las necesidades de cada estudiante, se presenta como una de las
aportaciones más importantes de la IA, ya que permite reducir brechas educativas y
promover trayectorias formativas más equitativas (Luckin et al., 2016; Siemens & Baker,
2012). La evidencia revisada sugiere que la IA favorece la autorregulación del aprendizaje
y el compromiso académico, especialmente en entornos virtuales o híbridos, donde la
interacción docente-estudiante puede ser limitada por la masificación o la distancia
Página | 264
(Gašević et al., 2016; UNESCO, 2023). En este sentido, la IA puede contribuir a una
educación superior más centrada en el estudiante y orientada al aprendizaje significativo.
Sin embargo, el análisis también pone en evidencia que las oportunidades pedagógicas
no son automáticas, sino que dependen de un diseño instruccional sólido y de la formación
docente. La IA por sí sola no garantiza mejoras en el aprendizaje; su eficacia está
condicionada por el enfoque pedagógico que la acompaña, la calidad de los datos
utilizados, la capacidad del docente para interpretar resultados y la disponibilidad de
recursos institucionales. En este sentido, la IA debe ser concebida como un mediador
pedagógico que requiere un uso crítico, no como una solución tecnológica que reemplaza
la experiencia docente (Selwyn, 2019; Williamson & Eynon, 2020). La integración
efectiva de la IA implica, por tanto, una transformación del rol docente hacia funciones
de facilitación, acompañamiento y diseño de experiencias educativas más complejas y
significativas.
En tercer lugar, la categoría de riesgos y limitaciones muestra que la IA en educación
superior no está exenta de problemas importantes, especialmente relacionados con la
reproducción de sesgos algorítmicos, la opacidad de los modelos, la dependencia
tecnológica y las limitaciones epistemológicas de los sistemas automatizados. La revisión
evidencia que los algoritmos pueden amplificar desigualdades existentes en los datos
históricos, lo cual se traduce en decisiones educativas sesgadas, discriminatorias o
injustas (O’Neil, 2016; Eubanks, 2018). En contextos universitarios, esto puede
manifestarse en sistemas de predicción del rendimiento que penalizan a estudiantes de
contextos vulnerables, o en evaluaciones automatizadas que no reconocen la diversidad
cultural y cognitiva de los estudiantes (Zawacki-Richter et al., 2019). Por ello, es
imprescindible que las instituciones implementen mecanismos de auditoría y supervisión
de los algoritmos, garantizando que los sistemas de IA sean transparentes y evaluables.
La opacidad algorítmica, conocida como la “caja negra”, constituye otro riesgo
significativo identificado en la revisión. Muchos modelos de IA, especialmente los
basados en aprendizaje profundo, no permiten explicar de manera clara cómo se generan
las decisiones, lo que dificulta la rendición de cuentas y la supervisión pedagógica
(Pasquale, 2015; Mittelstadt et al., 2016). Esta falta de aplicabilidad puede generar
desconfianza en los estudiantes y docentes, además de limitar la capacidad de corregir
errores o injusticias en los sistemas. En consecuencia, la revisión destaca la necesidad de
priorizar la transparencia y la aplicabilidad en la selección e implementación de
tecnologías de IA en el ámbito universitario.
Página | 265
La revisión identifica el riesgo de deshumanización del proceso educativo y de reducción
del rol docente. La automatización excesiva puede llevar a que la enseñanza se perciba
como un proceso tecnificado, donde el docente se convierte en un mero supervisor de
plataformas. Esto puede afectar negativamente la calidad del vínculo pedagógico y la
formación integral del estudiante, especialmente en disciplinas que requieren reflexión
crítica, interpretación y juicio ético (Biesta, 2015; Giroux, 2020). Por ello, se concluye
que la IA debe ser utilizada como un complemento que fortalezca la interacción humana,
no como un sustituto de la experiencia docente.
En cuarto lugar, la revisión enfatiza que los desafíos éticos asociados a la IA en educación
superior son centrales y deben ser abordados de manera prioritaria. La gestión de datos
personales, la privacidad, el consentimiento informado y la vigilancia educativa
constituyen preocupaciones recurrentes en la literatura. La recolección masiva de datos
académicos y conductuales puede generar prácticas de vigilancia que vulneren la
dignidad y los derechos de los estudiantes, especialmente si no existen políticas claras de
protección de datos (Slade & Prinsloo, 2013; Pardo & Siemens, 2014). En este sentido,
la ética de la IA debe considerarse como un eje transversal en cualquier proceso de
adopción tecnológica en universidades, garantizando que los estudiantes y docentes
tengan control sobre sus datos y comprendan cómo se utilizan.
La equidad y la justicia social aparecen como dimensiones éticas fundamentales. La
revisión evidencia que los sistemas de IA pueden perpetuar desigualdades de género,
etnia, clase social o discapacidad si no se diseñan con criterios inclusivos (Benjamin,
2019; Noble, 2018). En educación superior, esto puede traducirse en barreras para el
acceso, la permanencia y el rendimiento académico de grupos vulnerables. Por ello, se
concluye que la implementación de IA debe estar acompañada de una evaluación de
impacto social y de medidas de mitigación de sesgos, garantizando que la tecnología no
reproduzca discriminaciones históricas bajo una apariencia de neutralidad.
La responsabilidad y la rendición de cuentas constituyen otro desafío ético relevante. La
revisión muestra que aún no existe consenso sobre quién es responsable cuando un
sistema de IA comete un error: el desarrollador, la institución, el docente o el propio
algoritmo (Mittelstadt et al., 2016; Floridi, 2019). Esta ambigüedad es problemática en
contextos educativos, donde las decisiones pueden afectar la trayectoria académica y
profesional de los estudiantes. En consecuencia, se concluye que las universidades deben
establecer marcos claros de responsabilidad y mecanismos de supervisión, asegurando
Página | 266
que los sistemas de IA sean auditables y que exista un procedimiento de apelación para
los estudiantes.
La formación docente emerge como un factor determinante para el éxito de la IA en el
ámbito universitario. La revisión muestra que muchos docentes carecen de competencias
digitales pedagógicas para integrar de manera crítica y efectiva herramientas inteligentes
en sus prácticas. En consecuencia, se concluye que la formación debe ir más allá del
manejo técnico de plataformas y debe incluir dimensiones éticas, pedagógicas y
epistemológicas, permitiendo que el profesorado se convierta en un agente activo de
transformación educativa (Cabero-Almenara et al., 2021; Redecker, 2017). La cultura
institucional, por su parte, debe promover la experimentación pedagógica, la reflexión
crítica y la colaboración interdisciplinaria, evitando enfoques burocráticos que
obstaculicen la innovación.
La revisión permite concluir que el futuro de la IA en la educación superior dependerá de
la capacidad de las instituciones para articular innovación tecnológica con justicia social,
ética y responsabilidad pública. La IA tiene el potencial de mejorar la calidad, la equidad
y la pertinencia de la educación universitaria, pero su impacto dependerá de una
gobernanza responsable, una formación docente sólida y un enfoque centrado en los
derechos y la dignidad humana (UNESCO, 2023; Giroux, 2020). En este sentido, la IA
debe ser comprendida como una herramienta al servicio de la educación, no como un fin
en sí mismo, y su implementación debe estar guiada por principios de transparencia,
equidad, inclusión y responsabilidad.
Los hallazgos de esta revisión permiten afirmar que la IA en la educación superior ofrece
oportunidades significativas para mejorar la enseñanza, el aprendizaje y la gestión
institucional, pero también plantea riesgos y desafíos éticos que requieren un abordaje
crítico y estratégico. Las universidades deben asumir un rol proactivo en la construcción
de marcos éticos y de gobernanza, en la formación docente y en la evaluación continua
de impactos, asegurando que la IA contribuya a una educación superior más inclusiva,
justa y humanista.
REFERENCIAS
Ausubel, D. P. (2000/2002). The Acquisition and Retention of Knowledge: A Cognitive
View. Kluwer Academic Publishers. https://doi.org/10.1007/978-94-015-9454-7
Bates, A. W., & Sangrà, A. (2020). Teaching in a Digital Age: Guidelines for Designing
Teaching and Learning. Tony Bates Associates Ltd.
Página | 267
Benjamin, R. (2019). Race after Technology: Abolitionist Tools for the New Jim Code.
Polity Press.
Biesta, G. (2015). Beyond Learning: Democratic Education for a Human Future.
Routledge.
Black, P., & Wiliam, D. (2009). Developing the theory of formative assessment.
Educational Assessment, Evaluation and Accountability, 21(1), 5–31.
https://doi.org/10.1007/s11092-008-9068-5
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative
Research in Psychology, 3(2), 77–101.
https://doi.org/10.1191/1478088706qp063oa
Burgstahler, S. (2015). Universal Design in Higher Education: From Principles to
Practice. Harvard Education Press.
Cabero-Almenara, J., Barroso-Osuna, J., & Palacios-Rodríguez, A. (2021).
Competencias digitales docentes y formación en entornos universitarios. Revista
de Educación a Distancia, 65, 1–20.
Cordón García, O. (2023). Inteligencia Artificial en Educación Superior: Oportunidades
y Riesgos. RiiTE. Revista Interuniversitaria de Investigación en Tecnología
Educativa, (15), 16–27. https://doi.org/10.6018/riite.591581
Del Valle, E. (2025). La inteligencia artificial en la educación: potencial transformador,
riesgos de sesgo y desafíos éticos. Revista Iberoamericana de Educación, 99(1),
79–93. https://doi.org/10.35362/rie9916838
Diakopoulos, N. (2016). Accountability in algorithmic decision-making.
Communications of the ACM, 59(2), 56–62.
Eubanks, V. (2018). Automating Inequality: How High-Tech Tools Profile, Police, and
Punish the Poor. St. Martin's Press.
Floridi, L. (2019). The Ethics of Artificial Intelligence. Oxford University Press.
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., ... &
Vayena, E. (2018). AI4People—An ethical framework for a good AI society:
Opportunities, risks, principles, and recommendations. Minds and Machines,
28(4), 689–707.
Galindo-Domínguez, H., Campo, L., Delgado, N., & Sainz de la Maza, M. (2025).
Relationship between the use of ChatGPT for academic purposes and
plagiarism: the influence of student-related variables on cheating behavior.
Página | 268
Interactive Learning Environments, 33(6), 4047–4061.
https://doi.org/10.1080/10494820.2025.2457351
Gallo Macías, G. G., Pacheco Pérez, X. O., & Sánchez Macías, R. E. (2024). La
inteligencia artificial en la educación superior: oportunidades y desafíos. Una
revisión sistemática. RECIMUNDO, 8(4), 28–39.
https://doi.org/10.26820/recimundo/8.(4).diciembre.2024.28-39
Gašević, D., Dawson, S., & Siemens, G. (2016). Let's not forget: Learning analytics are
about learning. TechTrends, 60(1), 64–71.
Giroux, H. A. (2020). The Terror of the Unthinkable: Reimagining the Future of
Education. Routledge.
Gusenbauer, M., & Haddaway, N. R. (2020). Which academic search systems are
suitable for systematic reviews or meta-analyses? Evaluating retrieval qualities
of Google Scholar, PubMed, and 26 other resources. Research Synthesis
Methods, 11(2), 181–217. https://doi.org/10.1002/jrsm.1378
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education:
Promises and Implications for Teaching and Learning. Center for Curriculum
Redesign.
Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B.,
Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K.
R. (2022). Ethics of AI in education: Towards a community-wide framework.
International Journal of Artificial Intelligence in Education, 32(3), 504–526.
https://doi.org/10.1007/s40593-021-00239-1
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F.,
Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok,
G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A.,
Seidel, T., & Kasneci, G. (2023). ChatGPT for good? On opportunities and
challenges of large language models for education. Learning and Individual
Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Lelescu, A., Sava, S., Grosseck, G., & Malița, L. (2025). Exploring trust in generative
AI for higher education institutions: a systematic literature review focused on
educators. Humanities and Social Sciences Communications, 12, 1961.
https://doi.org/10.1057/s41599-025-06253-1
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence Unleashed:
An Argument for AI in Education. Pearson.
Página | 269
Miao, F., & Holmes, W. (2023). Guidance for Generative AI in Education and
Research. UNESCO. https://www.unesco.org/en/articles/guidance-generative-
ai-education-and-research
Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of
algorithms: Mapping the debate. Big Data & Society, 3(2), 1–21.
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & The PRISMA Group. (2009).
Preferred reporting items for systematic reviews and meta-analyses: The
PRISMA statement. PLoS Medicine, 6(7), e1000097.
https://doi.org/10.1371/journal.pmed.1000097
Nicol, D. J. (2010). From monologue to dialogue: Improving written feedback in mass
higher education. Assessment & Evaluation in Higher Education, 35(5), 501–
517.
Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism.
NYU Press.
OECD. (2021). OECD Digital Education Outlook 2021: Pushing the Frontiers with
Artificial Intelligence, Blockchain and Robots. OECD Publishing.
O'Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality
and Threatens Democracy. Crown.
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C.
D., ... & Moher, D. (2021). The PRISMA 2020 statement: an updated guideline
for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Pardo, A., & Siemens, G. (2014). Ethical and privacy principles for learning analytics.
British Journal of Educational Technology, 45(3), 438–450.
Pasquale, F. (2015). The Black Box Society: The Secret Algorithms that Control Money
and Information. Harvard University Press.
Redecker, C. (2017). European Framework for the Digital Competence of Educators:
DigCompEdu (JRC107466). Publications Office of the European Union.
Reina Marín, Y., Cruz Caro, O., Carrasco Rituay, A. M., Guimac Llanos, K. A., Tarrillo
Perez, D., Sánchez Bardales, E., Alva Tuesta, J. N., & Chávez Santos, R. (2025).
Ethical challenges associated with the use of artificial intelligence in university
education. Journal of Academic Ethics, 23(4), 2443–2467.
https://doi.org/10.1007/s10805-025-09660-w
Página | 270
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach (4th ed.,
Global ed.). Pearson.
Siemens, G., & Baker, R. S. (2012). Learning analytics and educational data mining:
Towards communication and collaboration. Proceedings of the 2nd
International Conference on Learning Analytics and Knowledge, 252–254.
Slade, S., & Prinsloo, P. (2013). Learning analytics: ethical issues and dilemmas.
American Behavioral Scientist, 57(10), 1510–1529.
https://doi.org/10.1177/0002764213479366
Snyder, H. (2019). Literature review as a research methodology: An overview and
guidelines. Journal of Business Research, 104, 333–339.
https://doi.org/10.1016/j.jbusres.2019.07.039
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring
systems, and other tutoring systems. Educational Psychologist, 46(4), 197–221.
https://doi.org/10.1080/00461520.2011.611369
Viberg, O., Hatakka, M., Bälter, O., & Mavroudi, A. (2018). The current landscape of
learning analytics in higher education. Computers in Human Behavior, 89, 98–
110. https://doi.org/10.1016/j.chb.2018.07.027
Williamson, B. (2017). Big Data in Education: The Digital Future of Learning, Policy
and Practice. Sage. https://doi.org/10.4135/9781529714920
Williamson, B., & Eynon, R. (2020). Historical threads, missing links, and future
directions in AI in education. Learning, Media and Technology, 45(3), 223–235.
https://doi.org/10.1080/17439884.2020.1798995
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic
review of research on artificial intelligence applications in higher education –
where are the educators? International Journal of Educational Technology in
Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into
Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
© Los autores. Este artículo se publica en GlobalNet bajo la Licencia Creative Commons
Atribución 4.0 Internacional (CC BY 4.0). Esto permite el uso, distribución y
reproducción en cualquier medio, incluidos fines comerciales, siempre que se otorgue la
atribución adecuada a los autores y a la fuente original.
