Inteligencia artificial en la educación superior para
promover un aprendizaje personalizado e inclusivo:
una revisión sistemática
Artificial intelligence in higher education to promote personalized
and inclusive learning: a systematic review
Recibido: 02/04/2025 - Aceptado: 14/07/2025
Ricardo Zambrana Copaja
https://orcid.org/0009-0008-7249-2186
ricardozambranacopaja@gmail.com
Universidad Mayor de San Simón. Cochabamba, Bolivia
Alberto Daniel Salinas Montemayor
https://orcid.org/0009-0001-2215-1411
alberto.salinasm@tec.mx
Instituto Tecnológico y de Estudios Superiores de Monterrey. Monterrey, México
Fernando Antonio Macías García
https://orcid.org/0009-0009-9172-1500
fermaciasg9@gmail.com
Hospital de Especialidades Portoviejo. Portoviejo, Ecuador
Eduardo Ernesto Escobar
https://orcid.org/0009-0000-9279-6971
eescobar@unlar.edu.ar
Universidad Nacional de La Rioja. La Rioja, Argentina
Resumen
La inteligencia artificial (IA) se ha consolidado como un pilar fundamental en la transformación de la educación
superior, al impulsar modelos de enseñanza más personalizados, inclusivos y centrados en las necesidades del
estudiante. Su integración permite adaptar contenidos educativos, automatizar tutorías y anticipar posibles
dificultades académicas, favoreciendo así un acceso más equitativo al conocimiento y atendiendo a la diversidad
de estilos de aprendizaje. Además, la IA contribuye a optimizar la gestión académica y curricular, facilitando la
superación de barreras relacionadas con la accesibilidad, las diferencias culturales y lingüísticas. No obstante, su
implementación enfrenta desafíos importantes, entre los que destacan la brecha tecnológica, la limitada formación
del profesorado en competencias digitales, la resistencia institucional y la ausencia de marcos éticos y
pedagógicos bien definidos. Estos retos se acentúan en regiones como América Latina, debido a desigualdades
estructurales profundas. En este marco, el presente estudio tiene como objetivo analizar las oportunidades,
dificultades y perspectivas futuras derivadas de la incorporación de la IA en la educación superior, con especial
atención en su potencial para promover un aprendizaje personalizado e inclusivo. Para ello, se seleccionaron 21
artículos que cumplen con rigurosos criterios metodológicos y que abordan aspectos clave del uso educativo de
la IA en países como Perú, México, Ecuador y Argentina, garantizando así una revisión representativa y
actualizada del estado del arte.
Palabras clave: aprendizaje personalizado, inclusión educativa, inteligencia artificial.
Abstract
Artificial intelligence (AI) has established itself as a fundamental pillar in the transformation of higher education,
promoting more personalized, inclusive, and student-centered teaching models. Its integration allows for the
adaptation of educational content, the automation of tutoring, and the anticipation of potential academic difficulties,
thus promoting more equitable access to knowledge and addressing the diversity of learning styles. Furthermore,
AI contributes to optimizing academic and curricular management, facilitating the overcoming of barriers related
to accessibility and cultural and linguistic differences. However, its implementation faces significant challenges,
2
including the technological gap, limited teacher training in digital skills, institutional resistance, and the absence of
well-defined ethical and pedagogical frameworks. These challenges are accentuated in regions such as Latin
America due to deep structural inequalities. Within this framework, this study aims to analyze the opportunities,
difficulties, and future prospects arising from the incorporation of AI in higher education, with particular attention to
its potential to promote personalized and inclusive learning. To this end, 21 articles were selected that met rigorous
methodological criteria and addressed key aspects of the educational use of AI in countries such as Peru, Mexico,
Ecuador, and Argentina, thus ensuring a representative and up-to-date review of the state of the art.
Keywords: personalized learning, educational inclusion, artificial intelligence.
Introducción
En las últimas décadas, la inteligencia artificial (IA) se ha consolidado como una de las tecnologías más
transformadoras e influyentes en diversos sectores, entre ellos el educativo, que ha experimentado un impacto
notable a medida que esta tecnología evoluciona. En el ámbito de la educación superior, la IA no solo está
redefiniendo las metodologías pedagógicas, sino que también optimiza la gestión académica, administrativa y
curricular. Este fenómeno ha propiciado la transición hacia modelos educativos más flexibles, adaptativos y
centrados en el estudiante, permitiendo trayectorias de aprendizaje personalizadas que atienden con mayor
precisión la diversidad de estilos cognitivos, ritmos de asimilación y necesidades singulares. Además, la IA abre
una ventana de oportunidad para avanzar hacia una educación superior inclusiva, al mitigar barreras históricas
vinculadas a la accesibilidad geográfica, discapacidades sensoriales o cognitivas, así como limitaciones
lingüísticas y culturales.
No obstante, la integración de la inteligencia artificial en la educación superior presenta complejidades
importantes. Pese a su potencial disruptivo, su efectiva implementación enfrenta retos relevantes, tales como las
brechas tecnológicas y de infraestructura, la insuficiente formación del profesorado en competencias digitales, la
resistencia institucional al cambio y la carencia de marcos normativos sólidos que regulen aspectos éticos,
pedagógicos y de protección de datos. Estas problemáticas se agravan en América Latina, donde las condiciones
estructurales y las políticas educativas varían notablemente entre países. En este contexto, resulta fundamental
llevar a cabo una revisión rigurosa y comparativa de las oportunidades, desafíos y perspectivas futuras de la IA
en el ámbito universitario de países como Perú, México, Ecuador y Argentina. Este análisis permitirá identificar
avances significativos, prácticas emergentes, debilidades estructurales y horizontes estratégicos para fomentar
una educación superior más equitativa, innovadora e inclusiva en la región.
La inteligencia artificial representa una herramienta estratégica para transformar la educación superior en
una experiencia más personalizada, inclusiva y centrada en el estudiante. Sin embargo, en América Latina su
implementación aún se ve limitada por múltiples barreras que dificultan su aprovechamiento pleno. Entre los retos
más acuciantes están la desigualdad en el acceso a infraestructura tecnológica, la ausencia de políticas públicas
coherentes, la escasa formación docente en el uso pedagógico de tecnologías emergentes y la débil integración
de la IA en los currículos académicos. A estas dificultades se suman tensiones éticas y jurídicas relacionadas con
el manejo de datos sensibles, que exigen una atención especializada por parte de las instituciones educativas.
La brecha entre el potencial transformador de la IA y su materialización en el entorno universitario latinoamericano
genera creciente preocupación respecto a la equidad, calidad y sostenibilidad de las prácticas educativas en la
era digital.
Aunque existen esfuerzos institucionales, la adopción de tecnologías basadas en inteligencia artificial en
las universidades permanece en una fase incipiente y fragmentada. En Perú, por ejemplo, las limitaciones
presupuestarias, la desigualdad en el acceso a conectividad —especialmente en zonas rurales y andinas— y la
escasa incorporación de la IA en las políticas públicas de educación superior dificultan su implementación. Bajov
et al. (2025) señalan que la falta de una planificación nacional coherente sobre la transformación digital restringe
el desarrollo de un entorno favorable para la innovación tecnológica. Aunque algunas universidades privadas han
comenzado a utilizar sistemas inteligentes en procesos de evaluación y gestión académica, el ecosistema
educativo carece de una estrategia nacional articulada que impulse una innovación inclusiva y personalizada.
En México, pese a avances en instituciones autónomas y tecnológicas que han implementado soluciones
basadas en IA para apoyar la enseñanza, la tutoría automatizada y la analítica del aprendizaje, persiste una
marcada brecha entre universidades públicas y privadas en recursos tecnológicos y capacidades institucionales.
Según Cotán et al. (2024), esta disparidad se profundiza debido a la ausencia de una política educativa nacional
específica sobre inteligencia artificial, lo cual limita la escalabilidad de estas iniciativas y su impacto en contextos
vulnerables o con baja conectividad, donde más se requiere un aprendizaje adaptativo e inclusivo.
3
En Ecuador, aunque existe un esfuerzo creciente por modernizar la educación superior mediante
tecnologías digitales impulsadas desde el Estado, perduran obstáculos estructurales, como la concentración de
avances en universidades urbanas, la limitada formación docente en inteligencia artificial educativa y la falta de
mecanismos integrales para evaluar el impacto de estas herramientas. Sánchez et al. (2024) destacan que, a
pesar del compromiso político por fomentar la innovación, aún no se ha consolidado una cultura institucional
orientada a la personalización del aprendizaje a través de IA en todas las regiones del país.
En Argentina, se han desarrollado proyectos académicos innovadores centrados en el análisis de datos
educativos, la retroalimentación automatizada y los entornos virtuales adaptativos. Sin embargo, estos avances
permanecen principalmente en instituciones de investigación urbanas, con escasa transferencia a sectores
educativos periféricos o con menor financiación. García & Borja (2024) advierten que las dificultades económicas
recurrentes y la falta de un plan nacional robusto para integrar la IA en la educación superior limitan la continuidad
de estas iniciativas, subrayando la urgente necesidad de políticas sostenidas que aseguren equidad e inclusión
tecnológica en todo el sistema universitario.
La evolución de la inteligencia artificial en la educación ha estado motivada por la necesidad de optimizar
los procesos de enseñanza y aprendizaje a través de tecnologías inteligentes y adaptativas. Inicialmente, estas
herramientas se enfocaron en automatizar tareas operativas; sin embargo, su desarrollo ha ampliado su
funcionalidad hacia áreas complejas como la personalización de contenidos, el acompañamiento virtual y la
retroalimentación dinámica. Guzmán (2025) señala que la IA educativa representa un cambio estructural en las
prácticas pedagógicas, al posibilitar un seguimiento detallado y continuo del progreso estudiantil, así como la
identificación temprana de necesidades específicas.
En América Latina, la integración de la IA en la educación superior ha progresado de modo desigual,
condicionada por las capacidades institucionales, la infraestructura tecnológica y el compromiso de las
autoridades educativas. Mientras algunos países han desarrollado políticas para impulsar su incorporación, otros
aún enfrentan barreras relacionadas con conectividad, inversión en equipamiento y formación docente
especializada. Corzo et al. (2025) sostienen que el éxito en la implementación de la IA universitaria depende en
gran medida de fortalecer estas condiciones estructurales y de fomentar una cultura institucional orientada a la
innovación pedagógica.
En México, varias universidades tecnológicas y autónomas han impulsado proyectos piloto basados en
IA, enfocados en la predicción del rendimiento académico y la toma de decisiones fundamentadas en datos. Estos
ejemplos ilustran el potencial de la IA para apoyar procesos académicos y administrativos, aunque plantean
desafíos en cuanto a articulación interinstitucional y sostenibilidad. Sivira (2025) indica que, pese a resultados
prometedores, es indispensable consolidar estrategias coordinadas que amplíen la cobertura e impacto de dichas
iniciativas, garantizando su permanencia y equidad en el sistema universitario.
En Perú, pese a programas de innovación educativa digital, la integración explícita de tecnologías
basadas en IA sigue limitada. López-Regalado et al. (2024) reportan que los principales avances están en
universidades privadas de Lima, mientras que las instituciones públicas enfrentan restricciones presupuestales y
de conectividad, lo que acentúa desigualdades en el acceso a una educación superior tecnológicamente
avanzada.
En Ecuador, las iniciativas del Ministerio de Educación Superior han promovido la digitalización de
procesos académicos como parte de una estrategia de modernización tecnológica, aunque el empleo de IA
permanece incipiente. Cedeño et al. (2024) enfatizan la urgencia de diseñar una política nacional coherente para
orientar la incorporación progresiva y equitativa de estas tecnologías en todo el territorio.
En Argentina, universidades con alta capacidad tecnológica han liderado el diseño de algoritmos para
retroalimentación automatizada y análisis de patrones de aprendizaje en entornos virtuales. Echeverría et al.
(2024) aclaran que, aunque estas experiencias han mostrado resultados positivos, su alcance se limita a centros
urbanos, sin extenderse sostenidamente a zonas rurales o con menor infraestructura.
Organismos internacionales como la UNESCO promueven activamente la IA en educación,
reconociéndola como un medio para fortalecer la equidad, inclusión y calidad del aprendizaje. Según la UNESCO
(2024), es imprescindible establecer marcos regulatorios sólidos, invertir en capacitación docente especializada
y garantizar acceso universal a tecnologías digitales para avanzar hacia una implementación justa y sostenible
en América Latina.
La IA en educación se basa en sistemas capaces de aprender a partir de grandes datos para ofrecer
respuestas adaptadas a las necesidades individuales. Ramírez et al. (2024) señalan que los sistemas tutores
inteligentes pueden ajustar contenidos a las competencias específicas de cada estudiante, aumentando su
motivación y rendimiento académico.
4
El aprendizaje personalizado mediante IA permite diseñar trayectorias educativas únicas, adecuadas al
estilo cognitivo y ritmo particular del estudiante. Holmes et al. (2019) destacan que esta capacidad incrementa la
retención y propicia experiencias de aprendizaje más profundas y significativas.
La inclusión educativa se ve fortalecida por el uso de IA al mejorar la accesibilidad para estudiantes con
discapacidades. Sánchez et al. (2023) subrayan que tecnologías como el reconocimiento de voz, la subtitulación
automática y el análisis semántico de textos son esenciales para garantizar una educación inclusiva y equitativa.
La analítica del aprendizaje, basada en algoritmos de IA, facilita la anticipación de dificultades académicas
y respalda decisiones pedagógicas fundamentadas. Siemens & Long (2011) sostienen que el análisis predictivo
es una herramienta clave para la gestión educativa actual.
El uso ético y responsable de IA demanda una regulación estricta sobre la recolección y manejo de datos
estudiantiles. Ojeda et al. (2023) enfatizan que esta regulación debe priorizar la transparencia, la privacidad y la
equidad en procesos algorítmicos.
La adopción efectiva de tecnologías IA enfrenta resistencias docentes. Rodríguez (2025) argumenta que
la apropiación pedagógica requiere formación continua y acompañamiento institucional robusto.
Para América Latina, la IA debe concebirse como parte de una estrategia educativa integral. Alves et al.
(2022) sostienen que la introducción tecnológica debería ir acompañada de transformaciones curriculares y
organizativas para lograr un impacto real.
Es fundamental aclarar que la IA no reemplaza al docente, sino que complementa y enriquece su labor.
La UNESCO (2021) plantea que el profesor se redefine como facilitador, mentor y diseñador de experiencias
potenciadas por sistemas inteligentes.
Tomando en cuenta todo lo planteado, el objetivo de este estudio es examinar las oportunidades, desafíos
y perspectivas futuras que plantea la integración de IA en la educación superior, enfocándose especialmente en
su capacidad para facilitar un aprendizaje personalizado e inclusivo.
El análisis del avance tecnológico en educación superior muestra una creciente integración de la IA como
herramienta clave para transformar la enseñanza y el aprendizaje. Sin embargo, la implementación presenta
diferencias notables en alcance, aplicación y resultados, generando interrogantes sobre su efectividad e impacto
real. Por ello, es fundamental preguntarse: ¿Cuál es el estado actual de la integración de IA en la educación
superior y qué oportunidades, desafíos y perspectivas emergen para promover un aprendizaje más personalizado
e inclusivo?
Metodología
La implementación de soluciones basadas en inteligencia artificial en la educación superior fue analizada
mediante una revisión sistemática y un enfoque mixto, con el fin de evaluar su impacto en la personalización e
inclusión del aprendizaje. Según Bolaño-García & Duarte-Acosta (2024), la integración de estas tecnologías
inteligentes influye significativamente en la optimización de procesos educativos, facilitando la adaptación de
contenidos, la tutoría automatizada y el análisis predictivo del desempeño estudiantil.
En las etapas iniciales, se aplicaron criterios rigurosos de inclusión y exclusión para seleccionar estudios
relevantes que aportaran evidencia empírica sobre la implementación de inteligencia artificial en contextos
universitarios. Se priorizaron investigaciones recientes que describieran casos exitosos, barreras y propuestas
para fomentar un aprendizaje personalizado e inclusivo. De un total de 110 registros identificados en bases de
datos académicas, tras eliminar duplicados, se analizaron 90 documentos, garantizando una revisión amplia y
representativa del estado del arte.
Para asegurar la calidad y pertinencia, se seleccionaron 21 artículos que cumplían con criterios
metodológicos estrictos y abordaban aspectos clave como la adaptabilidad de sistemas de IA, la equidad en el
acceso tecnológico y el desarrollo de competencias digitales en estudiantes y docentes. De estos, 12 fueron
analizados cualitativamente para explorar estrategias de implementación y dificultades organizacionales, mientras
que 9 fueron objeto de análisis cuantitativo, enfocado en medir la eficacia y resultados obtenidos en procesos
educativos apoyados por IA.
Adicionalmente, se descartaron 69 estudios que no cumplían el enfoque temático o carecían de evidencia
clara sobre el impacto de la IA en el aprendizaje personalizado e inclusivo, garantizando la rigurosidad y
focalización del análisis. Este proceso permitió identificar tendencias emergentes, buenas prácticas y áreas
prioritarias para futuras investigaciones y políticas educativas que promuevan una adopción responsable y
efectiva de la inteligencia artificial en la educación superior.
5
Figura 1
Método PRISMA
Resultados
El análisis riguroso y sistemático de la literatura revisada permitió identificar hallazgos clave que reflejan
el estado actual y las dinámicas emergentes en la implementación de la inteligencia artificial en la educación
superior en América Latina. A partir del examen minucioso de estudios recientes, informes institucionales y marcos
teóricos especializados, se delimitaron aspectos fundamentales que influyen directamente en la incorporación de
tecnologías inteligentes en las universidades de la región.
Dichos hallazgos fueron organizados en torno a temáticas recurrentes, que evidencian tanto los avances
alcanzados como las tensiones persistentes. Entre las categorías más relevantes se encuentran: el nivel de
adopción tecnológica y el grado de madurez institucional; las barreras estructurales y contextuales que dificultan
su integración efectiva; las experiencias innovadoras desarrolladas en contextos específicos que han logrado
articular soluciones pedagógicas centradas en el estudiante; y las implicaciones éticas, jurídicas y formativas
relacionadas con el uso de datos y algoritmos en procesos educativos.
Este análisis permitió profundizar en la heterogeneidad regional, así como en las brechas existentes entre
instituciones públicas y privadas, zonas urbanas y rurales, y diferentes modelos de gobernanza tecnológica —
centralizados o descentralizados. En las secciones siguientes, se presentan los resultados sintetizados en tablas
Número total de registros
identificados en las bases de
datos (n = 110)
Registros identificados a través
de otras fuentes
(n = 0)
Registros tras eliminar
duplicados (n = 90)
Registros examinados
(n = 90)
Artículos evaluados para su
elegibilidad (n = 21)
Registros excluidos de otras
fuentes (n = 0)
Se excluyen artículos a texto
completo (n = 69)
Los estudios considerados en
la Síntesis Cualitativa
(n = 21)
Los estudios considerados en
la Síntesis Cuantitativa
(n = 0)
6
temáticas que organizan de forma clara y comparativa los principales aportes identificados en la literatura,
estructurados según los ejes analíticos definidos y los países estudiados.
Tabla 1
Barreras para la implementación de la inteligencia artificial en la educación superior en América Latina
Barrera identificada
Descripción
Desigualdad en infraestructura tecnológica
Brechas entre zonas urbanas y rurales en acceso a conectividad y equipos
Falta de formación docente
Docentes con escaso conocimiento sobre el uso pedagógico de la IA
Débil integración curricular
Poca articulación de la IA en planes y programas de estudio
Ausencia de políticas públicas
Falta de estrategias nacionales coherentes para impulsar la transformación
digital
Tensiones éticas y jurídicas
Riesgos en el tratamiento de datos sensibles de los estudiantes
Se identificaron los principales obstáculos estructurales que han limitado el aprovechamiento pleno de la
inteligencia artificial en las universidades latinoamericanas. Estas barreras han afectado de manera negativa los
esfuerzos dirigidos a construir una educación superior más equitativa, inclusiva y sostenible, evidenciando
deficiencias importantes en la infraestructura tecnológica, la ausencia de políticas públicas efectivas y la formación
docente especializada insuficiente.
Tabla 2
Avances y limitaciones en países seleccionados
País
Avances observados
Limitaciones persistentes
Perú
Universidades privadas con pilotos de IA en gestión
académica
Ausencia de política nacional y brechas
presupuestarias
México
Instituciones autónomas aplicando IA en analítica
de aprendizaje
Desigualdad entre instituciones públicas y privadas;
falta de normativa específica
Ecuador
Iniciativas digitales impulsadas por el Estado
Avances concentrados en zonas urbanas; débil
formación docente
Argentina
Algoritmos en retroalimentación y análisis de datos
en universidades urbanas
Escasa expansión a sectores rurales; ausencia de
políticas sostenidas
Se llevó a cabo una comparación de las dinámicas nacionales relacionadas con la incorporación de la
inteligencia artificial, lo que evidenció disparidades significativas entre los entornos urbanos y rurales, así como
entre las instituciones públicas y privadas.
Tabla 3
Potencial de la inteligencia artificial en la educación superior
Aplicación de IA
Impacto esperado en la educación superior
Personalización del aprendizaje
Adaptación del contenido al ritmo, estilo y necesidades del estudiante
Inclusión educativa
Mayor accesibilidad para personas con discapacidad
Analítica del aprendizaje
Identificación temprana de dificultades académicas
Tutoría automatizada
Acompañamiento educativo en tiempo real
Evaluación adaptativa
Retroalimentación individualizada basada en desempeño
Se destacaron las oportunidades clave que la inteligencia artificial ofrece para transformar la experiencia
universitaria, orientándola hacia un modelo más centrado en el estudiante.
7
Tabla 4
Factores críticos para una implementación efectiva de IA en universidades
Rol en el proceso de integración de IA
Garantiza una apropiación pedagógica sólida de las tecnologías emergentes
Permite superar las brechas tecnológicas existentes
Brindan una hoja de ruta coherente para impulsar la innovación educativa
Favorece la sostenibilidad y apropiación de las herramientas inteligentes
Asegura el uso responsable de los datos y la equidad en los algoritmos
Estos factores se erigieron como pilares fundamentales para garantizar el éxito de las estrategias
destinadas a incorporar la inteligencia artificial en la educación superior.
Tabla 5
Recomendaciones para una integración inclusiva y sostenible de la IA
Recomendación
Justificación
Elaborar una estrategia nacional de IA
educativa
Orienta esfuerzos institucionales y públicos hacia objetivos comunes
Impulsar alianzas público-privadas
Facilita transferencia tecnológica e innovación compartida
Priorizar regiones rurales y vulnerables
Reduce la brecha digital y favorece la equidad educativa
Evaluar impacto con métricas claras
Permite ajustar las estrategias de implementación y asegurar su
eficacia
Fortalecer marcos éticos y de protección de
datos
Resguarda derechos estudiantiles y garantiza justicia algorítmica
Se plantearon líneas de acción concretas que facilitaron el avance hacia un ecosistema educativo más
justo, eficiente y centrado en el estudiante, impulsado a partir del uso estratégico de la inteligencia artificial.
Discusión
La implementación de la inteligencia artificial en la educación superior latinoamericana ha presentado
avances heterogéneos, los cuales reflejan tanto el potencial transformador de esta tecnología como las profundas
desigualdades estructurales que obstaculizan su adopción generalizada. Tal como señalan Bajov et al. (2025) y
Noblecilla et al. (2025), en el caso de Perú, la ausencia de una planificación coherente en torno a la transformación
digital universitaria ha limitado el desarrollo de ecosistemas propicios para la innovación inclusiva. Este fenómeno
se repite en otros países de la región, donde la incorporación de la IA ha sido fragmentaria y, con frecuencia,
restringida a experiencias piloto lideradas por instituciones privadas o autónomas.
En México, Cotán et al. (2024) advierten sobre la marcada brecha existente entre universidades públicas
y privadas, una disparidad que se profundiza ante la falta de una política educativa nacional específica sobre
inteligencia artificial. Esta carencia normativa dificulta la ampliación de iniciativas exitosas, especialmente en
regiones con baja conectividad, donde se requiere con mayor urgencia un enfoque adaptativo e inclusivo. De
manera similar, Sánchez et al. (2024) destacan que, aunque Ecuador cuenta con un marco político favorable a la
innovación educativa, aún persiste la necesidad de consolidar una cultura institucional orientada al uso
pedagógico de la IA, particularmente fuera de las grandes urbes.
En Argentina, la situación también es fragmentada. A pesar de la ejecución de proyectos académicos
relevantes, García et al. (2024) y Bellomo (2023) enfatizan que las limitaciones económicas y la falta de un plan
nacional robusto para integrar la IA en la educación superior han obstaculizado tanto la continuidad como la
expansión de estas iniciativas. Estas circunstancias evidencian que, sin políticas sostenidas y una infraestructura
adecuada, el impacto de la IA se restringe a contextos privilegiados, profundizando así la inequidad en el acceso
a una educación de calidad y modernizada.
Desde una perspectiva estructural, Guzmán (2025) subraya que la IA educativa implica una
transformación profunda de las prácticas pedagógicas, al habilitar una personalización del aprendizaje basada en
datos. Sin embargo, como explican Corzo et al. (2025), el éxito en su implementación depende del fortalecimiento
8
de capacidades institucionales, la inversión en infraestructura tecnológica y la formación docente especializada.
En este sentido, Sivira (2025) señala que, aunque los resultados preliminares de proyectos piloto en México son
prometedores, resulta esencial consolidar estrategias interinstitucionales que aseguren su sostenibilidad a largo
plazo.
En Perú, la investigación realizada por López-Regalado et al. (2024) revela que los mayores avances en
IA se encuentran concentrados en universidades privadas de Lima, mientras que las instituciones públicas
continúan rezagadas debido a limitaciones de recursos y conectividad. Una situación análoga se observa en
Ecuador, donde Cedeño et al. (2024) destacan la urgencia de implementar una política nacional coherente que
oriente la incorporación gradual y equitativa de tecnologías inteligentes en todo el país.
Por su parte, Echeverría et al. (2024) subrayan que en Argentina, aunque algunas universidades han
liderado el desarrollo de algoritmos para la retroalimentación y el análisis de patrones de aprendizaje, su impacto
ha quedado circunscrito principalmente a centros urbanos con mayor capacidad tecnológica. Esta exclusión
tecnológica plantea serias dudas sobre la equidad del sistema educativo, en consonancia con las advertencias
de organismos internacionales como la UNESCO (2024), que promueven marcos normativos sólidos y estrategias
inclusivas para garantizar una implementación justa y equitativa de la IA.
A pesar del interés creciente y los avances registrados en la integración de la inteligencia artificial en la
educación superior latinoamericana, persisten desafíos relevantes relacionados con la equidad, la formación
docente y la infraestructura tecnológica. Ruiz-Ruiz et al. (2025) enfatizan que, para lograr una transformación
educativa efectiva, es fundamental desarrollar modelos que no solo mejoren la calidad técnica, sino que también
promuevan un ecosistema educativo inclusivo y culturalmente diverso. De igual manera, Barcia et al. (2025)
resaltan la necesidad de afrontar la resistencia al cambio y las preocupaciones éticas derivadas de la adopción
de la IA, proponiendo una formación integral que abarque competencias técnicas, pedagógicas y éticas. Estos
enfoques coinciden en que la sostenibilidad de la IA en la educación superior exige políticas claras, capacitación
constante y una infraestructura sólida que garantice el acceso equitativo para todos los actores educativos.
Desde una óptica teórica, Ramírez et al. (2024) y Holmes et al. (2019) concuerdan en que la inteligencia
artificial ofrece oportunidades sin precedentes para configurar trayectorias educativas personalizadas y
significativas. No obstante, como advierten Sánchez et al. (2023) y Ojeda et al. (2023), su aplicación debe regirse
por rigurosos principios éticos, en especial en lo concerniente a la protección de datos y la equidad en los
algoritmos.
Finalmente, el éxito de la IA en la educación superior depende no solo de la tecnología, sino también de
una profunda transformación pedagógica y organizativa dentro de las instituciones. Rodríguez (2025) destaca la
importancia de la formación continua del profesorado, mientras que Alves et al. (2022) subrayan que toda
innovación debe integrarse en una estrategia educativa integral y coherente. En este sentido, la UNESCO (2021)
reafirma que la inteligencia artificial no reemplaza al docente, sino que redefine su rol como facilitador y mentor
en un entorno digital enriquecido.
Conclusiones
La integración de la inteligencia artificial en la educación superior representa una oportunidad estratégica
para transformar los procesos de enseñanza y aprendizaje, orientándolos hacia modelos más personalizados,
inclusivos y centrados en el estudiante. Gracias a sus capacidades para adaptar contenidos, anticipar dificultades
académicas, brindar retroalimentación inmediata y facilitar el acceso a entornos virtuales accesibles, la IA abre
nuevas posibilidades para atender la diversidad estudiantil y elevar la calidad educativa.
No obstante, el análisis revela que la implementación de estas tecnologías en América Latina enfrenta
importantes desafíos estructurales. Las brechas en infraestructura tecnológica, la insuficiente formación docente,
la ausencia de políticas públicas articuladas y las limitaciones presupuestarias —particularmente en instituciones
públicas y en zonas rurales— dificultan una adopción equitativa y sostenible. A estas problemáticas se suman
tensiones éticas y jurídicas que requieren marcos regulatorios claros, sólidos y transparentes.
A pesar de estos obstáculos, se observan avances relevantes en universidades tecnológicas y autónomas
que han desarrollado iniciativas innovadoras apoyadas en sistemas inteligentes. Sin embargo, el alcance de estas
experiencias sigue siendo limitado mientras no se consoliden estrategias nacionales que fomenten una cultura
institucional orientada a la innovación pedagógica y a la transformación digital.
Mirando hacia el futuro, el fortalecimiento de la IA en la educación superior exigirá no solo inversión
tecnológica, sino también una visión integral que articule políticas públicas coherentes, formación docente
especializada y una evaluación sistemática del impacto de estas herramientas. De igual modo, será esencial que
los países latinoamericanos prioricen la equidad como eje central del desarrollo tecnológico educativo,
9
garantizando que todos los estudiantes, sin importar su origen o contexto, puedan aprovechar los beneficios que
ofrece la inteligencia artificial.
En definitiva, la IA no debe percibirse como un fin en sí misma, sino como un medio para asegurar una
educación más justa, adaptable y de calidad, en la cual el rol del docente continúa siendo fundamental como
facilitador de un aprendizaje enriquecido por la tecnología.
Referencias
Alves, B. W., Mello, S. D., & Do Carmo, X. G. (2022). ¿Puede la inteligencia artificial apoyar acciones contra el
abandono universitario? Ensayo: Evaluación Político-pública
Educar, 30(116). https://doi.org/10.1590/S0104-403620220003002854
Bakhov, I., Niema, O., Kravchenko, T., Borysenko, O., Kuspliak, I., & Zayats, D. (2025). Local self-government
digital transformation in the context of sustainable development: potential of artificial intelligence.
Sapienza: International Journal of Interdisciplinary Studies, 6(2), e25019.
https://doi.org/10.51798/sijis.v6i2.955
Barcia Cedeño, E. I., Tambaco Quintero, A. R., Angulo Quiñónez, O. G., Prado Zamora, M. E., & Valverde Prado,
N. G. (2024). Análisis de tendencias y futuro de la Inteligencia Artificial en la Educación Superior:
perspectivas y desafíos. Ciencia Latina Revista Científica Multidisciplinar, 8(1), 3061-3076.
https://doi.org/10.37811/cl_rcm.v8i1.9637
Bellomo, S. T. (2023). Artificial Intelligence in Higher Education: An Analytical Assessment. Journal of Ethics in
Higher Education, (3), 87–114. https://doi.org/10.26034/fr.jehe.2023.4626
Bolaño-García, M., & Duarte-Acosta, N. (2024). Una revisión sistemática del uso de la inteligencia artificial en la
educación. Revista Colombiana de Cirugía, 39, 51-63. https://doi.org/10.30944/20117582.2365
Cedeño, M. J., Maitta, R. I., Vélez, Z. M., & Palomeque, Z. J. (2024). Investigación universitaria con inteligencia
artificial. Revista Venezolana de Gerencia, 29(106), 817–830. https://doi.org/10.52080/rvgluz.29.106.23
Corzo, Z. J., Navarro, C. Y., & Ugaz, R. M. (2025). Use of artificial intelligence in university education: Bibliometric
exploration. Desde El Sur, 17(1). https://doi.org/10.21142/DES-1701-2025-0010
Cotán Fernández, A., Márquez Díaz, J. R., Álvarez Díaz, K., & Gallardo-López, J. A. (2024). Recursos tecnológicos
y formación docente para la inclusión educativa de estudiantes con discapacidad en la
universidad. European Public & Social Innovation Review, 9, 1–20. https://doi.org/10.31637/epsir-2024-
820
Echeverría, Á., Gómez, V., Valderrey, M., & Tolozano, G. (2024). Industria e inteligencia artificial: Desafíos
innovadores para la gestión académica universitaria. En Ingeniería sostenible para un futuro diverso,
equitativo e inclusivo al servicio de la educación, la investigación y la industria para una sociedad
5.0. https://laccei.org/LEIRD2024-VirtualEdition/meta/FP659.html
García-Izquierdo, I., & Borja Albi, A. (2024). La comunicación en contextos de salud: generación de recursos
tecnológicos multilingües para la mejora de la eficacia comunicativa del Consentimiento Informado.
Cadernos de Tradução, 44(esp. 1), 1–17. https://doi.org/10.5007/2175-7968.2024.e95247
Guzmán, R. R. (2025). Fundamentos de inteligencia artificial. Revista de Senología y Patología Mamaria, 38(4),
100685. https://doi.org/10.1016/j.senol.2025.100685
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education. Promise and Implications for
Teaching and Learning. Center for Curriculum Redesign.
https://www.researchgate.net/publication/332180327_Artificial_Intelligence_in_Education_Promise_and_
Implications_for_Teaching_and_Learning
López-Regalado, O., Núñez-Rojas, N., López-Gil, O., & Sánchez-Rodríguez, J. (2024). Análisis del uso de la
inteligencia artificial en la educación universitaria: una revisión sistemática. Pixel-Bit. Revista de Medios
y Educación, (70), 97–122. https://doi.org/10.12795/pixelbit.106336
Noblecilla Quintana, G. E., & Raymond Cornejo, F. E. (2025). Implementación de la inteligencia artificial por
estudiantes de pregrado en Ecuador: modalidad en línea. Ciencia Latina Revista Científica
Multidisciplinar, 9(2), 6410-6439. https://doi.org/10.37811/cl_rcm.v9i2.17373
Ojeda, A., Solano, B. A., Ortega, A. D., & Boom, C. E. (2023). Análisis del impacto de la inteligencia artificial
ChatGPT en los procesos de enseñanza y aprendizaje en la educación universitaria. Formación
Universitaria, 16(6). https://doi.org/10.4067/S0718-50062023000600061
Ramírez Téllez, A., Fonseca Ortiz, L. M., & Triana Domínguez, F. C. (2024). Inteligencia artificial en la
administración universitaria: una visión general de sus usos y aplicaciones. Revista Interamericana de
Bibliotecología, 47(2), e353620. https://doi.org/10.17533/udea.rib.v47n2e353620
10
Rodríguez Hernández, L. A. (2025). The pedagogical role of training research seedbeds in the era of artificial
intelligence and emerging technologies. Seminars in Medical Writing and
Education, 4. https://doi.org/10.56294/mw202536
Ruiz-Ruiz, M. F., Fernández-Peñuelas, I., Paucar-Lecaros, B. L., & Sallandt, U. (2025). Charla futurista con
Inteligencia Artificial: Explorando su impacto en la Educación Superior de América Latina. Revista de
Ciencias Sociales, 31(2), 400-420. https://doi.org/10.31876/rcs.v31i2.43775
Sánchez, I. R., Herrera, E. D., & Pulgar, J. A. (2024). Análisis de prácticas pedagógicas en la enseñanza de física
general: Un enfoque por competencias bajo estructura modular en carreras de ingeniería. Formación
Universitaria, 17(5). https://doi.org/10.4067/s0718-50062024000500139
Sánchez Mendiola, M., & Carbajal Degante, E. (2023). La inteligencia artificial generativa y la educación
universitaria: ¿Salió el genio de la lámpara? Perfiles Educativos, 45(Especial), 70–86.
https://doi.org/10.22201/iisue.24486167e.2023.Especial.61692
Siemens, G., & Long, P. (2011). Penetrating the Fog: Analytics in Learning and Education. EDUCAUSE Review,
46, 31-40. https://er.educause.edu/articles/2011/9/penetrating-the-fog-analytics-in-learning-and-
education
Sivira Camacaro, R. (2025). La formación universitaria de periodistas en el contexto de la Inteligencia Artificial:
una revisión sistematizada. Doxa Comunicación. Revista Interdisciplinar de Estudios de Comunicación y
Ciencias Sociales, 40, 513-529. https://doi.org/10.31921/doxacom.n40a2225
UNESCO. (2021). Inteligencia artificial y educación: Guía para las personas a cargo de formular políticas.
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. ISBN 978-92-3-300165-
7. https://www.unesco.org/es/articles/inteligencia-artificial-y-educacion-guia-para-las-personas-cargo-de-
formular-politicas
UNESCO. (2024). Aprendizaje digital y transformación de la educación.
UNESCO. https://www.unesco.org/es/digital-education