Implicaciones pedagógicas y desafíos emergentes
de la IA generativa en la educación básica:
una revisión sistemática
Pedagogical implications and emerging challenges of generative
AI in basic education: A systematic review
Recibido: 20/02/2026 - Aceptado: 15/05/2026
Maria Lourdes Quispilay Joyos
https://orcid.org/0009-0001-9374-1080
mquispilay69@ucvvirtual.edu.pe
Universidad César Vallejo. Lima, Perú
Resumen
El presente estudio tuvo como objetivo analizar las implicaciones pedagógicas y los desafíos emergentes
asociados al uso de la inteligencia artificial generativa en la educación básica, mediante una revisión sistemática
de la literatura científica reciente. Para ello, se adoptaron los lineamientos del modelo PRISMA 2020,
complementados con el marco SPIDER, lo que permitió estructurar de manera rigurosa el proceso de búsqueda,
selección y análisis de los estudios. La estrategia de búsqueda se realizó en la base de datos Scopus, empleando
una ecuación avanzada basada en operadores booleanos y términos clave relacionados con inteligencia artificial
generativa, educación básica y procesos de enseñanza-aprendizaje. Tras un proceso de filtrado y cribado por
criterios de inclusión y exclusión, se seleccionaron 33 estudios para su análisis en profundidad. Los resultados
permitieron identificar cinco ejes temáticos: impacto en el aprendizaje, uso de la inteligencia artificial generativa en
el aula, transformación del rol docente, percepción del estudiante e implicaciones éticas y desafíos emergentes.
En conjunto, los hallazgos evidenciaron que estas tecnologías tienen un alto potencial para personalizar el
aprendizaje, mejorar la retroalimentación y fortalecer la participación estudiantil. No obstante, también se
identificaron riesgos relacionados con la dependencia tecnológica, la superficialidad del aprendizaje y la necesidad
de establecer marcos éticos claros. Se concluye que la integración de la IA generativa en la educación básica
requiere un enfoque pedagógico equilibrado, que garantice su uso como herramienta de apoyo y promueva el
desarrollo de competencias críticas en los estudiantes.
Palabras clave: educación básica, inteligencia artificial generativa, implicaciones pedagógicas.
Abstract
This study aimed to analyze the pedagogical implications and emerging challenges associated with the use of
generative artificial intelligence in basic education through a systematic review of recent scientific literature. To this
end, the PRISMA 2020 guidelines were adopted, complemented by the SPIDER framework, which allowed for a
rigorous structuring of the search, selection, and analysis process. The search strategy was conducted in the
Scopus database, using an advanced search equation based on Boolean operators and keywords related to
generative artificial intelligence, basic education, and teaching and learning processes. After a filtering and
screening process based on inclusion and exclusion criteria, 33 studies were selected for in-depth analysis. The
results identified five thematic areas: impact on learning, use of generative artificial intelligence in the classroom,
transformation of the teacher's role, student perception, and ethical implications and emerging challenges. Taken
together, the findings demonstrated that these technologies have high potential for personalizing learning,
improving feedback, and strengthening student participation. However, risks related to technological dependence,
superficial learning, and the need to establish clear ethical frameworks were also identified. It is concluded that the
integration of generative AI into basic education requires a balanced pedagogical approach that ensures its use as
a support tool and promotes the development of critical thinking skills in students.
Keywords: basic education, generative artificial intelligence, pedagogical implications.
2
Introducción
En los últimos años, la irrupción de la inteligencia artificial (IA) generativa ha configurado un nuevo
escenario en el ámbito educativo, caracterizado por la producción automatizada de contenidos y la interacción
dinámica entre sistemas digitales y usuarios. Este tipo de tecnología, basada en modelos capaces de generar
textos, imágenes y otros recursos a partir de patrones de aprendizaje, ha trascendido su función instrumental para
posicionarse como un agente transformador en los procesos de enseñanza y aprendizaje (Ocak et al., 2026; Starr
& Wickam, 2026). En este contexto, su incorporación en la educación básica plantea tanto oportunidades como
amenazas que demandan un análisis riguroso desde una perspectiva pedagógica.
El crecimiento acelerado de estas herramientas digitales ha sido particularmente evidente a partir de la
última década, intensificándose de manera significativa en los años recientes La IA generativa no solo amplía
las posibilidades de acceso a la información, sino que también redefine las formas en que los estudiantes
interactúan con el conocimiento, promoviendo entornos de aprendizaje más personalizados, adaptativos e
interactivos (Ginige et al., 2026; Kwon et al., 2026). Sin embargo, esta evolución tecnológica también introduce
desafíos relacionados con la calidad de los contenidos generados, la dependencia tecnológica y la necesidad de
desarrollar competencias críticas en los usuarios (Anderson & Bauml, 2026).
Desde una perspectiva histórica, la integración de la inteligencia artificial en la educación no constituye un
fenómeno reciente; sus primeras aplicaciones se remontan a finales del siglo XX con el uso de programas
informáticos orientados al apoyo educativo. No obstante, la naturaleza generativa de las herramientas actuales
representa un punto de inflexión, dado que estas no solo facilitan el acceso a contenidos, sino que los producen
de manera autónoma, lo que impacta directamente en la construcción del conocimiento y en la mediación
pedagógica ejercida por el docente (Ocak et al., 2026; Starr & Wickam, 2026).
En este marco, la adopción de la IA generativa en contextos educativos ha generado un debate creciente
en torno a su influencia en el desarrollo de habilidades cognitivas, la autonomía del estudiante y la transformación
del rol docente. Por un lado, se reconoce su potencial para fomentar la motivación, facilitar la comprensión de
contenidos complejos y optimizar la planificación didáctica mediante recursos adaptativos (Ginige et al., 2026;
Kwon et al., 2026). Por otro, se advierten riesgos asociados al uso inadecuado de estas herramientas, tales como
la superficialidad en el aprendizaje, la pérdida de habilidades analíticas y la posible vulneración de principios éticos
relacionados con la autoría y la originalidad académica (Anderson & Bauml, 2026).
Asimismo, la implementación de estas tecnologías en la educación básica no se produce en condiciones
homogéneas, lo que evidencia la existencia de brechas en el acceso y en la formación digital tanto de docentes
como de estudiantes. Esta situación plantea la necesidad de desarrollar estrategias pedagógicas que permitan
una integración responsable y equitativa de la inteligencia artificial generativa, garantizando su uso como recurso
de apoyo y no como sustituto del proceso educativo (Starr & Wickam, 2026). En este sentido, el análisis de sus
implicaciones pedagógicas y desafíos emergentes resulta fundamental para comprender su verdadero alcance en
el sistema educativo. De allí que, se hace imprescindible examinar cómo estas tecnologías están siendo
incorporadas en la educación básica y cuáles son sus implicaciones en los procesos formativos.
En atención a lo expuesto, el presente estudio tiene como propósito analizar, a partir de una revisión
sistemática de la literatura reciente, las principales implicaciones pedagógicas y los desafíos emergentes
asociados al uso de la inteligencia artificial generativa en la educación básica durante el periodo 2024–2026. A
través de este enfoque, se busca identificar tendencias, problemáticas y oportunidades que contribuyan a orientar
futuras investigaciones y prácticas educativas en un contexto marcado por la acelerada transformación digital.
Metodología
El presente estudio se desarrolló mediante una revisión sistemática de la literatura científica reciente, con
el propósito de analizar las implicaciones pedagógicas y los desafíos emergentes asociados al uso de la
inteligencia artificial generativa en la educación básica. Para asegurar la transparencia, rigurosidad y
reproducibilidad del proceso, se adoptaron los lineamientos establecidos en la declaración PRISMA 2020,
ampliamente reconocida en la investigación académica para la identificación, selección y síntesis de evidencia
científica.
Asimismo, para delimitar con mayor precisión el alcance de la revisión sistemática, se empleó el marco
SPIDER, pertinente para estudios de síntesis en ciencias sociales y educación. Este modelo permitió organizar los
componentes centrales de la investigación a partir de cinco elementos: muestra, fenómeno de interés, diseño,
evaluación y tipo de investigación.
3
Tabla 1
Aplicación del marco SPIDER en la revisión sistemática
Elemento SPIDER
Descripción aplicada en el estudio
S (Sample / Muestra)
Estudios científicos enfocados en educación básica, incluyendo niveles de educación
primaria, secundaria y contexto K-12, que abordan el uso de inteligencia artificial
generativa en entornos educativos.
PI (Phenomenon of Interest /
Fenómeno de interés)
Uso de la inteligencia artificial generativa en el ámbito educativo, incluyendo herramientas
como ChatGPT, modelos de lenguaje (LLMs) y sistemas de generación automática de
contenido aplicados al proceso de enseñanza-aprendizaje.
D (Design / Diseño)
Se consideraron estudios empíricos y teóricos, incluyendo investigaciones cualitativas,
cuantitativas, mixtas, estudios experimentales, estudios de caso y revisiones sistemáticas,
siempre que estén vinculados al contexto educativo básico.
E (Evaluation / Evaluación)
Implicaciones pedagógicas, impacto en el aprendizaje, prácticas docentes, percepción
estudiantil, desarrollo de competencias, así como riesgos éticos, desafíos educativos y
efectos derivados del uso de la inteligencia artificial generativa.
R (Research Type / Tipo de
investigación)
Artículos científicos publicados en revistas indexadas, en idioma inglés o español, con
acceso abierto, correspondientes al periodo 2024–2026, pertenecientes principalmente al
área de ciencias sociales.
Nota. El marco SPIDER permitió estructurar de manera sistemática los criterios de búsqueda,
selección y análisis de los estudios incluidos, asegurando coherencia entre la pregunta de investigación,
los objetivos planteados y el proceso metodológico desarrollado
Vale acotar que, la estrategia de búsqueda avanzada se llevó a cabo en la base de datos Scopus,
seleccionada por su cobertura de revistas indexadas de alto impacto en los campos de la educación y la tecnología.
Para ello, se diseñó una ecuación de búsqueda avanzada empleando operadores booleanos y términos
controlados en idioma inglés, estructurados en torno a cuatro dimensiones conceptuales: inteligencia artificial
generativa, contexto educativo, procesos de enseñanza-aprendizaje e implicaciones derivadas de su uso:
TITLE-ABS-KEY( ( "generative artificial intelligence" OR "GenAI" OR "AI-generated content" OR "large language
models" OR "LLMs" OR "ChatGPT" OR "generative AI tools" ) AND ( "basic education" OR "primary education" OR
"elementary education" OR "secondary education" OR "school education" OR "K-12 education" ) AND ( "learning"
OR "teaching" OR "pedagogy" OR "educational practices" OR "instruction" OR "classroom" OR "education" ) AND
( "challenges" OR "implications" OR "impact" OR "effects" OR "ethical issues" OR "ethics" OR "opportunities" OR
"risks" ) ) AND PUBYEAR > 2022 AND (LIMIT-TO (DOCTYPE, "ar")) AND (LIMIT-TO (LANGUAGE, "English") OR
LIMIT-TO (LANGUAGE, "Spanish"))
En relación con los criterios de inclusión, se consideraron artículos científicos publicados entre los años
2024 y 2026, en idioma inglés o español, pertenecientes al área de ciencias sociales y con acceso abierto, lo cual
permitió garantizar la disponibilidad completa de los documentos para su análisis.
Tabla 2
Criterios de inclusión y exclusión de los estudios seleccionados
Criterios de inclusión
Criterios de exclusión
Artículos científicos publicados entre los años 2024 y 2026
Estudios publicados fuera del rango temporal establecido
Investigaciones en idioma inglés o español
Estudios en idiomas distintos al inglés o español
4
Estudios indexados en bases de datos académicas
(Scopus)
Documentos no indexados o de baja rigurosidad académica
Artículos con acceso abierto (Open Access)
Estudios con acceso restringido o sin disponibilidad de texto
completo
Investigaciones centradas en educación básica (primaria,
secundaria o K-12)
Estudios enfocados exclusivamente en educación superior o
contextos no escolares
Estudios que abordan explícitamente la inteligencia
artificial generativa (ChatGPT, LLMs, etc.)
Investigaciones que abordan inteligencia artificial de forma
general sin enfoque generativo
Investigaciones con enfoque educativo o pedagógico
Estudios técnicos (ingeniería, salud, programación) sin
aplicación educativa
Estudios que analizan implicaciones pedagógicas, impacto
en el aprendizaje o desafíos éticos
Investigaciones sin relación con procesos de enseñanza-
aprendizaje o sin análisis de implicaciones
Nota. Los criterios establecidos permitieron delimitar de manera rigurosa el corpus de análisis,
asegurando la pertinencia temática y metodológica de los estudios seleccionados
El proceso de selección de los estudios se desarrolló en varias etapas. En la fase de identificación, se
recuperaron inicialmente 143 registros. Posteriormente, tras la aplicación de filtros relacionados con el periodo de
publicación, área temática, tipo de documento, idioma y acceso abierto, el número de estudios se redujo a 64
artículos potencialmente pertinentes. En la fase de cribado, se realizó una revisión de títulos y resúmenes con el
fin de verificar la alineación temática de los estudios con los objetivos de la investigación. Como resultado, se
excluyeron 30 artículos que no cumplían con los criterios establecidos, principalmente por no centrarse en
educación básica o por carecer de un enfoque específico en IA generativa.
Finalmente, se seleccionaron 33 estudios para su análisis en profundidad, los cuales constituyen la base
de la presente revisión sistemática. La información relevante fue organizada mediante una matriz de extracción de
datos que incluyó variables como autor, año de publicación, objetivo del estudio, metodología empleada y
principales hallazgos. Posteriormente, los estudios fueron agrupados en cinco ejes temáticos: impacto en el
aprendizaje, uso de la inteligencia artificial generativa en el aula, rol docente, percepción del estudiante e
implicaciones éticas y desafíos emergentes. Esta categorización permitió estructurar de manera coherente la
síntesis de resultados y facilitar su interpretación.
5
Figura 1
Diagrama de flujo PRISMA
Nota. El diagrama de flujo se elaboró siguiendo las directrices PRISMA 2020 (Page et al., 2021), con el propósito de
garantizar la transparencia y la trazabilidad en el proceso de selección de estudios. Se incluyeron registros recuperados de la
base de datos Scopus, aplicando criterios de inclusión y exclusión relacionados con el periodo de publicación (2024–2026), el
enfoque en educación básica y la pertinencia respecto a la inteligencia artificial generativa
En conjunto, el procedimiento metodológico adoptado permitió desarrollar una revisión sistemática rigurosa
y estructurada, orientada a proporcionar una visión integral y actualizada sobre la aplicación de la inteligencia
artificial generativa en la educación básica, garantizando la validez y consistencia de los hallazgos obtenidos.
Resultados y discusión
A partir del análisis sistemático de los estudios seleccionados, fue posible identificar cinco ejes temáticos
que estructuran la comprensión del uso de la inteligencia artificial generativa en la educación básica. Estos ejes
IDENTIFICACIÓN DE ESTUDIOS A TRAVÉS DE BASES DE DATOS Y ARCHIVOS
Registros eliminados antes del cribado = 0
Registros eliminados por otros motivos
(filtros aplicados):
79
Identificación
Registros identificados desde:
Base de datos: 144
Registros cribados: 64
Inc
lui
do
s
Publicaciones buscadas para
su recuperación: 64
Nuevos estudios incluidos en la
revisión: 33
Publicaciones no recuperadas: 0
Registros excluidos:
Falta de enfoque en educación básica: 14
Ausencia de aplicación específica de IA
generativa: 10
Desalineación con los objetivos del estudio: 7
Publicaciones evaluadas para
elegibilidad: 64
Total de estudios incluidos
en la revisión: 33
6
corresponden a: el impacto en el aprendizaje, el uso de la inteligencia artificial generativa en el aula, la
transformación del rol docente, la percepción y experiencia del estudiante, y las implicaciones éticas junto con los
desafíos emergentes. Esta categorización permitió organizar de manera coherente la evidencia empírica,
facilitando la interpretación de los hallazgos desde una perspectiva integral. Asimismo, dichos ejes no deben
entenderse como dimensiones aisladas, sino como componentes interrelacionados que, en conjunto, configuran
el escenario actual de integración de la inteligencia artificial generativa en los procesos educativos.
1. Impacto de la inteligencia artificial generativa en el aprendizaje
Los estudios analizados evidencian que la incorporación de la inteligencia artificial generativa en la
educación básica ha generado transformaciones significativas en los procesos de aprendizaje, particularmente en
el desarrollo de habilidades cognitivas y metacognitivas. Diversas investigaciones reportan mejoras en la
comprensión lectora, la retención de información y la autorregulación del aprendizaje cuando los estudiantes
interactúan con sistemas basados en modelos de lenguaje avanzados. En este sentido, Kong et al. (2024), Fütterer
et al. (2026) y Kreijkes et al. (2026) destacan que el uso de herramientas generativas favorece la organización del
conocimiento y la optimización de estrategias de estudio, especialmente en contextos guiados por el docente.
Asimismo, estudios como los de Meyer (2024) y Deng (2025) señalan que la retroalimentación
automatizada generada por sistemas de IA contribuye a incrementar la motivación y el compromiso del estudiante,
facilitando procesos de revisión y mejora continua. Sin embargo, esta mejora no se presenta de manera
homogénea, ya que autores como Wu & Zhang (2025) y Huamani-Anco (2025) advierten que el impacto positivo
depende en gran medida del nivel de acompañamiento pedagógico y del tipo de actividad propuesta. En esa misma
línea, Choi (2025) y Tai (2024) enfatizan que el uso no regulado de estas herramientas puede generar dependencia
tecnológica, afectando la autonomía cognitiva si no se integra adecuadamente dentro del proceso educativo.
2. Uso de la inteligencia artificial generativa en el aula y prácticas educativas
El análisis de los estudios revela una creciente incorporación de herramientas de inteligencia artificial
generativa en las dinámicas de aula, particularmente a través del uso de ChatGPT y otros sistemas de generación
de contenido. Investigaciones como las de Pardede (2026) y Gupta (2025) evidencian que estas tecnologías están
siendo utilizadas como apoyo en actividades de escritura, resolución de problemas y generación de ideas, lo que
permite diversificar las estrategias didácticas y enriquecer la experiencia de aprendizaje.
De igual manera, Callado (2025) y García Castro et al. (2024) destacan que el uso de inteligencia artificial
en el aula favorece la participación activa del estudiante, al ofrecer respuestas inmediatas y adaptadas a sus
necesidades. Sin embargo, Ugras (2024) y Santos (2025) advierten que la integración de estas herramientas aún
se encuentra en una fase exploratoria, caracterizada por la falta de lineamientos pedagógicos claros. En este
contexto, Alghasab (2025) señala que el potencial de la inteligencia artificial generativa en el aula depende no solo
de su disponibilidad, sino de su adecuada mediación pedagógica.
3. Rol docente y transformación de las prácticas pedagógicas
La implementación de la inteligencia artificial generativa ha implicado una reconfiguración del rol del
docente, quien pasa de ser un transmisor de información a un facilitador del aprendizaje mediado por tecnología.
Estudios como los de Cheah (2025) y Filiz (2025) evidencian que los docentes enfrentan desafíos relacionados
con la integración efectiva de estas herramientas en su práctica pedagógica, especialmente en lo referente a la
planificación didáctica y el diseño de actividades significativas.
Por su parte, Kim (2025) y Zammit (2025) señalan que la adopción de inteligencia artificial generativa
requiere el desarrollo de competencias digitales específicas, así como una comprensión crítica de sus alcances y
limitaciones. En esa línea, Kamaghe (2026) y Tang (2026) destacan que los docentes que logran integrar estas
tecnologías de manera efectiva tienden a promover entornos de aprendizaje más personalizados y adaptativos.
No obstante, persisten brechas en la formación docente que limitan su implementación sistemática en contextos
educativos.
4. Percepción, experiencia y comportamiento del estudiante
Los estudios revisados muestran que la percepción de los estudiantes frente al uso de inteligencia artificial
generativa es mayoritariamente positiva, especialmente en términos de facilidad de uso, utilidad percibida y apoyo
en tareas académicas. Investigaciones como las de Sorhaug (2026) y Brynildsen (2026) evidencian que los
estudiantes valoran la capacidad de estas herramientas para ofrecer asistencia inmediata y personalizada, lo que
incrementa su motivación y confianza en el aprendizaje.
7
Asimismo, Du & Lv (2024) y Consoli (2025) destacan que la aceptación de la inteligencia artificial
generativa está influenciada por factores como la familiaridad tecnológica, la percepción de utilidad y el contexto
educativo. Sin embargo, también se identifican comportamientos problemáticos, como el uso excesivo de estas
herramientas para la resolución automática de tareas, lo que podría afectar el desarrollo de habilidades críticas si
no se establecen mecanismos de regulación adecuados.
5. Implicaciones éticas, riesgos y desafíos emergentes
Uno de los aspectos más relevantes identificados en la revisión corresponde a las implicaciones éticas y
los desafíos asociados al uso de la inteligencia artificial generativa en la educación básica. Estudios como los de
Bower (2025) y Ofosu-Asare (2025) destacan la necesidad de establecer marcos normativos que regulen el uso
de estas tecnologías, especialmente en lo relacionado con la autoría, la originalidad y el uso responsable de la
información.
En la misma línea, Al-Eidan & Almisad (2025) y Chiu (2024) advierten sobre los riesgos asociados a la
desinformación, el sesgo algorítmico y la posible pérdida de habilidades cognitivas en los estudiantes. Por su parte,
Dimeli & Kostas (2025), Marzano et al. (2026) y Fock & Siller (2025) coinciden en que la integración de la
inteligencia artificial generativa en la educación requiere un enfoque equilibrado, que combine innovación
tecnológica con principios pedagógicos sólidos y consideraciones éticas claras.
En síntesis, los resultados evidencian que la inteligencia artificial generativa se posiciona como un recurso
con alto potencial transformador en la educación básica, aunque su implementación efectiva depende de múltiples
factores pedagógicos, tecnológicos y éticos. Si bien se identifican beneficios significativos en términos de
personalización del aprendizaje, motivación estudiantil y apoyo a la labor docente, también emergen desafíos
relacionados con el uso responsable, la dependencia tecnológica y la necesidad de fortalecer competencias
críticas tanto en docentes como en estudiantes. En este sentido, la integración de estas herramientas exige un
enfoque equilibrado que combine innovación con criterios pedagógicos sólidos, garantizando que su uso
contribuya al desarrollo integral del aprendizaje y no a su simplificación. Estos hallazgos permiten no solo
comprender el estado actual del campo, sino también orientar futuras investigaciones y prácticas educativas en un
contexto marcado por la acelerada transformación digital.
Conclusiones
El presente estudio permitió analizar de manera sistemática las implicaciones pedagógicas y los desafíos
emergentes asociados al uso de la inteligencia artificial generativa en la educación básica, evidenciando que su
incorporación está transformando progresivamente los procesos de enseñanza y aprendizaje. A partir de la revisión
de la literatura reciente, se constató que estas herramientas poseen un alto potencial para favorecer la
personalización del aprendizaje, optimizar la retroalimentación y fortalecer la participación activa del estudiante,
siempre que su uso esté mediado por estrategias pedagógicas adecuadas.
En relación con los hallazgos, se identificó que el impacto de la inteligencia artificial generativa en el
aprendizaje no es homogéneo, sino que depende de factores como el nivel de acompañamiento docente, el diseño
de las actividades y el contexto educativo en el que se implementa. Asimismo, se evidenció que su integración en
el aula ha promovido nuevas formas de interacción con el conocimiento, aunque aún se encuentra en una fase de
adopción progresiva, caracterizada por la exploración y la falta de lineamientos pedagógicos consolidados.
Otro aspecto relevante corresponde a la transformación del rol docente, que exige el desarrollo de
competencias digitales y una comprensión crítica del uso de estas tecnologías. En este sentido, el profesorado se
posiciona como un agente clave en la mediación pedagógica, siendo responsable de orientar el uso de la
inteligencia artificial generativa hacia fines formativos y no meramente instrumentales. De igual manera, se observó
que los estudiantes muestran una actitud favorable hacia estas herramientas, valorando su utilidad y accesibilidad,
aunque también se identifican riesgos asociados al uso excesivo y a la posible disminución de habilidades
analíticas.
Desde una perspectiva ética, los resultados ponen de manifiesto la necesidad de establecer marcos
normativos y orientaciones claras que regulen el uso de la inteligencia artificial generativa en contextos educativos.
Aspectos como la autoría, la originalidad académica, la veracidad de la información y el desarrollo de pensamiento
crítico emergen como desafíos centrales que deben ser abordados de manera integral por las instituciones
educativas.
En términos de aporte, esta revisión sistemática ofrece una visión actualizada y estructurada del estado
del conocimiento sobre la inteligencia artificial generativa en la educación básica, contribuyendo a la comprensión
8
de sus principales aplicaciones, beneficios y limitaciones. Asimismo, proporciona una base teórica y empírica que
puede orientar la toma de decisiones pedagógicas y el diseño de políticas educativas en contextos de
transformación digital.
Finalmente, se reconoce la necesidad de continuar investigando este campo emergente, especialmente a
través de estudios empíricos que evalúen el impacto a largo plazo de la inteligencia artificial generativa en el
aprendizaje, así como investigaciones que profundicen en su integración curricular y en el desarrollo de modelos
pedagógicos sostenibles. De este modo, será posible avanzar hacia una incorporación más crítica, ética y efectiva
de estas tecnologías en la educación básica.
Referencias
Al-Eidan, A., & Almisad, B. (2025). Risks of generative AI in education. Eurasia Journal of Mathematics, Science
and Technology Education, 21(12), em2742. https://doi.org/10.29333/ejmste/17435
Alghasab, M. (2025). AI tools in EFL secondary education writing skills. Cogent Education, 12(1), 2505304.
https://doi.org/10.1080/2331186X.2025.2505304
Anderson, S., & Bauml, M. (2026). “Just be careful”: Exploring middle school students’ views about generative AI.
RMLE Online, 49(1), 1–19. https://doi.org/10.1080/19404476.2025.2596551
Bower, M., Henderson, M., Slade, C., Gulson, K., & Lodge, J. (2025). Generative AI challenges identified by
policymakers. Australian Educational Researcher, 52(3). https://doi.org/10.1007/s13384-025-00801-z
Brynildsen, S. (2026). Exploring upper secondary students’ chatbot-mediated writing practices. Frontiers in
Education, 11, 1767132. https://doi.org/10.3389/feduc.2026.1767132
Callado, A., Saude, I., & Araujo, J. (2025). Secondary school students’ perceptions of ChatGPT. Contemporary
Educational Technology, 17(4), ep610. https://doi.org/10.30935/cedtech/17516
Cheah, Y. H., Lu, J., & Kim, J. (2025). Integrating generative artificial intelligence in K-12 education. Computers and
Education: Artificial Intelligence, 8, 100363. https://doi.org/10.1016/j.caeai.2025.100363
Chiu, T. K. F. (2024). Impact of generative AI on education. Interactive Learning Environments, 32(10).
https://doi.org/10.1016/j.caeo.2024.100171
Choi, Y. (2025). Scientific validity of ChatGPT responses in elementary science. Sustainability, 17(7), 2962.
https://doi.org/10.3390/su17072962
Consoli, T., & Petko, D. (2025). Which educational approaches predict students’ generative AI confidence and
responsibility? Computers and Education: Artificial Intelligence, 9, 100431.
https://doi.org/10.1016/j.caeai.2025.100431
Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance learning? Computers & Education,
227, 105224. https://doi.org/10.1016/j.compedu.2024.105224
Dimeli, M., & Kostas, A. (2025). The role of ChatGPT in education: Applications, challenges, and insights from a
systematic review. Journal of Information Technology Education: Research, 24, 1–18.
https://doi.org/10.28945/5422
Du, L., & Lv, B. (2024). Factors influencing students’ acceptance and use of generative artificial intelligence in
elementary education: An expansion of the UTAUT model. Education and Information Technologies, 29,
24715–24734. https://doi.org/10.1007/s10639-024-12835-4
Elmourad, T., Hadjiphanis, L., Christofi, K., Chourides, P., & Kythreotis, A. (2026). AI adoption in K–12 education: A
model of skills transformation, productivity, and institutional readiness. Education Sciences, 16(2), 337.
https://doi.org/10.3390/educsci16020337
Feng, H., Wang, Y., Wang, Y., & Fu, Z. (2026). Implementation of AI tools to improve English writing skills in
secondary schools. Sustainable Social Development, 3(6), 8463. https://doi.org/10.54517/ssd8463
Filiz, O., Kaya, M. H., & Adiguzel, T. (2025). Teachers and AI: Factors influencing AI integration. Education and
Information Technologies, 30(13). https://doi.org/10.1007/s10639-025-13463-2
Fock, A., & Siller, H. S. (2025). Generative artificial intelligence in secondary STEM education in the light of human
flourishing: A scoping literature review. International Journal of STEM Education, 12, 67.
https://doi.org/10.1186/s40594-025-00589-5
Fütterer, T., Bardach, L., Kuhn, J., Keller, S., & Gerjets, P. (2026). Enhancing school students’ self-regulated learning
through generative AI support: A randomized controlled trial. Educational Psychology Review, 38(1), 42.
https://doi.org/10.1007/s10648-026-10133-8
9
Garcia Castro, R., Mayta Cachicatari, N., Bartesaghi Aste, W., & Llapa Medina, M. (2024). Exploration of ChatGPT
in basic education. Contemporary Educational Technology, 16(3), ep511.
https://doi.org/10.30935/cedtech/14615
Ginige, J. A., Rana, K., Tague, R., Lum, B., Foxwell, H., & Ienna, M. (2026). An Australian cross-sectional study
exploring the potential role of generative AI in high school computer programming education. Computer
Science Education. https://doi.org/10.1080/08993408.2026.2621720
Gupta, S., Mehta, V., Kam, R., Ehmann, C., Orgad, A., Kuang, E., Castro Barrantes, A., Posada, M., Shah, S.,
Prasad, N., Pai, T., Ho, E., Xi, S., Zhou, T., Li, E., Wan, S., Paranjape, S., Dearling, Z., Peng, S. G., Kaveti,
A., Lowrance, G., Xie, A. Z., Xu, M., Hariram, A., & Muse, A. (2025). A teacher, a tutor, a friend: ChatGPT
and the high school experience. The Qualitative Report, 30(5), 3686–3719. https://doi.org/10.46743/2160-
3715/2025.7324
Huamani-Anco, Y., & Maraza-Quispe, B. (2025). Impact of ChatGPT on research skills in secondary education.
International Journal of Information and Education Technology, 15(1).
https://doi.org/10.18178/ijiet.2025.15.1.2218
Kamaghe, J. (2026). Generative AI as a partner for teachers in building personalised learning paths. Research in
Learning Technology, 34. https://doi.org/10.25304/rlt.v34.3594
Kim, J. (2025). Perceptions and preparedness of K-12 educators. Research in Learning Technology, 33.
https://doi.org/10.25304/rlt.v33.3448
Kong, S. C., Yang, Y., & Hou, C. (2024). Examining teachers’ behavioural intention of using generative artificial
intelligence tools for teaching and learning based on the extended technology acceptance model.
Computers and Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2024.100328
Kreijkes, P., Kewenig, V., Kuvalja, M., Tankelevitch, L., & Oates, T. (2026). Effects of LLM use and note‑taking on
reading comprehension and memory: A randomised experiment in secondary schools. Computers &
Education, 243, 105514. https://doi.org/10.1016/j.compedu.2025.105514
Kwon, K., Yang, S., Kale, U., & Park, J. (2026). Generative AI in a high school English career preparation unit:
Student interactions, perceptions, and ethical concerns. Computers and Education: Artificial Intelligence.
https://doi.org/10.1016/j.caeai.2026.100588
Marzano, D., Maniglio, R., Senese, A., & Diolaiuti, G. (2026). Generative artificial intelligence in education: Models,
frameworks, and curriculum proposals. Curriculum Journal. https://doi.org/10.1002/curj.70034
Meyer, J., Jansen, T., Schiller, R., Horbach, A., & Fleckenstein, J. (2024). AI‑generated feedback in secondary
education. Computers and Education: Artificial Intelligence, 6, 100199.
https://doi.org/10.1016/j.caeai.2023.100199
Ocak, C., Kopcha, T. J., Hodges, C. B., Sadik, O., & Ozogul, G. (2026). How artificial intelligence will reshape
education: Conversations with the educational technology community. TechTrends, 70, 330–345.
https://doi.org/10.1007/s11528-025-01149-y
Ofosu‑Asare, Y. (2025). Ethical framework for generative AI use in education. International Journal of Information
and Learning Technology. https://doi.org/10.1108/IJILT-06-2024-0113
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J.
M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T.,
Loder, E. W., Mayo‑Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement: An
updated guideline for reporting systematic reviews. Revista Española de Cardiología, 74(9), 790–799.
https://doi.org/10.1016/j.recesp.2021.06.016
Pardede, S., Simamora, S., & Sinaga, D. (2026). ChatGPT in secondary education: A multi‑theoretical case study
from a developing country. Education as Change, 30, 20308. https://doi.org/10.25159/1947-9417/20308
Santos, M., Lozano, A., & Fontao, C. (2025). Influence of ChatGPT in secondary education. Journal of Technology
and Science Education, 15(2). https://doi.org/10.3926/jotse.3190
Sorhaug, J. O. (2026). Prompting for scaffolding: A thematic analysis of K‑12 students’ use of educational chatbots.
Journal of Writing Research, 17(3). https://doi.org/10.17239/jowr-2026.17.03.04
Starr, L. J., & Wickam, M. J. (2026). Understanding secondary educators’ readiness and pedagogical content
knowledge for artificial intelligence integration. TechTrends, 70, 391–397. https://doi.org/10.1007/s11528-
025-01151-4
Tai, T.-Y., & Chen, H. H.-J. (2024). Improving elementary EFL speaking skills with generative AI chatbots: Exploring
individual and paired interactions. Computers & Education, 220, 105112.
https://doi.org/10.1016/j.compedu.2024.105112
10
Tang, D., Ding, R., He, M., Wang, Y., & Cheng, K. (2026). Intelligent teaching design assistant for primary
mathematics: A large language model‑driven framework with retrieval‑augmented generation and
problem‑chain pedagogy. International Electronic Journal of Mathematics Education, 21(1), em0862.
https://doi.org/10.29333/iejme/17447
Tierens, T., Decuypere, M., Hartong, S., & Alirezabeigi, S. (2025). Schooling the artificially intelligent writer.
Postdigital Science and Education, 7(4). https://doi.org/10.1007/s42438-025-00585-6
Ugras, H., Ugras, M., Papadakis, S., & Kalogiannakis, M. (2024). ChatGPT‑supported education in primary schools.
Sustainability, 16(22), 9855. https://doi.org/10.3390/su16229855
Wu, D., & Zhang, J. (2025). Generative artificial intelligence in secondary education: Applications and effects on
students’ innovation skills and digital literacy. PLOS ONE, 20(5), e0323349.
https://doi.org/10.1371/journal.pone.0323349
Zammit, J. (2025). Secondary school teachers’ experiences with generative AI. Technology, Knowledge and
Learning, 30(4). https://doi.org/10.1007/s10758-025-09861-7
DECLARACIONES
CONTRIBUCIÓN DE LA AUTORÍA
La autora declara que la Conceptualización, Curación de datos, Análisis formal, Investigación, Metodología,
Dirección del proyecto, Recursos, Validación y Redacción - corrección de pruebas y edición fueron realizados
contemplando los detalles necesarios para asegurar que la investigación presente el rigor adecuado.
FINANCIAMIENTO
La presente investigación no contó con financiamiento específico proveniente de organismos públicos,
instituciones privadas o entidades sin fines de lucro. Su desarrollo fue asumido íntegramente por la autora en el
marco de sus actividades académicas y de investigación.
DECLARACIÓN DE CONFLICTO DE INTERESES
La autora manifiesta que no existe ningún conflicto de intereses, financiero o personal, que pueda haber influido
de manera inapropiada en la elaboración, análisis, interpretación o presentación de los resultados de este estudio.
DECLARACIÓN SOBRE EL USO DE INTELIGENCIA ARTIFICIAL
La autora declara que, durante el proceso de redacción de este manuscrito, se emplearon herramientas de
inteligencia artificial generativa únicamente como apoyo en tareas lingüísticas, tales como la mejora del estilo, la
organización sintáctica y la corrección gramatical. En ningún caso estas tecnologías fueron utilizadas para generar
contenidos científicos originales, interpretar resultados o sustituir el juicio académico y ético de los autores. La
responsabilidad plena sobre la integridad, validez y originalidad del manuscrito recae exclusivamente en la autora,
en concordancia con las buenas prácticas editoriales y los principios éticos de publicación científica reconocidos
internacionalmente.