Experiencias y significados atribuidos por estudiantes y
docentes al uso de inteligencia artificial en procesos educativos
Experiences and meanings attributed by students and teachers
to the use of artificial intelligence in educational processes
Recibido: 01/03/2026 - Aceptado: 02/06/2026
Oscar Hugo Manzano Sairitupa
https://orcid.org/0000-0002-8553-7418
omanzano@ucvvirtual.edu.pe
Universidad César Vallejo. Lima, Perú
Maritza Socorro Florez Valdez
https://orcid.org/0009-0002-5744-9215
fvmarso@gmail.com
Universidad Nacional San Agustín de Arequipa. Perú
Norma Huamán Canales
https://orcid.org/0000-0001-6460-2826
norma.huaman@unh.edu.pe
Universidad Nacional de Huancavelica. Perú
Rosalino Janampa Mendoza
https://orcid.org/0009-0000-5741-7577
Janampa.mendoza2@gmail.com
Universidad Nacional de Huancavelica. Perú
Carmen Patricia Peralta Gonzales
https://orcid.org/0000-0002-3869-0284
carmen.peralta@unh.edu.pe
Universidad Nacional de Huancavelica. Perú
Resumen
El presente estudio buscó comprender las experiencias de docentes y estudiantes de educación superior respecto
al uso de la inteligencia artificial (IA) en contextos educativos. Para ello, se empleó un enfoque cualitativo con
diseño fenomenológico; los datos se recopilaron mediante entrevistas semiestructuradas aplicadas a diez
participantes seleccionados por muestreo intencional. El análisis reveló cuatro categorías principales: apoyo
académico, transformación de prácticas, riesgos formativos y uso ético. Los resultados indican que la IA puede
contribuir a reducir ciertas brechas en el proceso de enseñanza-aprendizaje; sin embargo, también genera
tensiones vinculadas a la dependencia tecnológica y a un posible debilitamiento del pensamiento crítico. Se
concluye que su integración en la educación superior de la región exige criterios pedagógicos y éticos que orienten
un uso reflexivo y responsable.
Palabras clave: inteligencia artificial, educación superior, autonomía intelectual.
Abstract
This study sought to understand the experiences of higher education faculty and students regarding the use of
artificial intelligence (AI) in educational contexts. A qualitative approach with a phenomenological design was
employed; data were collected through semi-structured interviews with ten participants selected by purposive
sampling. The analysis revealed four main categories: academic support, transformation of practices, educational
2
risks, and ethical use. The results indicate that AI can contribute to reducing certain gaps in the teaching-learning
process; however, it also generates tensions related to technological dependence and a possible weakening of
critical thinking. It is concluded that its integration into higher education in the region requires pedagogical and
ethical criteria that guide reflective and responsible use.
Keywords: artificial intelligence, higher education, intellectual autonomy.
Introducción
En los últimos años, la inteligencia artificial (IA) se ha incorporado de manera progresiva a los procesos de
la realidad educativa, hasta convertirse en una herramienta central en las dinámicas de enseñanza y en la
actualización del aprendizaje. Su implementación ha sido acelerada en diversos contextos, lo que ha exigido tanto
a docentes como a estudiantes adaptarse a nuevas formas de interacción académica, a menudo sin contar con
orientaciones institucionales claras.
Desde el punto de vista conceptual, la inteligencia artificial puede definirse como un sistema basado en
máquinas que opera con distintos grados de autonomía, procesa datos de entrada y genera resultados —
predicciones, recomendaciones, contenidos o decisiones— que pueden influir en entornos físicos y virtuales.
Según la Organización para la Cooperación y el Desarrollo Económicos (2024), estos sistemas infieren, a partir de
los datos que reciben, qué respuestas generar ante objetivos explícitos o implícitos. En educación esto tiene
implicaciones concretas: la IA ya forma parte de procesos cotidianos, en la búsqueda de información, en la
redacción de trabajos y en decisiones docentes a la hora de planificar las clases.
En el plano pedagógico, ciertos estudios reportan mejoras en los resultados del proceso educativo:
estudiantes que aprenden de forma más autónoma y clases que se organizan de manera diferente. Lin et al. (2023)
afirman que la IA puede adaptar el aprendizaje a cada estudiante, porque abre puertas a una educación de calidad
donde antes no era posible, y da al profesorado información verídica sobre cómo están sus estudiantes, no solo
en el aspecto de las notas, sino también en motivación y compromiso.
En la educación superior, docentes y estudiantes perciben la IA como una ayuda para organizar semestres,
encontrar fuentes y optimizar el uso del tiempo. Almasri (2024), al revisar estudios empíricos, encontró que los
estudiantes adquieren conocimientos con mayor eficacia, se motivan más y participan más en sus clases. En el
contexto latinoamericano, Salas-Pilco y Yang (2022) revisaron cómo la inteligencia artificial, mediante aprendizaje
automático, análisis predictivo y procesamiento del lenguaje natural, permite identificar estudiantes en riesgo de
abandono antes de que esto ocurra y ajustar la enseñanza con base en datos; no se trata solo de proyectos
experimentales, sino de implementaciones en curso dentro de la región. Estos recursos contribuyen a abordar
problemas clave del sistema educativo, como la detección temprana de estudiantes vulnerables y la mejora de la
calidad educativa en contextos previamente desatendidos. En consecuencia, la IA se puede configurar como una
herramienta estratégica para la transformación de la educación superior en América Latina.
Asimismo, otras investigaciones actuales evidencian que los estudiantes usan la IA para organizarse,
escribir y sacar mejores notas. Estudios cualitativos centrados en experiencias de escritura académica, como el
de Yan (2023), muestran que esta tecnología favorece la eficiencia en la producción textual y presenta un alto
potencial pedagógico. En la educación superior, herramientas como ChatGPT han modificado las prácticas de
estudio y de enseñanza, con o sin el aval institucional, y han reconfigurado comportamientos académicos en poco
tiempo. Rojas y Chiappe (2024) se muestran de acuerdo en que existen oportunidades reales: aprendizaje más
personalizado, conocimiento más accesible y actualizado, y mayor disponibilidad de recursos.
Sin embargo, la integración de la IA en la educación no es únicamente una lista de beneficios. También es
cierto que en muchos lugares del mundo persisten problemas significativos que no permiten sacarle a la IA el
máximo provecho, como la infraestructura desigual y la formación insuficiente del personal docente. De allí que,
su incorporación plantea desafíos pedagógicos, éticos e institucionales vinculados con la capacitación docente, la
regulación académica y el uso crítico de estas herramientas. Aunque algunos estudiantes emplean la IA para
organizarse, redactar y mejorar calificaciones; la reacción del profesorado es diversa: algunos la incorporan sin
problema, otros no confían y algunos imponen límites en sus cursos. Daluz Veras y Hernández Bentancur (2025)
ven en todo esto algo más profundo que un cambio de herramientas, lo que está cambiando es para qué sirve
aprender.
Lin y Chen (2024), a partir de entrevistas en profundidad con estudiantes y docentes, hallaron efectos
ambivalentes que apuntan tanto a aspectos positivos como a riesgos. Entre estos últimos, el uso de la IA en las
3
aulas acarrea problemas relevantes: los sistemas aprenden con datos proporcionados por los propios estudiantes,
y muchas instituciones desconocen el destino y la protección de esa información. Los algoritmos pueden reproducir
sesgos presentes en los datos de entrenamiento. Si los estudiantes delegan en exceso en estas herramientas, la
autonomía que supuestamente fomentan puede terminar deteriorándose. Kamalov et al. (2023) apuntan que nada
de esto se resuelve solo con acceso a la tecnología; hace falta que tanto estudiantes como docentes sepan leerla
de forma crítica. En la educación superior, su uso provoca conflictos importantes, ya que la información generada
no siempre es confiable, puede generar dependencia y deja sin resolver preguntas incómodas sobre la autoría del
trabajo académico (Muñoz-Araneda & Vera-Sagredo, 2025). Rojas y Chiappe (2024) advierten sobre la dificultad
para verificar si el estudiante realmente aprendió de forma consciente y sobre problemas de integridad académica
que ya se manifiestan. En consecuencia, la IA aparece como un fenómeno que impacta no solo el rendimiento
académico, sino también las experiencias emocionales y los significados que los sujetos atribuyen a su proceso
educativo.
El problema central es que muchas de las ventajas señaladas requieren grandes volúmenes de datos para
operar eficazmente, lo que genera dificultades en términos de privacidad y protección de la información, además
del riesgo de reproducir sesgos algorítmicos. Lin et al. (2023) resaltan este punto: la capacidad de personalizar y
diagnosticar depende de datos extensivos, y ahí empiezan las complicaciones. Al mismo tiempo, Almasri (2024)
reconoce que, en ciertas realidades, la precisión falla y los dilemas éticos permanecen sin respuesta. Por ello, la
incorporación de la IA exige normas, criterios pedagógicos y éticos que orienten un uso reflexivo y responsable.
Ahora bien, aunque a nivel mundial se observa un avance evidente en el estudio de la IA aplicada a la
educación, en el contexto peruano persiste un vacío investigativo significativo. Esta brecha es especialmente
notable en la región de Ayacucho, donde son escasos los estudios cualitativos que exploren el uso de la IA desde
las experiencias y percepciones de docentes y estudiantes en contextos socioculturales concretos. La mayoría de
las investigaciones se ha orientado hacia enfoques cuantitativos o a contextos altamente digitalizados, lo que limita
una comprensión profunda de los significados, percepciones y tensiones que emergen en escenarios
socioculturales específicos.
En este marco, la presente investigación plantea la siguiente interrogante: ¿Cuáles son las experiencias y
los significados del uso de la inteligencia artificial en los procesos educativos desde la perspectiva de estudiantes
y docentes en Ayacucho? Por consiguiente, el objetivo del estudio es comprender en profundidad esas
experiencias y los sentidos que los actores educativos de la muestra atribuyen a la IA, mediante un enfoque
fenomenológico.
Metodología
Para el abordaje de esta investigación se optó por un enfoque cualitativo, puesto que el propósito fue
comprender los significados que docentes y estudiantes atribuyen al uso de la inteligencia artificial, más que medir
la frecuencia o la intensidad de su uso. Como señalan Creswell y Poth (2018) e Isik (2025), este enfoque no busca
generalizar, sino reconstruir los sentidos que los participantes elaboran desde su propia experiencia.
Se eligió un diseño fenomenológico por su pertinencia para indagar el significado que los sujetos otorgan
a la IA en su formación; no se trató de cuantificar su uso, sino de describir y comprender los modos en que las
personas confieren sentido a sus experiencias vividas, más allá de la constatación de hechos observables (Hossain
et al., 2024).
La muestra estuvo compuesta por diez participantes: cuatro docentes y seis estudiantes de educación
superior pedagógica, seleccionados mediante muestreo intencional por criterio. La determinación del número de
participantes se basó y justificó en la saturación teórica, entendida como el momento en que los miembros de la
muestra dejan de aportar códigos, significados o información relevante para la comprensión del fenómeno. Este
tamaño muestral es coherente con los principios del enfoque seleccionado, donde la relevancia recae en la
profundidad y riqueza informativa de las experiencias más que en la cantidad de participantes (Creswell & Poth,
2018). De acuerdo con Saunders et al. (2018), la saturación en investigación cualitativa no consiste en acumular
muchos datos, sino en disponer de suficientes datos que permitan identificar patrones y confirmar que no emergen
nuevos hallazgos. Esto se verificó en el presente estudio, donde las experiencias y percepciones sobre la IA fueron
recurrentes hasta volverse repetitivas.
Para resguardar la confidencialidad se asignó un código a cada participante: D1–D4 para los docentes y
E1–E6 para los estudiantes. Los criterios de inclusión exigieron que los participantes fueran docentes o estudiantes
4
de educación superior con experiencia real y reciente en el uso de herramientas de IA en su trabajo académico,
que pertenecieran al contexto educativo objeto de estudio y que aceptaran participar de forma voluntaria; con ello
se buscó interlocutores capaces de aportar relatos concretos y basados en la experiencia. Se excluyeron quienes
no habían utilizado IA en sus actividades académicas, quienes rechazaron participar y quienes ofrecieron
respuestas tan vagas o incompletas que impedían su explotación analítica.
La recolección de datos se realizó mediante entrevistas en profundidad, técnica idónea para captar
percepciones, emociones y significados que los métodos cuantitativos no registran. El instrumento fue una guía de
entrevista semiestructurada compuesta por preguntas organizadas en ejes temáticos (cómo usan la IA los
participantes, beneficios y riesgos percibidos, cambios en la enseñanza y el aprendizaje, entre otros). Las
preguntas se formularon de manera abierta y flexible para permitir la expresión auténtica de las vivencias.
Algunos participantes no autorizaron la grabación de audio por motivos de reserva y comodidad; en esos
casos, las entrevistas se registraron mediante notas escritas durante su desarrollo y se transcribieron
posteriormente para el análisis, priorizando siempre la comodidad y el consentimiento de los informantes.
Rutakumwa et al. (2020) señalan que las entrevistas cualitativas pueden desarrollarse con o sin grabación si el
procedimiento garantiza confianza, rigor ético y fidelidad en el registro, condiciones que se procuraron en cada
caso.
Posteriormente, los datos obtenidos fueron organizados y revisados mediante lecturas profundas y
reiteradas con el propósito de identificar unidades de significado relacionadas con las experiencias, percepciones
y sentidos atribuidos al uso de la IA en los procesos educativos. Se realizó una codificación abierta de los datos,
agrupando los códigos emergentes en subcategorías y, finalmente, en categorías temáticas. El análisis siguió una
lógica inductiva e interpretativa propia del enfoque fenomenológico, orientada a comprender la esencia de las
experiencias vividas por estudiantes y docentes. Para fortalecer la coherencia interpretativa y la credibilidad, los
hallazgos se confrontaron con los referentes teóricos revisados.
La investigación se condujo en observancia de los principios éticos aplicables a la investigación con
personas. Siguiendo los criterios de Emanuel et al. (2000), se garantizó el valor social del estudio, la validez
científica de los métodos, la selección justa de participantes y un balance razonable entre riesgos y beneficios.
Antes de las entrevistas, cada participante fue informado sobre el propósito del estudio, la voluntariedad de su
colaboración y el uso exclusivamente académico de la información, formalizándose su consentimiento explícito.
La confidencialidad se aseguró desde el diseño: los códigos D1–D4 y E1–E6 se emplearon sin registrar datos que
permitieran la identificación de los participantes.
Para garantizar el rigor científico en el marco cualitativo se consideraron los criterios de confiabilidad
propuestos por Ahmed (2024): credibilidad, transferibilidad, dependencia y confirmabilidad. La credibilidad se
abordó mediante revisiones reiteradas de las respuestas hasta alcanzar claridad interpretativa. La transferibilidad
se favoreció con una descripción contextual detallada para que otros investigadores puedan valorar la aplicabilidad
de los hallazgos. La dependencia y la confirmabilidad se sostuvieron mediante un procedimiento ordenado y
documentado en la recolección, codificación y análisis de datos. Finalmente, la confirmabilidad se procuró
manteniendo coherencia entre las respuestas de los participantes, las categorías emergentes y la interpretación
del investigador, evitando la imposición de juicios personales ajenos a la información recogida.
Resultados
Los resultados aquí presentados se derivan del análisis de las entrevistas realizadas, a partir de las cuales
emergieron cuatro categorías temáticas que condensan las experiencias y los significados que docentes y
estudiantes atribuyen al uso de la inteligencia artificial en sus procesos formativos. Estas categorías permiten
visualizar tanto las aportaciones percibidas (por ejemplo, apoyo académico, personalización y eficiencia
administrativa) como las tensiones y riesgos señalados (dependencia tecnológica, dudas sobre autoría y desafíos
éticos y pedagógicos), ofreciendo un marco interpretativo para comprender cómo la IA configura prácticas,
relaciones y sentidos en la educación superior.
5
Figura 1
Mapa semántico del análisis cualitativo
Nota. Elaboración propia
Apoyo académico pedagógico
Los docentes entrevistados usan la IA para preparar clases, organizar ideas buscar ejemplos, estructurar
temas. D1 lo describió así: "La uso para ordenar ideas, preparar clases y buscar ejemplos." D3 manifestó algo
similar: "La uso para apoyarme en algunas ideas y preparar mejor ciertos temas." Ambas respuestas de los
participantes del estudio son casi similares, la IA se incorpora principalmente en actividades preparatorias y de
apoyo, más que en la interacción pedagógica directa, en la preparación silenciosa que los estudiantes nunca ven.
No en la explicación, no en el vínculo, sino en el trabajo previo.
Asimismo, los docentes resaltan que la IA debe entenderse como un recurso complementario. D1 expresó:
“Para mí es como un apoyo, no algo que reemplace al docente”, y D4 afirmó: “Como docente, creo que debemos
verla como una herramienta de apoyo”. Esto permite interpretar que la IA es valorada como una ayuda, pero el
docente sigue cumpliendo un rol central en la orientación, contextualización y acompañamiento del aprendizaje.
Por otra parte, los estudiantes no hablan de la IA como una ventaja hablan de ella como un recurso de
soporte para momentos concretos. E1: "Me ayuda cuando no entiendo bien un tema." E3: "Me ayuda cuando tengo
dudas o cuando no sé cómo empezar una tarea." E4: "La uso para aclarar dudas, buscar ejemplos o mejorar
alguna tarea." El patrón es consistente, se muestra mediante la respuesta que el uso de la IA por parte de los
estudiantes se relaciona con algunas situaciones que tienen que ver con la dificultad académica, en especial
cuando requieren aclarar ciertas dudas respecto a un tema, así como a la hora de iniciar tareas o tener que
comprender contenidos, la explicación que no llegó, la instrucción que no fue clara, el momento en que el
estudiante se quedó solo frente a una actividad dentro de lo académico. Eso dice menos sobre la tecnología y más
sobre los algunos vacíos que viene a solucionar de forma actualizada e innovadora.
En esta categoría, los partícipes del estudio, tanto docentes como estudiantes, coinciden en que la IA es
un recurso tecnológico útil cuando se presenta una necesidad académica real. Los docentes la usan en la
preparación de sus clases, mientras que los estudiantes la utilizan en los momentos en que se quedan sin
respuestas. Esto no constituye una valoración buena o mala, sino la forma en como la IA se ha ido introduciendo
en los procesos de enseñanza-aprendizaje. La IA está cubriendo, aparentemente, ciertos vacíos que existían antes
de que llegara. La pregunta que deja abierta esta categoría es si eso basta, o si conviene mirar también los vacíos
6
persistentes que permanecen detrás de esas aparentes soluciones. ¿Hasta qué punto las mejoras percibidas
cubren las necesidades reales del proceso educativo y qué riesgos o carencias continúan sin respuesta?
Transformación de prácticas académicas
El cambio que describen los docentes no es de fondo sino de velocidad. D2 manifestó: "Ahora puedo
obtener ideas más rápido y organizar mejor algunos temas". D3 señaló: "Ahora puedo comparar ideas más rápido
y preparar ejemplos más claros". Ambos usan la misma palabra: rapidez; no afirman que sus clases sean ahora
mejores ni que comprendan más a sus estudiantes. Señalan que ciertas tareas les requieren menos tiempo.
Aunque esto puede ser valioso, también exige analizar cómo incide esa reducción temporal en las tareas
preparatorias. Analizar este aspecto resulta relevante porque permite distinguir entre una apropiación instrumental
de la IA y una transformación pedagógica real, distinción que las instituciones educativas deben considerar al
orientar su integración.
D4 resume esta idea de forma coherente: "Antes buscaba en varias páginas, ahora la IA me da una idea
más rápida". D1 apunta en una dirección similar: "La IA me ha ayudado a ahorrar tiempo en la preparación de
materiales". Así, lo que describen es un desplazamiento en el punto de entrada al proceso, es decir, no comenzaron
a usar la IA desde cero, sino a partir de una síntesis previa. Esto acelera el trayecto investigativo y acorta etapas
del recorrido. Antes, buscar en varias fuentes era más lento y a menudo conducía a hallazgos inesperados; ahora
la ruta es más eficiente, pero limita esas búsquedas fortuitas que pueden abrir nuevas preguntas.
E2 y E5 expresan lo mismo con palabras distintas: la IA les permite encontrar información más rápido.
Hasta ese punto, el patrón coincide con el de los docentes. Sin embargo, E3 aporta una diferencia: "Me ayuda a
ordenar mis ideas y entender mejor lo que debo hacer". No habla de velocidad, sino de orientación. Ese tipo de
beneficio puede derivar en otra forma de dependencia. Aprender a buscar más rápido y mantener el pensamiento
crítico es una cosa; es menos claro qué ocurre cuando la herramienta también decide por dónde empezar.
La presente categoría muestra algo más concreto que la mera transformación educativa, evidencia que la
IA modifica el esfuerzo previamente requerido. Docentes y estudiantes realizan tareas similares a las de antes,
pero con menos fricción en el proceso. Eso tiene valor, pero también un costo que todavía no siempre resulta
evidente, pues la fricción a veces forma parte misma del aprendizaje en este fenómeno de estudio.
Riesgos formativos emergentes
Los hallazgos indican que la preocupación más repetida entre los docentes no es abstracta, se centra en
en una vieja práctica: copiar y pegar. D1 afirmó: "Me preocupa que algunos estudiantes solo copien y peguen".
Por su parte, D2 señaló: "Algunos estudiantes pueden entregar trabajos que no hicieron ellos mismos". Lo notable
es que ninguno asegura que esto esté ocurriendo de manera masiva; hablan de una amenaza anticipada más que
de un problema ya documentado. Esa distinción importa porque condiciona la respuesta institucional; al parecer,
predomina la cautela, no la alarma.
A todo esto, D3 plantea otra inquietud: "Me preocupa que los estudiantes pierdan el hábito de leer o
comprender por sí mismos". Esta preocupación no se refiere tanto a la deshonestidad académica como a una
erosión silenciosa de habilidades básicas. D4 lo expresa en términos directos: "Algunos estudiantes pueden dejar
de esforzarse". Ambos señalan el mismo riesgo subyacente, a saber, que la IA, más allá de sustituir tareas
puntuales, con el tiempo reduzca la disposición a realizar el esfuerzo intelectual. Ese efecto no siempre se detecta
en una entrega; suele observarse meses después, cuando el estudiante no sabe por dónde empezar sin ayuda.
Desde la perspectiva estudiantil, el riesgo también es reconocido. E1 afirmó: "El riesgo es acostumbrarse
demasiado y ya no pensar por uno mismo". En un tono similar, E3 añadió: "Uno se puede volver dependiente y ya
no querer investigar por su cuenta", y E5 expresó: "Me preocupa que algunos estudiantes solo copien y ya no
aprendan". Estos testimonios muestran que los propios estudiantes identifican la dependencia y la copia como
amenazas para su formación.
En síntesis, esta categoría evidencia que la IA puede generar tensiones cuando se utiliza sin criterios
pedagógicos claros. El riesgo documentado es concreto, no se trata de que la IA sea intrínsecamente negativa,
sino de que sea una opción cómoda que fomente copiar en lugar de esforzarse y aprender mediante el proceso.
Docentes y estudiantes nombran esa posibilidad; ninguno la presenta como inevitable.
7
Uso ético y crítico
Ninguno de los docentes entrevistados propone prohibir el uso de la IA. Lo que plantean es más complejo:
desarrollar en los estudiantes competencias que permitan un uso responsable. En este sentido, D1 señaló: "No se
debe prohibir, pero sí orientar su uso". D2 añadió: "Los estudiantes deben saber que la IA es una ayuda, no una
solución para todo". El consenso es claro; lo que falta en las respuestas es la concreción, es decir, no se explica
qué significa orientar en la práctica, quién debe hacerlo, en qué momento de la clase o con qué criterios. La
intención está; el método, todavía no.
D4 subraya una prioridad: "Los docentes primero deben conocer bien cómo funciona". Primero debe
conocerse muy bien la herramienta antes de enseñar a usarla, antes de regularla y antes de opinar sobre ella. Es
una admisión implícita de que muchos docentes están navegando la IA sin comprensión suficiente. Ante este
panorama, D2 añade otra dimensión institucional: "Sería bueno que las instituciones den orientaciones claras sobre
su uso". No afirma que existan dichas orientaciones, sino que sería deseable que se implementen. En conjunto
emergen dos ausencias recurrentes: formación docente y políticas institucionales. Que ambas falten al mismo
tiempo no resulta fortuito.
Por otra parte, resulta llamativo que los estudiantes no solo pidan pautas, sino el nivel de especificidad con
que lo hacen. E1 solicita "enseñar cómo usarla bien", siendo ésta una demanda general. E6 va más allá: "Sería
bueno que nos enseñen cuándo usarla, cómo revisar la información y cómo evitar copiar todo". Este testimonio no
es una queja pasiva; plantea una propuesta que articula criterios temporales, epistemológicos y éticos. E3 enfatiza
que no se trata de prohibir sino de "explicar sus ventajas y riesgos". Los estudiantes no esperan que alguien decida
por ellos, piden herramientas para decidir con criterio, lo que contradice la imagen simplista del alumno que solo
busca atajos.
En síntesis, esta categoría no revela desacuerdo fundamental sino una expectativa compartida. Docentes
y estudiantes coinciden en que la IA necesita orientación, reglas y formación; nadie la quiere prohibida. Sin
embargo, nadie describe con claridad quién haría ese trabajo, cuándo ni con qué respaldo institucional. Se repite
así el vacío entre intención y método: los docentes esperan formación institucional; los estudiantes esperan guía
docente; y las instituciones, por ahora, permanecen ausentes en los testimonios.
Discusión
Almasri (2024) documenta que la IA mejora la motivación y la participación, mientras que Sánchez‑Chero
et al. (2024) sostienen que transforma los roles en el ámbito pedagógico. El presente estudio aporta evidencia más
específica, esto es, docentes y estudiantes describen un desplazamiento no tanto de personas como de funciones.
Según sus relatos, la IA ha asumido tareas de búsqueda y síntesis; a los docentes les queda aquello que la IA no
puede hacer todavía, según su perspectiva: orientar, leer el contexto y decidir qué es relevante. No obstante,
tampoco es igual que antes, conviene nombrar este cambio porque altera la forma misma de comprender las
prácticas educativas.
En relación con lo anterior, Yan (2023), por ejemplo, muestra que ChatGPT mejora de forma eficiente la
producción textual en contextos académicos. Rojas y Chiappe (2024) van más allá al argumentar que la IA puede
personalizar el aprendizaje y ampliar el acceso al conocimiento. Ambos planteamientos son pertinentes. El
problema es que eficiencia y aprendizaje no siempre coinciden. Buscar en varias fuentes es más lento, pero en
esa lentitud ocurren cosas pedagógicamente valiosas, tales como, el hallazgo inesperado, la duda que obliga a
releer, el error que enseña. Cuando la IA reduce ese recorrido, no solo ahorra tiempo, sino que elimina fricciones
que tienen función formativa. El desafío real no es simplemente usar la IA, sino decidir qué procesos institucionales
no deben acelerarse, pues los contextos son heterogéneos y no todos pueden absorber la misma velocidad.
Por otra parte, Muñoz‑Araneda y Vera‑Sagredo (2025) y Rojas y Chiappe (2024) identifican riesgos que
este estudio confirma: dependencia, problemas de autoría, información poco verificada e integridad académica
comprometida. Una contribución adicional de este trabajo es desplazar la pregunta hacia otra dirección: ¿cuánto
de esos problemas es atribuible a la IA y cuánto procede de cómo estaban diseñadas las tareas? Un sistema de
evaluación centrado en el producto final ya presentaba estas vulnerabilidades antes de la llegada de ChatGPT; la
IA no las inventó, las hizo más visibles y fáciles de explotar. Esto debería orientar la discusión no solo hacia el
control de la herramienta, sino hacia la reconsideración del tipo de tareas que conservan su sentido formativo
cuando cualquier estudiante puede obtener respuestas instantáneas.
8
En sintonía con Lin y Chen (2024), la evidencia apunta a una tensión ambivalente, la IA puede favorecer
el compromiso y la creatividad, pero al mismo tiempo limitar el pensamiento propio y despersonalizar la interacción.
Los datos de este estudio confirman esa doble faz; docentes y estudiantes valoran la herramienta y la temen
simultáneamente, a veces en la misma enunciación. Esto sugiere que la IA no es buena ni mala en abstracto, sus
efectos dependen del contexto pedagógico, de las reglas y criterios aplicados y del respaldo institucional, aspecto
que el estudio identifica como especialmente débil.
Finalmente, la necesidad de un uso ético y crítico coincide con Kamalov et al. (2023) y Lin et al. (2023),
quienes advierten que la IA exige competencias digitales, regulación y reflexión ética, particularmente frente a
riesgos de privacidad, sesgos y dependencia. El presente estudio corrobora estas observaciones desde una
perspectiva situada, es decir, no desde la teoría, sino desde las palabras de docentes y estudiantes. La conclusión
es coherente y pragmática, nadie aboga por la prohibición; todos quieren orientación para moverse con criterio.
Eso constituye, precisamente, la alfabetización digital crítica, no solo la competencia técnica, sino la capacidad de
comprender y gestionar los efectos de la IA sobre la autonomía, el pensamiento y la producción académica.
Conclusiones
El estudio evidencia que docentes y estudiantes de educación superior atribuyen a la inteligencia artificial
un significado complejo, en el que convergen su dimensión instrumental y su dimensión pedagógica, en otras
palabras, la conciben como una herramienta tecnológica de apoyo para la enseñanza y el aprendizaje, así como
para la organización de ideas y la resolución de dudas académicas.
La IA ha transformado de manera notable las prácticas académicas de los participantes, sobre todo en la
búsqueda de información —más actualizada— y en la preparación de materiales, la mejora de la redacción y la
elaboración de tareas; además, optimiza el uso del tiempo, un aspecto valorado por docentes y estudiantes. Estos
hallazgos indican que su uso ya forma parte de las dinámicas cotidianas en los contextos educativos estudiados.
No obstante, pese a los beneficios, los participantes reconocen riesgos formativos asociados a un uso
inadecuado de la IA, a saber, copia académica, dependencia tecnológica, pérdida de autonomía intelectual y
debilitamiento del pensamiento crítico. Estas preocupaciones señalan que la herramienta, si se emplea sin
criterios, puede erosionar procesos formativos esenciales.
En este contexto, la integración de la IA en los procesos educativos requiere, según los informantes,
orientación docente, reglas claras y formación ética. Ninguno propone su prohibición; por el contrario, piden un uso
responsable que permita aprovechar las ventajas sin reemplazar el esfuerzo personal ni la mediación pedagógica.
Desde una perspectiva fenomenológica, la IA se configura como un fenómeno educativo ambivalente, ya
que facilita y potencia determinadas prácticas académicas, pero también genera tensiones éticas y formativas que
demandan reflexión crítica por parte de docentes, estudiantes e instituciones.
Como síntesis, estos resultados invitan a pasar de la preocupación general a la acción situada, esto es,
impulsar políticas institucionales que articulen formación docente, diseño de tareas que privilegien procesos
formativos y protocolos éticos sobre datos y autoría; promover la alfabetización digital crítica entre estudiantes
para que distingan entre ayuda y sustitución; y fomentar investigaciones locales que evalúen cómo las
intervenciones propuestas funcionan en contextos concretos. Solo así podrá aprovecharse el potencial formativo
de la IA sin sacrificar la autonomía intelectual ni las prácticas pedagógicas que sostienen el aprendizaje profundo.
Referencias
Ahmed, S. K. (2024). The pillars of trustworthiness in qualitative research. Journal of Medicine, Surgery, and Public
Health, 2, 100051. https://doi.org/10.1016/j.glmedi.2024.100051
Almasri, F. (2024). Exploring the impact of artificial intelligence in teaching and learning of science: A systematic
review of empirical research. Research in Science Education, 54(5), 977–997.
https://doi.org/10.1007/s11165-024-10176-3
Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches
(4ta ed.). SAGE.
Daluz Veras, D., & Hernández Bentancur, S. (2025). Percepciones del uso de inteligencia artificial generativa en la
formación de futuras maestras. Horizontes Pedagógicos, 27(1), 1–14. https://doi.org/10.33881/0123-
8264.hop.27101
9
Emanuel, E. J. (2000). What makes clinical research ethical? JAMA, 283(20), 2701.
https://doi.org/10.1001/jama.283.20.2701
Hossain, M. S., Alam, M. K., & Ali, M. S. (2024). Phenomenological approach in the qualitative study: Data collection
and saturation. ICRRD Quality Index Research Journal, 5(2). https://doi.org/10.53272/icrrd.v5i2.4
Isik, O. (2025). Qualitative research approaches and data collection methods: Understanding meaning and
experience. Journal of Humanities and Education Development, 7(6), 19–32.
https://doi.org/10.22161/jhed.7.6.3
Kamalov, F., Santandreu Calonge, D., & Gurrib, I. (2023). New era of artificial intelligence in education: Towards a
sustainable multifaceted revolution. Sustainability, 15(16), 12451. https://doi.org/10.3390/su151612451
Lin, C.-C., Huang, A. Y. Q., & Lu, O. H. T. (2023). Artificial intelligence in intelligent tutoring systems toward
sustainable education: A systematic review. Smart Learning Environments, 10(1), 41.
https://doi.org/10.1186/s40561-023-00260-y
Lin, H., & Chen, Q. (2024). Artificial intelligence (AI)-integrated educational applications and college students’
creativity and academic emotions: Students’ and teachers’ perceptions and attitudes. BMC Psychology,
12(1), 487. https://doi.org/10.1186/s40359-024-01979-0
Muñoz-Araneda, R. A., & Vera-Sagredo, A. (2025). La inteligencia artificial en la enseñanza secundaria:
Percepciones de docentes de lengua y literatura en formación y en ejercicio en la región del Biobío, Chile.
Revista de Investigación, Desarrollo e Innovación, 15(2), 251–272.
https://doi.org/10.19053/uptc.20278306.v15.n2.2025.19627
Organisation for Economic Co-operation and Development. (2024). Explanatory memorandum on the updated
OECD definition of an AI system (OECD Artificial Intelligence Papers No. 8).
https://doi.org/10.1787/623da898-en
Rojas, M. P., & Chiappe, A. (2024). Artificial intelligence and digital ecosystems in education: A review. Technology,
Knowledge and Learning, 29(4), 2153–2170. https://doi.org/10.1007/s10758-024-09732-7
Rondon-Morel, R. O., Pacotaipe-Delacruz, R., Alarcón-Nuñez, E. A., & Yepez-Salvatierra, P. N. (2024). El impacto
de la inteligencia artificial en la formación docente. Revista Docentes 2.0, 17(2), 368–375.
https://doi.org/10.37843/rted.v17i2.566
Rutakumwa, R., Mugisha, J. O., Bernays, S., Kabunga, E., Tumwekwase, G., Mbonye, M., & Seeley, J. (2020).
Conducting in-depth interviews with and without voice recorders: A comparative analysis. Qualitative
Research, 20(5), 565–581. https://doi.org/10.1177/1468794119884806
Salas-Pilco, S. Z., & Yang, Y. (2022). Artificial intelligence applications in Latin American higher education: A
systematic review. International Journal of Educational Technology in Higher Education, 19(1), 21.
https://doi.org/10.1186/s41239-022-00326-w
Sánchez-Chero, M., Bravo, J., Ayra Apac, N. C., & Carbajal García, O. L. (2024). Inteligencia artificial: Una irrupción
fenomenológica en la educación. Oportunidades y amenazas. ENCUENTROS. Revista de Ciencias
Humanas, Teoría Social y Pensamiento Crítico, (22), 448-457. https://doi.org/10.5281/ZENODO.13732927
Saunders, B., Sim, J., Kingstone, T., Baker, S., Waterfield, J., Bartlam, B., Burroughs, H., & Jinks, C. (2018).
Saturation in qualitative research: Exploring its conceptualization and operationalization. Quality & Quantity,
52(4), 1893–1907. https://doi.org/10.1007/s11135-017-0574-8
Yan, D. (2023). Impact of ChatGPT on learners in a L2 writing practicum: An exploratory investigation. Education
and Information Technologies, 28(11), 13943–13967. https://doi.org/10.1007/s10639-023-11742-4
CONTRIBUCIÓN DE LA AUTORÍA:
1. Conceptualización: Oscar Hugo Manzano Sairitupa
2. Curación de datos: Maritza Socorro Florez Valdez
3. Análisis formal: Norma Huamán Canales
4. Adquisición de fondos: Rosalino Janampa Mendoza
5. Investigación: Maritza Socorro Florez Valdez
6. Metodología: Norma Huamán Canales
7. Dirección del proyecto: Oscar Hugo Manzano Sairitupa
8. Recursos: Rosalino Janampa Mendoza
9. Software: Carmen Patricia Peralta Gonzales
10
10. Supervisión: Rosalino Janampa Mendoza
11. Validación: Norma Huamán Canales
12. Visualización: Carmen Patricia Peralta Gonzales
13. Redacción borrador: Maritza Socorro Florez Valdez
14. Redacción: Oscar Hugo Manzano Sairitupa
