La inteligencia artificial como estrategia didáctica en la  
educación superior  
Artificial intelligence as a teaching strategy in higher education  
Yivieth Maritza Esquivel Granizo  
Universidad de Panamá  
Ciudad de Panamá Panamá  
Elvis Adilio Hernández Bernal  
Universidad de Panamá  
Ciudad de Panamá Panamá  
Artículo recibido: 28 de febrero de 2026. Aceptado para publicación: 14 de julio de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
Las universidades tienen nuevos retos y formas de enseñar porque la inteligencia artificial está  
cambiando por completo el modelo educativo actual. Se hizo una revisión sistemática de estudios que  
ya existen para ver cómo se usa la inteligencia artificial para enseñar en las universidades. Al final, ese  
es el tema principal que analiza este artículo. Se revisaron 23 investigaciones científicas publicadas  
entre 2023 y 2026. Al final, este trabajo se basó en buscar información en documentos y analizarlos  
con un enfoque cualitativo. Los resultados revelan cuatro ejes de impacto principales: (1) la IA  
potencia la personalización del aprendizaje y mejora el rendimiento académico a través de sistemas  
adaptativos; (2) transforma el rol docente hacia un mediador y diseñador de experiencias,  
automatizando tareas administrativas; (3) fomenta el aprendizaje activo y la autorregulación  
estudiantil mediante herramientas interactivas; y (4) presenta desafíos críticos en materia de ética,  
privacidad de datos y la necesidad urgente de alfabetización digital. Si las instituciones ponen orden,  
la IA permite que la educación sea más justa y se adapte a cada alumno. En el fondo, esta herramienta  
sirve para mejorar las clases en lugar de quitarle el puesto a los profesores.  
Palabras clave: inteligencia artificial, educación superior, estrategias didácticas, aprendizaje  
adaptativo, innovación educativa  
Abstract  
Universities face new challenges and teaching methods because artificial intelligence is completely  
changing the current educational model. A systematic review of existing studies was conducted to  
examine how artificial intelligence is being used in university teaching. This is the main topic analyzed  
in this article. Twenty-three scientific studies published between 2023 and 2026 were reviewed. This  
work involved searching for information in documents and analyzing them with a qualitative approach.  
The results reveal four main areas of impact: (1) AI enhances personalized learning and improves  
academic performance through adaptive systems; (2) it transforms the role of the teacher into that of  
a mediator and designer of experiences, automating administrative tasks; (3) it fosters active learning  
and student self-regulation through interactive tools; and (4) it presents critical challenges regarding  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3254.  
ethics, data privacy, and the urgent need for digital literacy. If institutions take action, AI can make  
education more equitable and tailored to each student. Ultimately, this tool is meant to improve  
classes rather than take away teachers' jobs.  
Keywords: artificial intelligence, higher education, teaching strategies, adaptive learning,  
educational innovation  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,  
publicado en este sitio está disponibles bajo Licencia Creative Commons.  
Cómo citar: Esquivel Granizo, Y. M., & Hernández Bernal, E. A. (2026). La inteligencia artificial como  
estrategia didáctica en la educación superior. LATAM Revista Latinoamericana de Ciencias Sociales y  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3255.  
INTRODUCCIÓN  
Contexto y Justificación  
La universidad está viviendo una renovación total hoy en día. Esto se debe a que la inteligencia artificial,  
especialmente con los programas que escriben textos y las plataformas que se adaptan al alumno,  
está cambiando por completo los salones de clase. Las universidades tienen que volver a pensar cuál  
es su función hoy en día, ya que, como dicen Parra Encinas et al. (2026), esto "ha marcado un punto de  
inflexión que obliga a re-pensar el papel de las universidades desde perspectivas más amplias y  
complejas" (p. 11). Al final, queda claro que esta tecnología no es solo una simple actualización de  
herramientas digitales. El método de enseñanza de siempre, donde solo el profesor habla, está  
perdiendo valor frente a las nuevas formas de educar. La razón subyacente es que las opciones  
actuales permiten que cada alumno aprenda a su ritmo y nadie se quede fuera. Las universidades  
deben lograr que estas herramientas se usen bien y con honestidad para poder cumplir con lo que la  
sociedad pide hoy.  
Investigar el uso de la IA en clase es fundamental porque sirve tanto para mejorar la forma en que se  
enseña hoy, como para cambiarla por completo a futuro. Los alumnos son más independientes porque  
los temas de estudio se adaptan a lo que cada uno necesita. De hecho, Bond et al. (2024) señalan en  
sus investigaciones que esta capacidad de personalizar el aprendizaje es una de las ventajas más  
grandes que tiene la inteligencia artificial. Los estudiantes de universidad tienen niveles y formas de  
aprender muy diferentes, por eso lograr que el sistema se adapte a todos es uno de los retos más  
grandes de la educación actual.  
Organizar el conocimiento acumulado sobre las nuevas formas de aprender y enseñar constituye el eje  
central de este trabajo. Debido a la rápida adopción de estos sistemas en el entorno universitario, se  
vuelve fundamental contar con un soporte académico que guíe las decisiones institucionales. Este  
estudio proporciona, asimismo, un análisis de las evidencias, los beneficios prácticos y los cuidados  
necesarios para una integración tecnológica exitosa. El futuro de la formación de los ciudadanos  
depende de esta discusión, por lo que este artículo busca dar orden y una visión crítica al tema. Por  
eso, el mismo es un esfuerzo necesario para aportar claridad y estructura al tema.  
METODOLOGÍA  
Enfoque de Investigación  
El presente trabajo de investigación se desarrolló bajo un enfoque cualitativo. De acuerdo con la  
naturaleza del objeto de estudio la integración de la inteligencia artificial (IA) como estrategia  
didáctica, no se buscó la comprobación estadística de hipótesis propias, sino la comprensión  
profunda, la interpretación y la síntesis de un fenómeno educativo en constante evolución. En efecto,  
es decir, lo que observamos es cómo el papel del maestro es cambiado, junto con lo que es pensado  
por los alumnos y cómo se llevan en clase, además de los retos éticos de las escuelas. Aquí vemos  
que todo esto fue logrado con un estudio cualitativo que, más allá de mirar solo las notas, permitió que  
las diferentes realidades que son vistas en los textos académicos actuales fueran entendidas. De este  
modo, lo que se buscó fue que el significado de estos cambios fuera finalmente entendido, junto a  
cómo las nuevas estrategias de enseñanza están siendo usadas, yendo más allá de los puros números.  
Es decir, lo que observamos es que, aunque los datos estadísticos eran tenidos por muchas de las  
investigaciones revisadas, la información fue analizada en este trabajo desde un enfoque  
interpretativo.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3256.  
Diseño del Estudio  
La investigación adoptó un diseño documental de tipo descriptivo y exploratorio, estructurado bajo los  
principios de una revisión sistemática de la literatura. Se eligió el nivel exploratorio debido a que la  
aplicación de herramientas de IA generativa y sistemas adaptativos en la educación superior es un  
campo de estudio relativamente novedoso y con un crecimiento exponencial en los últimos tres años.  
Se logró además explicar para qué sirven estas herramientas, cómo se usan y qué cambios traen a la  
universidad gracias al enfoque descriptivo que se usó. El diseño documental consistió en la búsqueda,  
recuperación, evaluación crítica y síntesis de investigaciones previas. Para garantizar el rigor y  
minimizar el sesgo de selección, el diseño metodológico estableció parámetros claros de rastreo de  
información, limitando el horizonte temporal a publicaciones difundidas entre los años 2023 y 2026, lo  
que asegura que el estado del arte reflejado sea absolutamente vigente y pertinente frente al rápido  
avance de las tecnologías algorítmicas y los modelos de lenguaje extenso (LLMs).  
Participantes (Unidad de Análisis y Criterios de Selección).  
Al tratarse de una investigación de diseño documental, los "participantes" tradicionales se sustituyen  
por la unidad de análisis, la cual estuvo conformada por un corpus documental de 23 artículos  
científicos y académicos de alto impacto.  
La selección de esta muestra documental no fue probabilística, sino intencional (por conveniencia y  
pertinencia temática), aplicando rigurosos criterios de elegibilidad para garantizar la validez del  
estudio.  
Criterios de inclusión: Se seleccionaron (a) artículos empíricos (cuasiexperimentales, exploratorios y  
descriptivos) y revisiones teóricas o sistemáticas; (b) investigaciones cuyo contexto de aplicación  
fuera explícitamente el nivel de educación superior (universidades e institutos tecnológicos); (c)  
documentos centrados en el uso didáctico y pedagógico de la IA (sistemas adaptativos, chatbots,  
analítica predictiva); (d) publicaciones en idiomas español e inglés; y (e) trabajos que hubieran  
superado un proceso de revisión por pares (peer-review).  
Criterios de exclusión: Se descartaron sistemáticamente (a) pre-prints o manuscritos no validados por  
comités editoriales; (b) artículos de opinión no sustentados empíricamente; y (c) estudios aplicados  
exclusivamente en educación primaria o secundaria que no ofrecieran marcos teóricos escalables a la  
andragogía universitaria.  
Respecto a las "características" de la unidad de análisis, el corpus seleccionado destaca por su  
diversidad geográfica y metodológica. Se incluyeron investigaciones primarias aplicadas en  
instituciones de América Latina (México, Ecuador, Perú y El Salvador) lo que contextualiza el  
fenómeno en la región, contrastadas con meta-revisiones y estudios aplicados en Norteamérica,  
Europa, Asia y Medio Oriente. Se logró entender cómo la inteligencia artificial afecta a estudiantes de  
todas las carreras, desde ingeniería hasta humanidades. Esto fue posible gracias a la forma en que se  
eligieron los ejemplos, logrando una visión completa y general del tema.  
Instrumentos de Recolección de Datos  
Dado el carácter documental de esta investigación, los instrumentos tradicionales de campo (como  
encuestas o guiones de entrevista) se sustituyeron por herramientas de rastreo digital y matrices de  
registro bibliográfico estructuradas. El equipo investigador empleó dos instrumentos principales:  
Motores de búsqueda y repositorios académicos: La fase de rastreo utilizó el motor de búsqueda  
especializado Consensus (potenciado por inteligencia artificial), junto con bases de datos indexadas  
de alto impacto y alcance regional como Scopus, Web of Science, SciELO, Dialnet y Redalyc. El diseño  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3257.  
de la búsqueda contempló el uso de descriptores específicos y operadores booleanos en español e  
inglés, tales como: “inteligencia artificial” AND “educación superior”, “artificial intelligence” AND  
“adaptive learning”, y “estrategias didácticas” AND “ChatGPT”. Para asegurar la calidad, el motor de  
búsqueda se configuró con un filtro estricto para excluir trabajos en fase de pre-print, asegurando la  
recuperación única de versiones de registro validadas.  
Matriz de Análisis Documental: Para estandarizar la extracción de la información, la investigación  
diseñó una matriz cualitativa de doble entrada. Este instrumento fungió como el repositorio central del  
estudio y permitió desglosar cada artículo en siete variables o renglones esenciales: metadatos de  
citación (autor, año, revista), título exacto, contexto geográfico de aplicación, objetivo principal del  
estudio, diseño metodológico y tamaño de la muestra original, herramientas específicas de IA  
analizadas (ej. plataformas LMS adaptativas, LLMs, asistentes virtuales), y finalmente, un resumen de  
los tres hallazgos empíricos o teóricos más relevantes junto con las citas textuales clave que  
sustentaban dichos resultados.  
Procedimiento  
El proceso de recolección y sistematización de la literatura se llevó a cabo mediante un protocolo  
estructurado en tres fases consecutivas para garantizar la exhaustividad y reproducibilidad del estudio:  
Fase 1 (Heurística y Selección): La investigación inició con una exploración bibliográfica en las bases  
de datos mencionadas, limitando el marco temporal al periodo 2023-2026. Tras una lectura rápida de  
los títulos y resúmenes (abstracts), el proceso aplicó los criterios de inclusión y exclusión definidos  
previamente, lo que resultó en la consolidación de la muestra final de 23 artículos científicos a texto  
completo.  
Fase 2 (Extracción de Datos): Se procedió a la lectura profunda y analítica de los documentos a texto  
completo. Se organizó toda la información en una Matriz de Análisis Documental para poder clasificar  
mejor. Para lograrlo, se sacaron manualmente los métodos usados, lo más importante que se  
descubrió y las frases principales de cada uno de los artículos revisados.  
Fase 3 (Consolidación): Se organizó la investigación en un formato de procesador de texto, lo que  
facilitó la visualización de los datos y nos permitió su posterior interpretación temática.  
Análisis de Datos  
Se prefirió entender qué querían decir los autores y encontrar puntos en común en sus ideas, en lugar  
de solo contar cuántas veces repetían una palabra. Por eso, para analizar toda la información  
recolectada, se usó un método que permite interpretar el significado de los temas a fondo.  
El procedimiento analítico siguió un modelo deductivo-inductivo. Primero, se leyeron secuencialmente  
los hallazgos de los 23 artículos para realizar una codificación abierta. Posteriormente, el análisis  
agrupó estas unidades de significado por afinidad, lo que dio lugar a la emergencia de cuatro macro-  
categorías o ejes temáticos transversales: (1) la IA y la personalización del aprendizaje adaptativo; (2)  
la transformación del rol docente y la eficiencia administrativa; (3) el fomento del aprendizaje activo y  
autorregulado; y (4) los desafíos éticos, la brecha digital y la necesidad de alfabetización institucional.  
Finalmente, el análisis aplicó la técnica de triangulación teórica, la cual consistió en contrastar y poner  
en diálogo las convergencias y divergencias entre los distintos estudios (por ejemplo, comparando los  
hallazgos empíricos de investigaciones locales en América Latina frente a meta-revisiones de alcance  
global), permitiendo así construir una discusión crítica, objetiva y fundamentada que responde  
directamente al propósito del artículo.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3258.  
Consideraciones Éticas  
Al tratarse de una investigación de diseño documental que no involucró intervención directa empírica  
sobre sujetos humanos, los protocolos de consentimiento informado no fueron aplicables. Cuidamos  
la transparencia y los derechos de autor por encima de todo; esas fueron nuestras reglas éticas. En  
este sentido, la investigación aseguró el reconocimiento riguroso de todos los autores primarios  
mediante la correcta citación y referenciación bajo los estándares del manual APA en su séptima  
edición, previniendo cualquier forma de plagio, falsificación o manipulación de los datos originales  
extraídos de los documentos fuente.  
Adicionalmente, en congruencia con los estándares internacionales del Committee on Publication  
Ethics (COPE), el estudio declara de manera transparente el empleo de la herramienta Consensus  
exclusivamente como motor de búsqueda especializado para la localización y recuperación de la  
literatura. El proceso de lectura profunda, extracción de datos, análisis temático y redacción final fue  
realizado de manera íntegra, manual y crítica, asumiendo la responsabilidad absoluta sobre la  
exactitud, coherencia y objetividad del manuscrito.  
DESARROLLO  
Lo que sabemos hoy sobre la inteligencia artificial en la universidad se divide en tres temas principales.  
Esto es así porque los estudios sobre este asunto han crecido muchísimo, aunque todavía hay bastante  
por descubrir.  
El primer eje, y el más prolífico, se centra en el impacto de la IA sobre la personalización del aprendizaje  
y el rendimiento estudiantil. La personalización del contenido en función de las necesidades de cada  
estudiante influye de forma directa en su rendimiento académico. Los alumnos están sacando mejores  
notas y entendiendo mejor los temas. Esto se ha demostrado en estudios cuantitativos y  
cuasiexperimentales, como los de Aldape-Valdes et al. (2026) y Naseer et al. (2025). El uso de la  
inteligencia artificial en el aula va más allá de la mejora en el rendimiento escolar. Las revisiones de  
literatura desarrolladas por Crompton y Burke (2023) y Suazo-Galdamés y Chaple-Gil (2025) respaldan  
de hecho este enfoque, al señalar que el aprendizaje personalizado eleva de igual manera el  
compromiso y la motivación de los estudiantes. Como sintetizan Liang, Stephens y Brown (2025), la  
evidencia temprana informa sobre la "prometedora contribución de la IA a las prácticas de currículo,  
instrucción y evaluación (CIA) en la educación superior" (p. 1), posicionándose como una herramienta  
clave para la equidad educativa.  
Otro eje de la literatura presenta estudios que se enfocan en cómo está cambiando la forma en que los  
maestros dan clase y cómo se relacionan ahora con sus alumnos. Los maestros pueden enfocarse en  
crear mejores formas de aprender y ser guías para sus alumnos gracias a que la IA se encarga de las  
tareas de oficina. Así lo explican las investigaciones de Tovar Ruiz et al. (2024) y Parra Encinas et al.  
(2026). El análisis de este campo se centra en cómo los profesores adoptan sistemas generativos y  
analíticos para mejorar la enseñanza. Los maestros se vuelven mucho más valiosos en la educación  
gracias a la tecnología, que lejos de quitarlos, ayuda a mejorar su trabajo. Al final, eso es lo que  
demuestran los estudios.  
Finalmente, un tercer eje, de carácter más crítico, analiza los desafíos éticos, institucionales y  
pedagógicos de esta integración. Existe mucha preocupación por el plagio y los desafíos a la integridad  
académica, la seguridad de la información, los errores de la IA y que ni alumnos ni maestros sepan  
usar bien la tecnología. Todo esto ha sido señalado por Williams (2024) y Reina Marín et al. (2025). El  
trabajo de Bond et al. (2024) recuerda que la incorporación de estas tecnologías exige "un llamado a  
un aumento de la ética, la colaboración y el rigor". El éxito de esta transición depende, por lo tanto, del  
involucramiento de todas las instituciones y no únicamente de la infraestructura digital disponible.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3259.  
Problema de Investigación  
A pesar del creciente volumen de investigaciones sobre la inteligencia artificial en la educación  
superior, la revisión de la literatura evidencia una fragmentación significativa del conocimiento. La  
mayoría de los estudios tienden a especializarse en un único aspecto del fenómeno: algunos analizan  
una herramienta específica (como ChatGPT), otros se enfocan en un beneficio particular (como la  
personalización) y un tercer grupo se concentra en un desafío concreto (como la ética del plagio). Si  
bien esta especialización es valiosa, genera una visión atomizada que dificulta a los gestores  
académicos, docentes y diseñadores de currículo obtener una comprensión holística e integrada de la  
situación.  
El problema central que aborda esta investigación es, por tanto, la ausencia de una síntesis sistemática  
y actualizada que articule las múltiples dimensiones del impacto de la IA en la didáctica universitaria.  
Los directores de las universidades ocupan informes precisos para poder diseñar reglas que sirvan de  
verdad. Por ahora, esto es difícil porque la información está muy fragmentada y todavía falta un plan  
que logre unir los beneficios de la enseñanza con los cambios en los maestros y los retos de la  
institución. Por eso, el problema es que hoy sólo reciben muchísima información suelta sin un orden  
que les sirva para decidir bien.  
Esta fragmentación conduce a una pregunta de investigación fundamental que se busca responder a  
través de este estudio: ¿Cuáles son las principales dimensiones del impacto de la inteligencia artificial  
como estrategia didáctica en la educación superior, y cómo se interrelacionan sus beneficios  
pedagógicos, sus implicaciones para el rol docente y sus desafíos éticos e institucionales, según la  
evidencia científica más reciente?  
Para abordar de manera estructurada el problema central, esta investigación se guía por las siguientes  
preguntas específicas:  
¿De qué manera la implementación de sistemas de aprendizaje adaptativo y herramientas de  
IA influye en la personalización del aprendizaje y el rendimiento académico de los  
estudiantes universitarios?  
¿Cómo se está transformando el rol del docente en la educación superior a raíz de la  
automatización de tareas y la disponibilidad de nuevas herramientas pedagógicas basadas  
en IA?  
¿Qué estrategias didácticas mediadas por IA fomentan de manera más efectiva el aprendizaje  
activo, la autonomía y la autorregulación en el alumnado?  
¿Cuáles son los principales desafíos éticos, brechas de formación y barreras institucionales  
que condicionan la integración efectiva y equitativa de la inteligencia artificial en el entorno  
universitario?  
Objetivo General  
Analizar de manera sistemática las dimensiones del impacto de la inteligencia artificial como  
estrategia didáctica en la educación superior, articulando los beneficios pedagógicos, las  
transformaciones en el rol docente y los desafíos éticos e institucionales reportados en la  
literatura científica reciente.  
Objetivos Específicos  
Sintetizar la evidencia sobre la influencia de los sistemas de aprendizaje adaptativo y  
herramientas de IA en la personalización del aprendizaje y el rendimiento académico de los  
estudiantes universitarios.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3260.  
Describir la reconfiguración del rol docente a partir de la automatización de tareas y el uso de  
nuevas herramientas pedagógicas basadas en IA.  
Identificar las estrategias didácticas mediadas por IA que promueven el aprendizaje activo, la  
autonomía y la autorregulación en los estudiantes.  
Categorizar los principales desafíos éticos, brechas de formación y barreras institucionales  
que enfrenta la integración de la inteligencia artificial en la educación superior.  
Fundamentos Pedagógicos para la Integración de la Inteligencia Artificial  
La integración efectiva de la inteligencia artificial (IA) en la educación superior trasciende la mera  
implementación tecnológica y exige un anclaje en marcos pedagógicos sólidos que le den sentido y  
dirección. Esto se evidencia en que, la enseñanza es cambiada de verdad cuando la IA nos ayuda a  
pensar y resolver problemas difíciles en lugar de solo hacer tareas repetitivas. Es decir, lo que  
observamos es que, para entender este cambio, hay que ver cómo la tecnología es apoyada por ideas  
que ya conocemos, como el constructivismo o el aprender por uno mismo; ya que aquí vemos que  
queda demostrado que la IA no trabaja sola sino unida a la educación, o al menos eso es lo que se  
percibe. Personalizar las dinámicas de estudio según las características de cada alumno es posible  
actualmente gracias a los sistemas inteligentes. Esta tecnología se alinea por tanto, con el principio  
constructivista de que el saber no se recibe de forma pasiva, sino que se construye. La herramienta  
digital se convierte de este modo, en un aliado para que el estudiante asuma un rol protagónico en su  
desarrollo académico. Los estudiantes pueden crear soluciones nuevas y aplicar lo que saben en la  
práctica gracias al impulso de la tecnología. Esto se confirma con lo que señalan Mucha Hospinal et  
al. (2025) al explicar que "la integración pedagógica de herramientas de IA potencia competencias  
específicas en el aprendizaje basado en producto" (p. 2).  
Aprender consiste en crear redes y unir piezas de información, y esa es precisamente la idea del  
conectivismo. Por eso, este modelo es el que mejor explica cómo la inteligencia artificial ayuda a los  
alumnos a aprender en un mundo donde todo está conectado. La IA ayuda a conectar a las personas  
con ideas y recursos en los espacios de enseñanza flexible, demostrando que es mucho más que un  
montón de datos acumulados. De hecho, Vaca Cabrera et al. (2025) apoyan esta idea al considerar a  
"la inteligencia artificial como un agente mediador que permite rediseñar las estrategias pedagógicas"  
(p. 620). Se logra crear redes para aprender y construir conocimiento entre todos gracias a que la IA  
funciona como ese puente necesario.  
Ahora hay mucho más interés por aprender por cuenta propia (SRL), todo gracias a que cada vez se  
usan más los programas que se adaptan al alumno y los ayudantes virtuales. La inteligencia artificial  
optimiza este proceso, el cual se basa, por lo tanto, en la propuesta trifásica de Zimmerman que abarca  
la previsión, la ejecución y la autorreflexión. Revisar y calibrar las estrategias de estudio es una tarea  
más sencilla cuando el estudiante cuenta con un seguimiento continuo y datos al instante. Lo más  
importante es que el control del estudio siempre lo tenga la persona, ya que el éxito de la tecnología  
depende de la unión entre el esfuerzo del alumno y el apoyo digital. Al respecto, Lan y Zhou (2025)  
explican que la IA ayuda mucho a "facilitar las fases de previsión, ejecución y reflexión del aprendizaje  
autorregulado" (p. 1). Por eso, estas herramientas hacen que el camino sea más fácil al ayudar a poner  
metas claras desde el principio.  
La Evolución del Marco de Competencias Docentes  
La integración de la inteligencia artificial en la práctica docente no solo implica la adopción de nuevas  
herramientas, sino que exige una redefinición de las competencias fundamentales del profesorado. En  
las clases de hoy, es obligatorio mezclar lo que se explica en los libros con el uso de herramientas  
tecnológicas. Es difícil para los docentes lograr un equilibrio. Es mucho más fácil entender cómo  
funcionan las clases actuales si usamos el modelo TPACK de Mishra y Koehler (2006). Los  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3261.  
investigadores tienen que actualizar sus teorías para que encajen con lo que la tecnología puede hacer  
hoy. Por eso, expertos y maestros están analizando cómo usar estas herramientas con responsabilidad  
en el salón. Al final, nos toca repensar cómo enseñamos, ya que estas herramientas sirven para ordenar  
las ideas y mejorar las clases con la llegada de la inteligencia artificial.  
Es obligatorio ser justos y transparentes, ya que nos queda claro que "el conocimiento tecnológico (TK)  
inteligente indica el conocimiento para integrar tecnologías inteligentes con conciencia y evaluaciones  
éticas" (Ren y Wu, 2025, p. 523). Ser un buen profesor ahora significa ser ético y responsable. Por eso,  
el "TPACK Inteligente" de Ren y Wu (2025) propone que los maestros entiendan cómo funciona la IA  
por dentro para usarla bien al enseñar, y no solo como un aparato más.  
El maestro debe saber si la información es real, notar errores y enseñar a usar las herramientas con  
cuidado; ya no basta con solo saber usar ChatGPT para poner ejemplos. Por eso, este cambio en la  
forma de enseñar es fundamental. Como lo articulan Parra Encinas et al. (2026), es así que el modelo  
TPACK sirve como un referente pertinente, pero con la particularidad de que "estas competencias  
tecnológicas se amplían con la inteligencia artificial, de forma que actualmente el profesorado debe  
ser capaz de relacionarse con la IA desde una perspectiva ética, conocer sus fundamentos y  
aplicaciones, e integrar a la pedagogía para apoyar los procesos" (p. 28).  
En efecto, la inteligencia artificial debe ser usada por el maestro actual para ayudar a aprender sin que  
los valores humanos y el pensamiento crítico sean dejados de lado. Es decir, lo que observamos es  
que ser un buen docente hoy implica que la tecnología sea finalmente unida con la ética; de este modo,  
los alumnos pueden ser guiados en el uso responsable de estas herramientas, o al menos eso es lo  
que se percibe según se observa.  
El Paradigma del Aprendizaje Adaptativo como Estrategia Didáctica  
El aprendizaje adaptativo busca que la enseñanza cambie y se ajuste a cada alumno en el momento, a  
diferencia de las clases de siempre que son iguales para todos. Por eso, esta forma de usar la  
inteligencia artificial es una de las herramientas más fuertes que tienen hoy las universidades. Para  
lograrlo, utiliza algoritmos de aprendizaje automático y analítica de datos que permiten ajustar  
dinámicamente el contenido, el ritmo, la dificultad y las trayectorias formativas según el desempeño,  
las necesidades y las fortalezas específicas de cada estudiante. Las universidades avanzan  
paulatinamente desde formatos de enseñanza unificados hacia esquemas diseñados a gran escala  
para el individuo. Este fenómeno se apoya en los hallazgos de Suazo-Galdamés y Chaple-Gil (2025),  
quienes sostienen que los "sistemas de aprendizaje adaptativo impulsados por inteligencia artificial  
(IA) están revolucionando la educación superior al ofrecer experiencias de aprendizaje personalizadas  
y en tiempo real que se alinean con el progreso individual del estudiante" (p. 1).  
Se analizan constantemente los datos sobre cómo estudia el alumno, algo que se llama Learning  
Analytics. Al final, en eso se basa la forma en que funciona esta estrategia. Los sistemas deciden qué  
enseñarte según cómo vas: te dan más apoyo si te equivocas o avanzan más rápido si ya sabes el  
tema. Se logra una enseñanza más justa y para todos porque el sistema se ajusta a la forma y velocidad  
de aprender de cada uno. Para esto, programas como Knewton o RealizeIT revisan lo que hace el  
alumno y así pueden saber qué necesita después.  
El diseño instruccional bajo este paradigma también se transforma. Como lo describen Aldape-Valdes  
et al. (2026), el aprendizaje adaptativo "es una estrategia educativa que utiliza tecnología basada en la  
analítica de datos para adaptar la educación y crear un itinerario de aprendizaje personalizado cuyos  
contenidos han sido previamente diseñados por el profesor" (p. 302). El maestro ahora diseña  
experiencias de aprendizaje y usa los datos que le da la inteligencia artificial para decidir cómo ayudar  
mejor a sus alumnos. Esto es posible porque la tecnología no trabaja sola, sino que sigue el plan que  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3262.  
el docente preparó. Al final, el profesor deja de ser alguien que solo dicta clase para convertirse en un  
guía que usa la información para mejorar siempre su enseñanza.  
RESULTADOS  
A partir del análisis exhaustivo del corpus documental, los hallazgos extraídos de los 23 artículos  
científicos se organizaron y estructuraron en cuatro dimensiones temáticas emergentes. Se logra  
entender cómo la inteligencia artificial afecta a la universidad de muchas formas, desde cómo  
aprenden los alumnos hasta los problemas que deben resolver las instituciones hoy en día. Todo esto  
es posible gracias a la forma en que se dividieron y organizaron los temas.  
Impacto de la Inteligencia Artificial en la Personalización y el Aprendizaje Adaptativo  
Muchos estudios han confirmado que la inteligencia artificial ayuda a pasar de una enseñanza igual  
para todos a una que se adapta a cada alumno, incluso en grupos grandes de personas. El análisis  
documental reveló que las plataformas de aprendizaje adaptativo sustentadas en algoritmos  
predictivos permiten configurar trayectorias formativas que responden en tiempo real a los ritmos,  
perfiles cognitivos y necesidades específicas de cada estudiante universitario. Así pues, "la inteligencia  
artificial no solo representa una oportunidad para modernizar la educación superior, sino que puede  
convertirse en un catalizador clave para una enseñanza verdaderamente personalizada, inclusiva y  
centrada en el estudiante" (p. 619), según concluyeron Vaca Cabrera et al. (2025) tras estudiar a 256  
jóvenes en Ecuador. Esta idea refuerza lo planteado por De La Cruz Medina (2024), quien señala que  
"la inteligencia artificial puede representar grandes oportunidades para la educación superior, puesto  
que permite transformar la forma en que se enseña y se aprende [...] haciendo posible la  
personalización del aprendizaje" (p. 2049). Al final, esto no solo ayuda a que los alumnos recuerden  
mejor lo aprendido, sino que logra que se interesen mucho más en sus clases.  
Desde una perspectiva de impacto empírico sobre el rendimiento académico, los datos extraídos  
demuestran mejoras cuantificables sustanciales. El estudio cuasiexperimental de Aldape-Valdes et al.  
(2026), aplicado a una muestra masiva de 1,309 estudiantes de disciplinas STEM (ciencia, tecnología,  
ingeniería y matemáticas) en México, evidenció que la implementación de motores de inteligencia  
adaptativa generó ganancias de aprendizaje netas de entre 11.4 y 23.6 puntos. Al respecto, los autores  
destacan que "el uso estratégico de plataformas adaptativas con integración de IA no solo optimiza la  
intervención docente, sino que también fortalece la personalización y promueve la equidad en cursos  
STEM, caracterizados por una alta heterogeneidad académica" (p. 303). En una línea similar, la  
investigación de Naseer et al. (2025), desarrollada en Arabia Saudita con 250 estudiantes, integró la  
personalización basada en IA con mecánicas de juego. Sus resultados revelaron que el grupo  
experimental alcanzó puntajes promedio significativamente superiores (84.5%) frente al grupo de  
control (78.8%), logrando además un nivel de maestría del 82% gracias al ajuste dinámico de la  
dificultad en tiempo real.  
A nivel global, estos márgenes de mejora son corroborados por la revisión exploratoria de Suazo-  
Galdamés  
y
Chaple-Gil (2025). De acuerdo con su análisis de 14 estudios empíricos  
internacionales, "los sistemas de aprendizaje adaptativo impulsados por inteligencia artificial (IA)  
están revolucionando la educación superior mediante experiencias de aprendizaje personalizadas y en  
tiempo real que se ajustan al progreso individual del estudiante" (p. 1), logrando incrementar el  
rendimiento estudiantil general hasta en un 30%, elevar el compromiso cognitivo en más del 60% y  
aumentar las tasas de retención en un aproximado del 50%.  
En cuanto a la percepción directa del alumnado sobre estas estrategias didácticas, los datos reflejan  
una alta aceptación, aunque condicionada a la infraestructura tecnológica institucional. En la  
educación superior mexicana, Corona Ramírez et al. (2024) identificaron que el 43% de los alumnos  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3263.  
universitarios percibe una mejora sustancial en la comprensión de temas complejos gracias al uso de  
IA. "La integración de la inteligencia artificial en la educación superior ha permitido transformar las  
estrategias docentes, promoviendo una enseñanza más adaptativa y eficiente" (p. 1241), señala Borja  
et al. (2025), siempre y cuando el maestro participe activamente y no solo deje que la tecnología haga  
todo. Esta visión explica por qué el 58% de los alumnos encuestados por Santos Mera et al. (2025)  
siente que las herramientas realmente ajustan los temas a lo que ellos necesitan aprender.  
Transformación del Rol Docente y Eficiencia Administrativa  
Los maestros tienen ahora más tiempo para ser mentores y crear mejores formas de aprender, ya que  
la inteligencia artificial se encarga de los trabajos aburridos y repetitivos. De hecho, un segundo eje de  
estudios demuestra que esta es una de las mayores transformaciones del rol docente: usar las nuevas  
herramientas para enfocarse en lo que de verdad aporta valor a los alumnos.  
Tovar Ruiz et al. (2024), en su revisión sistemática sobre las implicaciones de la IA en la educación  
superior, destacan este beneficio al afirmar que:  
La IA tiene el potencial de revolucionar la enseñanza y el aprendizaje [...] además, automatiza tareas  
administrativas como la calificación, programación de clases y gestión de registros, liberando tiempo  
para que profesores y personal de oficina se enfoquen en iniciativas estratégicas que beneficien a los  
estudiantes" (pp. 521-522).  
De lo anterior se puede decir también que los profesores pudieron dedicarse a dar clases más valiosas  
y personalizadas porque lograron pasar un 20% menos de tiempo haciendo papeleo. Esto se comprobó  
en el estudio de Parise et al. (2025) sobre el uso de la plataforma "Evaluados Ai" en la Universidad  
Francisco Gavidia.  
Más allá de la mera eficiencia, la investigación de Parra Encinas et al. (2026) articula esta  
transformación desde una perspectiva pedagógica más profunda. En su análisis sobre la docencia en  
la era digital, sostienen que el docente universitario evoluciona de un simple transmisor de contenidos  
a un mediador y diseñador de experiencias. El maestro ahora trabaja de la mano con el alumno para  
crear conocimiento, ya que usa la inteligencia artificial para calificar rápido, poner ejemplos reales y  
diseñar retos difíciles. Por eso, este nuevo modelo le da al profesor un papel mucho más activo. Esta  
visión es compartida por Liang, Stephens y Brown (2025), quienes en su revisión sobre el impacto  
temprano de la IA post-ChatGPT, identifican que las herramientas generativas actúan como asistentes  
virtuales para reducir la carga de trabajo logística del profesorado, permitiendo "la generación de  
nuevos materiales y recursos personalizados" (p. 1) y optimizando la instrucción mediante entornos  
inmersivos y evaluaciones predictivas.  
El papel del maestro está cambiando para ser alguien más enfocado en las personas y en el plan  
general de estudio. Tal como lo exponen Parra Encinas et al. (2026), el reto contemporáneo para las  
universidades "obliga a re-pensar el papel de las universidades desde perspectivas más amplias y  
complejas, pues no se trata únicamente de integrar nuevas herramientas, sino de revisar críticamente  
los supuestos epistemológicos, pedagógicos e institucionales que estructuran la vida universitaria" (p.  
11). Así, la IA no se presenta como un sustituto del educador, sino como un socio tecnológico que  
potencia su capacidad de mediación y enriquece la didáctica, liberándolo para enfocarse en el  
desarrollo del pensamiento crítico y las habilidades socioemocionales de los estudiantes, aspectos  
donde la interacción humana sigue siendo insustituible.  
Fomento del Aprendizaje Activo, Autónomo y Autorregulado  
También se puede ver que se logra que los alumnos sean más independientes, se interesen más por lo  
que aprenden y piensen de forma más profunda gracias al uso de la IA. Al final, los estudios demuestran  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3264.  
que, si hay un buen plan de enseñanza, estas herramientas funcionan como socios que ayudan al  
estudiante a organizar su propio aprendizaje, yendo mucho más allá de solo dar información.  
El estudio de Long et al. (2026), tras una revisión sistemática de 73 investigaciones, concluye que la  
efectividad de herramientas como chatbots y sistemas adaptativos se potencia significativamente  
cuando se integran en pedagogías interactivas. Los autores revelan que "las herramientas de IA [...]  
mejoran el compromiso de manera más efectiva cuando se integran en pedagogías interactivas como  
el aula invertida, el aprendizaje basado en proyectos y los ciclos de retroalimentación con  
andamiaje" (p. 2). Los alumnos aprenden más y se sienten más motivados porque la IA ayuda a mejorar  
las formas de enseñar que ya funcionan, en lugar de intentar quitarle el puesto al maestro. Al final, los  
resultados demuestran que la tecnología trabaja mejor cuando sirve como un apoyo para el docente.  
Desde una perspectiva de la competencia docente, Alcívar Loor (2026) identifica cinco estrategias  
pedagógicas clave donde la IA fomenta el aprendizaje activo: el análisis predictivo de eventos  
históricos, la creación de documentales interactivos con guiones generados por IA, las simulaciones  
de toma de decisiones (role-play), la elaboración de mapas conceptuales dinámicos y el análisis de  
discursos. Los alumnos dejan de ser solo espectadores para convertirse en los creadores de lo que  
aprenden. Al final, estos programas demuestran que la tecnología les da el papel principal en su propia  
educación.  
La "pedagogía innovadora apoyada por IA [...] como socios de aprendizaje inteligentes para aumentar  
el compromiso del estudiante en el aprendizaje autorregulado y las habilidades de pensamiento de  
orden superior" (p. 519) logra cambiar el viejo modelo de profesor y alumno a uno de guía y mentor,  
según explican Ren y Wu (2025). Se logra que la inteligencia artificial sea un verdadero "socio de  
aprendizaje" que ayuda al alumno mientras este estudia por su cuenta, o dicho en términos más  
académicos, de forma autoregulada. De forma similar, Lan y Zhou (2025) encontraron que la IA tiene  
el potencial de facilitar las fases de previsión, ejecución y reflexión del aprendizaje autorregulado (SRL),  
aunque advierten que su efectividad depende de si la agencia del proceso permanece centrada en el  
humano o se delega por completo en la tecnología. Este matiz es fundamental, ya que, como señalan  
sus hallazgos, "la IA demuestra potencial para facilitar las fases de previsión, ejecución y reflexión del  
aprendizaje autorregulado (SRL), aunque también destaca si la agencia está centrada en el humano o  
en la IA, lo que genera variaciones en el modelo de SRL" (p. 1).  
Es vital poner reglas para usar herramientas como ChatGPT y que los estudiantes aprendan a estudiar  
por su cuenta, aceptando que la IA es la tendencia de hoy (Chang et al., 2023). Esto se relaciona con lo  
visto en Perú por Mucha Hospinal et al. (2025), quienes demostraron que "la integración pedagógica  
de herramientas de IA potencia competencias específicas en el aprendizaje basado en producto" (p.  
3). En conclusión, estos trabajos refuerzan esta manera de ver la educación.  
Desafíos Éticos, Brecha Digital y Necesidad de Alfabetización Institucional  
Finalmente, la cuarta dimensión temática que emerge del análisis documental aborda los desafíos  
críticos, los riesgos estructurales y las barreras institucionales que condicionan la implementación  
efectiva y equitativa de la inteligencia artificial en la educación superior. Es urgente que maestros y  
alumnos aprendan a usar la tecnología, ya que todos los estudios coinciden en que la inteligencia  
artificial trae problemas serios con la privacidad, los errores de los sistemas y la honestidad en los  
trabajos. Y evidentemente, es por eso que además de las ventajas para enseñar, también aparecen  
estos retos éticos.  
Uno de los problemas más grandes que existen hoy es que todavía faltan reglas éticas sólidas que  
vigilen cómo se usa la inteligencia artificial. El estudio de Crompton y Burke (2023), que analiza 138  
artículos, revela que, si bien "los beneficios incluyen el uso de la IA en la educación superior para  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3265.  
adaptar la instrucción a las necesidades de diferentes tipos de estudiantes" (p. 2), persisten desafíos  
críticos relacionados con la privacidad de los datos en modelos predictivos y la necesidad de una  
mayor alfabetización en IA por parte del profesorado. Esta preocupación es central en la investigación  
de Bond et al. (2024), quienes en su meta-revisión de 66 estudios sistemáticos, encontraron que, a  
pesar de que "la IA facilita el aprendizaje personalizado [...], permitiendo que los materiales se ajusten  
a las necesidades individuales" (p. 32), existe una preocupación crítica generalizada por la falta de  
consideraciones éticas en la recolección de datos masivos y el temor latente al desplazamiento laboral  
en el sector docente si no se abordan las brechas de conocimiento técnico.  
Desde una perspectiva más específica sobre las herramientas generativas, el trabajo de Williams  
(2024) analiza las implicaciones de los chatbots como ChatGPT, advirtiendo que, si bien "el valor de  
los chatbots se extiende más allá del ahorro de tiempo en cargas administrativas; más bien, pueden  
transformar adicionalmente la pedagogía" (p. 2), se reportan amenazas significativas como el sesgo  
algorítmico, que puede reproducir estereotipos sociales, y el riesgo de plagio que compromete la  
integridad académica. Si no se sabe usar bien la inteligencia artificial, se corre el peligro real de cometer  
errores graves. Por eso, Chulde Cabrera et al. (2024) analizan a fondo este problema ético. Integrar  
estos saberes en el currículo ha dejado de ser un elemento accesorio en las universidades. Esta postura  
coincide, de hecho, con la premisa de que la "alfabetización en IA prepara a los estudiantes para  
enfrentar un mundo digital en constante evolución, promoviendo un aprendizaje crítico y reflexivo" (p.  
130), asegurando la pertinencia de los futuros profesionales.  
Casi la mitad de los alumnos y más de la mitad de los maestros dicen que no saben usar bien la  
tecnología, lo que demuestra que faltan reglas claras en las universidades. Estos datos los da el estudio  
de Reina Marín et al. (2025), basado en una encuesta a 890 estudiantes y 162 profesores en Perú. Los  
autores concluyen que, aunque la "IA en la enseñanza universitaria proporciona herramientas que  
mejoran la toma de decisiones, modernizan los sistemas institucionales y potencian tanto el  
rendimiento académico como el pensamiento crítico" (p. 2445), su implementación exitosa está  
supeditada a superar las severas preocupaciones sobre la opacidad de los algoritmos y la privacidad  
de los datos personales.  
DISCUSIÓN  
Interpretación de los Resultados  
Se está transformando por completo la forma de aprender en las universidades, según lo que  
demuestran los resultados analizados. Esto sucede porque la inteligencia artificial es mucho más que  
una ayuda técnica; es el verdadero motor que impulsa todos estos cambios. Esta tecnología funciona,  
en realidad, como un motor de cambio que transforma de raíz los métodos de enseñanza tradicionales.  
Se ha descubierto que lo más valioso de la IA es que permite llevar a muchísima gente formas de  
enseñar que antes eran difíciles de aplicar, como el aprendizaje al ritmo de cada uno. Al final, los  
estudios revisados demuestran que el poder de la tecnología está en cómo ayuda a que el alumno sea  
el centro de su propia educación.  
Una de las cosas que también es evidente es que "la personalización del aprendizaje ya no es un ideal  
pedagógico, sino una realidad alcanzable y medible", puesto que las clases son finalmente adaptadas  
por la IA a los diferentes tipos de alumnos que hay hoy en día. Es decir, esto es visto al unir lo que dicen  
De La Cruz Medina (2024), Vaca Cabrera et al. (2025) y Aldape-Valdes et al. (2026); aquí vemos que la  
teoría es dada por los primeros, mientras que una mejora de hasta 23.6 puntos en el aprendizaje es  
demostrada por el último con números reales. Que la tecnología funcione depende de que el humano  
se involucre de verdad, así que no es cierto que las máquinas nos quiten la parte humana por sí solas.  
De hecho, como dicen Borja et al. (2025), que cada alumno aprenda a su ritmo solo sirve si el maestro  
está ahí para guiar el proceso.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3266.  
Asimismo, la aparente contradicción entre la eficiencia administrativa (Tovar Ruiz et al., 2024; Parise  
et al., 2025) y los riesgos éticos (Crompton y Burke, 2023; Williams, 2024) debe ser interpretada no  
como un dilema irresoluble, sino como las dos caras de la misma moneda de la implementación. La  
automatización que libera tiempo docente es la misma que recolecta datos masivos de los estudiantes,  
generando preocupaciones válidas sobre privacidad y sesgo. Meter la inteligencia artificial en la  
universidad afecta a las personas y a toda la sociedad. Por eso, para mejorar la forma de enseñar, es  
obligatorio crear reglas éticas fuertes que nos protejan a todos.  
Para que la educación no empeore y las diferencias entre alumnos no crezcan, es urgente que todos  
aprendan a usar la tecnología de forma crítica (Reina Marín et al., 2025; Chulde Cabrera et al., 2024).  
Saber usar la inteligencia artificial no es solo aprender a manejar un programa, sino que ya es una  
habilidad fundamental para cualquier maestro hoy en día. Al final, herramientas como ChatGPT solo  
ayudan a aprender de verdad cuando se usan para pensar mejor y no solo para evitar el trabajo (Long  
et al., 2026; Alcívar Loor, 2024).  
Implicaciones  
Lo que esta revisión sistemática descubrió nos obliga a pensar seriamente en cómo será la universidad  
en el futuro. No se trata solo de empezar a usar tecnologías nuevas, sino de entender cómo esto  
cambia por completo la forma en que los alumnos aprenden y los docentes enseñan.  
Implicaciones Teóricas  
Estamos pasando de un constructivismo social a uno guiado por algoritmos. Así lo demuestran los  
datos sobre personalización masiva de estudios recientes (Aldape-Valdes et al., 2026; Suazo-  
Galdamés y Chaple-Gil, 2025). En el fondo, los resultados de esta revisión vienen a cambiar y mejorar  
lo que dábamos por sentado en la enseñanza. En este nuevo marco, el aprendizaje ya no solo se  
construye en la interacción social, sino también en la interacción adaptativa con sistemas inteligentes  
que proveer andamiajes y retroalimentación individualizados en tiempo real. Esto sugiere la necesidad  
de desarrollar nuevos modelos teóricos que expliquen la cognición en entornos híbridos humano-IA.  
En segundo lugar, la redefinición del rol docente (Parra Encinas et al., 2026; Tovar Ruiz et al., 2024)  
tiene implicaciones directas para la teoría del Conocimiento Tecnológico Pedagógico del Contenido  
(TPACK). Para que las clases sean justas y funcionen bien, hace falta entender los fallos y la ética  
detrás de la IA. Ya no es suficiente con saber usar los programas. Integrar la tecnología de verdad  
ahora exige este conocimiento ético y crítico (AI-TPACK).  
Implicaciones Prácticas  
Quienes forman parte de las universidades tienen que actuar ya, porque esto les afecta de forma muy  
directa en la práctica. Para los gestores y administradores universitarios, la principal implicación es la  
necesidad de pasar de proyectos piloto aislados a una política institucional integral sobre IA. Es  
necesario dar cursos a los maestros para que siempre sepan usar la tecnología, tal como señalan las  
fallas encontradas por Reina Marín et al. (2025). Urge poner orden y controles institucionales. Hay que  
crear reglas para proteger la privacidad y la honestidad frente a la IA, porque preparar a los profesores  
es mucho más importante que simplemente comprar tecnología.  
El profesor será mucho más necesario que antes si logra adaptarse a estos cambios. En lugar de  
sorprenderse negativamente por si lo reemplazan, debe aprender a usar la IA para corregir tareas rápido  
y así tener tiempo para hablar con los alumnos y ayudarlos en lo personal. Básicamente, se trata de  
saber manejar la tecnología y saber qué pedirle para sus clases. Por eso, lo primero que necesitan los  
docentes es formarse para diseñar sus lecciones usando inteligencia artificial.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3267.  
Cualquier profesional necesita hoy saber usar bien la inteligencia artificial porque el mercado laboral  
ya la pide en todas partes. Tal como pasó antes con la informática básica, los encargados de armar  
las carreras deben incluir ahora el manejo de la IA como algo fundamental en todos los planes de  
estudio.  
Limitaciones  
A pesar del esfuerzo por realizar una revisión sistemática exhaustiva y rigurosa, es importante  
reconocer las limitaciones inherentes al diseño metodológico y al estado actual del campo de estudio,  
las cuales deben ser consideradas al interpretar los hallazgos presentados.  
En primer lugar, una limitación fundamental se relaciona con el horizonte temporal de la muestra  
documental. La investigación se centró deliberadamente en publicaciones extremadamente recientes  
(2023-2026) para capturar el impacto de la última generación de inteligencias artificiales generativas.  
Si bien esto garantiza una máxima actualidad, excluye estudios longitudinales más antiguos que  
podrían ofrecer una perspectiva de mayor plazo sobre la adopción de tecnologías de IA previas (como  
los sistemas tutores inteligentes de primera generación). Por lo tanto, las conclusiones reflejan un  
"retrato" del momento actual, pero la evolución a largo plazo del fenómeno requerirá futuras  
investigaciones.  
En segundo lugar, aunque se realizó un esfuerzo por incluir literatura de diversas regiones geográficas,  
existe un posible sesgo en la representatividad de las fuentes. La mayoría de las revisiones  
sistemáticas de alto impacto analizadas (ej. Long et al., 2026; Bond et al., 2024) tienden a concentrar  
estudios de contextos anglosajones, europeos y asiáticos. Si bien se balancea la muestra con estudios  
empíricos de América Latina, la evidencia específica sobre los desafíos de implementación en países  
con menor infraestructura tecnológica  
subrepresentada.  
o
contextos socioculturales distintos podría estar  
Finalmente, al ser una revisión de literatura, el estudio se basa en datos secundarios. Esto significa que  
la investigación depende de la calidad, el rigor metodológico y la transparencia de los estudios  
primarios seleccionados. No se tuvo control sobre el diseño original de los instrumentos de recolección  
de datos (encuestas, experimentos) ni sobre la ejecución de los mismos. No revisamos los datos  
originales de cada estudio en busca de sesgos, sino que solo analizamos lo que ya estaba publicado.  
Por eso, si esos artículos iniciales tenían algún error o fallo, esos problemas se terminan notando en  
las conclusiones finales de este trabajo.  
CONCLUSIÓN  
Se ha descubierto que la forma de enseñar en la universidad está cambiando de muchas maneras  
gracias a la inteligencia artificial. Todo esto se logró al revisar y analizar a fondo los estudios científicos  
que existen sobre el tema. A partir de la síntesis e interpretación de los hallazgos, se extraen las  
siguientes conclusiones fundamentales:  
Se ha comprobado que la inteligencia artificial, sobre todo con los sistemas que se adaptan al alumno,  
es muy buena para enseñar de forma personalizada a muchísima gente al mismo tiempo. Por eso, esta  
es la primera conclusión del estudio. La evidencia empírica demuestra de manera consistente que su  
integración en la didáctica universitaria no solo mejora significativamente el rendimiento académico y  
las tasas de retención estudiantil, sino que también fomenta un mayor compromiso y autonomía, al  
adaptar los contenidos y ritmos a las necesidades individuales de cada alumno.  
Lo que hace un profesor en la universidad está cambiando por completo debido a la IA; esta es la  
segunda conclusión del estudio. El profesor ahora puede enfocarse en motivar a sus alumnos y  
enseñarles a pensar, ya que la tecnología se encarga del papeleo y de las tareas aburridas. Por eso, en  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3268.  
lugar de ser una amenaza que busca quitar empleos, el sistema funciona como un ayudante que le da  
más tiempo al maestro para lo que de verdad importa. De este modo, para que este cambio funcione,  
lo que observamos es que el uso de la tecnología debe ser aprendido por todos de forma obligatoria;  
es decir, se requiere que la capacitación no sea abandonada, o al menos eso parece ser según vemos.  
El estudio termina señalando en tercer lugar que usar la inteligencia artificial trae retos muy  
importantes en cuanto a la ética y la organización. Por eso, no todo son beneficios, sino que hay  
problemas serios que resolver. Las universidades deben crear reglas claras para solucionar problemas  
como el robo de datos, la falta de internet y los errores de los programas. Usar la IA de forma justa y  
humana es lo más importante, no solo que la tecnología funcione. Para arreglar los problemas graves  
que existen, las instituciones tienen que crear planes adecuados. El verdadero valor de la IA está en  
preparar a los alumnos para un futuro donde trabajarán junto a las máquinas, mejorando el trato  
humano y la enseñanza a medida. Para que esto tenga éxito en la universidad, no basta con la  
tecnología sola; necesitamos un plan de clases que le diga exactamente qué hacer.  
RECOMENDACIONES  
A partir de la interpretación de los hallazgos y el reconocimiento de las limitaciones de este estudio, se  
proponen varias líneas de investigación futuras que podrían profundizar y ampliar la comprensión  
sobre el impacto de la inteligencia artificial en la educación superior. Estas recomendaciones buscan  
abordar las brechas de conocimiento identificadas y orientar los esfuerzos de la comunidad científica  
hacia los aspectos más críticos y emergentes del fenómeno.  
En primer lugar, se recomienda el desarrollo de estudios longitudinales y comparativos. La mayoría de  
la literatura actual se centra en mediciones de corto plazo (un semestre o un año académico).  
Investigaciones que sigan a cohortes de estudiantes a lo largo de toda su carrera universitaria  
permitirían evaluar si los beneficios en el rendimiento y el compromiso se sostienen en el tiempo o si  
son producto de un "efecto novedad". Asimismo, estudios comparativos entre distintas disciplinas (ej.  
Artes y Humanidades vs. Ingenierías) podrían revelar cómo el tipo de conocimiento y las competencias  
a desarrollar modulan la efectividad de las diferentes herramientas de IA.  
Una segunda línea de investigación crucial es el análisis del impacto de la IA en la equidad educativa.  
Si bien varios autores sugieren que la personalización puede reducir brechas, también existe el riesgo  
de que las amplifica. Es obligatorio hacer estudios que analicen cómo el dinero, el internet en casa y lo  
que ya saben los alumnos afectan el uso de esta tecnología, especialmente en los grupos con menos  
recursos. Si queremos entender a fondo este problema, hay que investigar mezclando varias formas  
de recoger información. El objetivo sería identificar qué políticas institucionales son necesarias para  
garantizar que la IA se convierta en un ecualizador y no en un multiplicador de la desigualdad.  
En tercer lugar, se sugiere un mayor enfoque en la perspectiva docente. Para que las capacitaciones  
docentes funcionen, tenemos que entender primero qué hace que un profesor acepte o rechace la  
tecnología. Es necesario investigar de cerca cómo es su realidad y sus problemas con la IA en el aula,  
en lugar de mirar tanto a los estudiantes como se hace casi siempre.  
Como cierre, podemos decir que una línea de investigación emergente y de vital importancia es  
el desarrollo y validación de instrumentos para medir la "alfabetización en IA". Actualmente, este es un  
concepto ampliamente discutido, pero escasamente operacionalizado. Diseñar y validar escalas o  
rúbricas que permitan evaluar de manera fiable las competencias críticas, éticas y técnicas de  
estudiantes y docentes en el uso de IA proporciona a las universidades una herramienta diagnóstica  
fundamental para orientar sus planes de estudio y sus programas de capacitación.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3269.  
REFERENCIAS  
Alcívar Loor, M. G. (2026). Estrategia didáctica para el uso de inteligencia artificial en la enseñanza de  
los  
estudiantes  
de  
básica  
superior.  
Manabi,  
Ecuador.  
Obtenido  
de  
Aldape-Valdes, P., Rincon-Flores, E. G., Castano, L., & Guerrero, S. (2026). Nivelación inteligente:  
estrategia de aprendizaje adaptativo con IA en educación superior. RIED-Revista Iberoamericana de  
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., . . . Siemens, G. (2024). A meta  
systematic review of artificial intelligence in higher education: a call for increased ethics, collaboration,  
and rigour. International Journal of Educational Technology in Higher Education, 21, Articulo 4.  
Borja López, Y. A., Gutiérrez Constante, G. F., Zapata Achig, V. H., & Salinas Montemayor, A. D. (2025).  
Hacia una enseñanza más Adaptativa y Eficiente en la educación superior: el impacto de la inteligencia  
artificial en la transformación de las estrategias docentes y el aprendizaje personalizado. Reincisol,  
Chang, D. H., Lin, M. P.-C., Hajian, S., & Wang, Q. Q. (2023). Educational Design Principles of Using AI  
Chatbot That Supports Self-Regulated Learning in Education: Goal Setting, Feedback, and  
Chulde Cabrera, S. V., Beltrán Arcos, M. T., Chazi Nacimba, F. G., Lopez Espinoza, K. L., & Rodriguez  
Cabrera, V. D. (2024). Innovando la Didáctica en la Educación Superior: Estrategias para Mejorar el  
Proceso de Enseñanza-Aprendizaje. Vitalia Revista Científica  
y
Académica, 4(4), 107-134.  
Corona Ramírez, V. P., Santana Valadez, L. A., González Marrón, D., Gómez Reyes, D. J., & Juárez  
Alcántara, F. J. (2024). Impacto de la Inteligencia Artificial como estrategia didáctica innovadora en la  
educación superior en el Tecnológico Nacional de México: Un análisis de caso. International Journal of  
Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: the state of the field.  
International Journal of Educational Technology in Higher Education, 20(22), 22. doi:10.1186/s41239-  
023-00392-8  
De La Cruz Medina, S. (2024). Empleo de la inteligencia artificial para la personalización de la  
experiencia de aprendizaje en instituciones de Educación Superior. LATAM Revista Latinoamericana  
de Ciencias Sociales y Humanidades, 5(5), 20452056. doi: https://doi.org/10.56712/latam.v5i5.2760  
Lan, M., & Zhou, X. (2025). A qualitative systematic review on AI empowered self-regulated learning in  
higher education. npj Science of Learning, 10(21), Artículo 22. doi:10.1038/s41539-025-00319-0  
Liang, J., Stephens, J., & Brown, G. (2025). A systematic review of the early impact of artificial  
intelligence on higher education curriculum, instruction, and assessment. Frontiers in Education, 10,  
1522841. doi:10.3389/feduc.2025.1522841  
Long, D. Y., Wang, S., Md Rashid, S., & Lu, X. T. (2026). Artificial intelligence in higher education: a  
systematic review of its impact on student engagement and the mediating role of teaching methods.  
Frontiers in Education, 10, Artículo 1648661. doi:10.3389/feduc.2025.1648661  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3270.  
Mucha Hospinal, L. F., Verástegui Velásquez, G. S., Vásquez Ramírez, M. R., Obregón Pomayay, Y. M.,  
Calderón, S. S., & Ruiz Espinoza, J. E. (2025). Inteligencia artificial para el desarrollo de competencias  
del aprendizaje basado en productos en estudiantes de educación superior. International Journal of  
Professional  
Business  
Review,  
10(5),  
01-23.  
Naseer, F., Khan, M. N., Addas, A., Awais, Q., & Ayub, N. (2025). Game Mechanics and Artificial  
Intelligence Personalization: A Framework for Adaptive Learning Systems. Education Sciences, 15(3),  
Parise, A. R., Humberstone Morales, J. E., Ibáñez, M. A., Picardo Joao, O., & Cuchillac, V. M. (2025).  
Integración de la inteligencia artificial y la educación superior: nuevas dimensiones en la experiencia  
universitaria. Realidad y Reflexión, 1(61), 138-165. doi:10.5377/ryr.v1i61.20713  
Parra Encinas, K. L., Osuna García, J. C., Castellanos Ramírez, J. C., & López Espinosa, J. R. (2026).  
Universidad, docencia y transformación digital. Debates contemporáneos en la era de la inteligencia  
artificial.  
México:  
Universidad  
Autónoma  
de  
Baja  
California.  
Obtenido  
de  
41/publication/403809523_Universidad_docencia_y_transformacion_digital_Debates_contemporaneo  
s_en_la_era_de_la_inteligencia_artificial/links/69de4f7bb1056332819c3ac4/Universidad-docencia-y-  
transformacion-d  
Reina Marín, Y., Cruz Caro, O., Carrasco Rituay, A. M., Guimac Llanos, K. A., Tarrillo Perez, D., Sánchez  
Bardales, E., . . . Chávez Santos, R. (2025). Ethical Challenges Associated with the Use of Artificial  
Intelligence in University Education. Journal of Academic Ethics, 23(4), 24432467.  
doi:10.1007/s10805-025-09660-w  
Ren, X., & Wu, M. L. (2025). Examining Teaching Competencies and Challenges While Integrating  
Artificial  
Intelligence  
in  
Higher  
Education.  
TechTrends,  
69(3),  
519538.  
Santos Mera, L. M., Solórzano Alcívar, E. A., Santos Mera, V. V., & Giler Cevallos, E. I. (2025). Estrategia  
didáctica para personalizar el aprendizaje universitario en la era digital. Revista Científica de Innovación  
Educativa y Sociedad Actual "ALCON", 5(2), 174-187. doi:10.62305/alcon.v5i2.495  
Suazo-Galdamés, I. C., & Chaple-Gil, A. M. (2025). AI-Powered Adaptive Learning Systems in Higher  
Education: A Scoping Review of Implementation and Impact on Academic Performance. Data and  
Metadata, 4, 981. doi:10.56294/dm2025981  
Tovar Ruiz, C. J., Bustamante Bajaña, J. A., Bustamante Bajaña, X. A., & Vallejo Flores, K. M. (2024). IA  
y
sus  
implicaciones  
en  
la  
educación  
superior.  
RECIAMUC,  
8(1),  
519-527.  
doi:10.26820/reciamuc/8.(1).ene.2024.519-527  
Vaca Cabrera, C. E., Álvarez Pacheco, C. M., Maldonado Zuñiga, K., Rodríguez González, A. D., & Solis  
Maldonado, M. C. (2025). Didáctica universitaria mediada por inteligencia artificial: rediseño de  
estrategias pedagógicas para la enseñanza personalizada. Sinergia Académica, 8(5), 607-624.  
Williams, R. T. (2024). The ethical implications of using generative chatbots in higher education.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3271.  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este  
sitio está disponibles bajo Licencia Creative Commons ..  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, julio, 2026, Volumen VII, Número 3 p 3272.