Revista Realidad Educativa, enero 2026, v. VI, n° 1, ISSN: 2452-6134
doi 10.38123/rre.v6i1.600
Jorge Blake Angulo
Universidad de los Andes, Chile
Este artículo analiza la “primera ola” de investigación (enero 2023-abril 2025) sobre inteligencia artificial generativa (IAG) y docencia en Educación Superior en América Latina, centrándose en la perspectiva del profesorado. Mediante una revisión sistemática se analizaron 35 estudios, cuyos hallazgos revelan un campo dominado por dos temas: la “necesidad crítica de capacitación y formación docente” (54%) y los “desafíos éticos y de integridad académica” (54%). La discusión argumenta que esta producción científica configura una agenda reactiva, centrada en desafíos “micropedagógicos”, como el plagio estudiantil y el dominio instrumental de la herramienta. Se concluye que esta urgencia inicial ha tendido a invisibilizar problemáticas “macroestructurales” clave para la región, como la desigualdad tecnológica (17%) y la ausencia de políticas institucionales (20%). Finalmente, se identifica la necesidad de una agenda investigativa futura que supere la lógica instrumental y aborde el sentido de la práctica docente en la era de la IAG.
Palabras clave: inteligencia artificial generativa, Educación Superior, América Latina, revisión sistemática
This article analyzes the "first wave" of research (January 2023 - April 2025) on Generative Artificial Intelligence (GenAI) and teaching in Higher Education in Latin America, focusing on the faculty perspective. Through a systematic review, 35 studies were analyzed. The findings reveal a field dominated by two themes: the "Critical Need for Faculty Training and Development" (54%) and the "Ethical and Academic Integrity Challenges" (54%). The discussion argues that this scientific output constitutes a reactive agenda focused on "micro-pedagogical" challenges (namely, student plagiarism and the instrumental mastery of the tool). The article concludes that this initial urgency has obscured critical "macro-structural" challenges for the region, such as technological inequality (17%) and the need for institutional policies (20%). Finally, it identifies the need for a future research agenda that moves beyond instrumental logic and addresses the meaning of teaching practice in the GenAI era.
Keywords: generative artificial intelligence, higher education, Latin America, systematic review
La integración de la inteligencia artificial (IA) en la Educación Superior no es un fenómeno reciente. Durante más de tres décadas, este campo ha acumulado un importante corpus de investigación (Bond et al., 2024; Zawacki-Richter et al., 2019), centrado principalmente en el desarrollo de sistemas de tutoría inteligente (ITS) y otras aplicaciones educativas. Desde hace años, estas tecnologías pioneras ya evidenciaban el potencial de la IA para transformar los procesos de enseñanza y aprendizaje. Por ejemplo, la revisión sistemática de Zawacki-Richter et al. (2019) demostró que, antes de la reciente explosión mediática en torno a ChatGPT, la IA ya se aplicaba en cuatro áreas principales: el perfilado y la predicción del desempeño estudiantil, la evaluación automatizada, el desarrollo de sistemas adaptativos y, por supuesto, los sistemas de tutoría inteligente.
El atractivo fundamental de estas herramientas radica en su capacidad para responder a dos de los mayores anhelos de la pedagogía contemporánea: la personalización del aprendizaje y la optimización de la eficiencia docente (Rahiman y Kodikal, 2024; Zawacki-Richter et al., 2019). A nivel global, la promesa de la IA ha sido la de superar el modelo de “talla única” para ofrecer experiencias educativas ajustadas a las necesidades, ritmos y estilos de cada estudiante. Simultáneamente, ha ofrecido a los docentes la posibilidad de automatizar tareas administrativas y de evaluación que consumen una gran cantidad de tiempo —como la calificación o el seguimiento del progreso estudiantil—, liberándolos para enfocarse en interacciones pedagógicas de mayor valor (Crompton y Burke, 2023; Rahiman y Kodikal, 2024). Este potencial dual ha consolidado a la IA como una de las tecnologías emergentes más prometedoras en la reflexión prospectiva sobre el futuro de la educación.
Si bien la IA ha tenido una evolución sostenida, la masificación de la inteligencia artificial generativa (IAG) a finales de 2022, con el lanzamiento público de modelos de lenguaje extensos (LLM) como ChatGPT, representó un punto de inflexión radical. Este avance no fue una mera mejora incremental, sino una disrupción que sacó a la IA de los laboratorios de investigación especializados y la catapultó al centro del discurso público y de la práctica cotidiana (Bond et al., 2024). La capacidad de estas herramientas para generar texto, código, imágenes y conversaciones coherentes y verosímiles ha capturado la imaginación colectiva y, al mismo tiempo, ha provocado una profunda inquietud en el ámbito académico.
El impacto de la IAG ha sido inmediato y de gran alcance, intensificando el debate sobre su rol en los procesos de enseñanza, aprendizaje y, de manera muy particular, en la evaluación. La principal preocupación que ha dominado la conversación inicial es la amenaza a la integridad académica (Bhullar et al., 2024; Bond et al., 2024). La facilidad con la que los estudiantes pueden utilizar estas herramientas para generar trabajos, ensayos y respuestas a evaluaciones ha puesto en jaque los métodos tradicionales de valoración del conocimiento, convirtiendo el plagio y la deshonestidad académica en los desafíos más visibles y urgentes para las instituciones (Bhullar et al., 2024). Este nuevo escenario obliga a docentes y administradores a replantear no solo cómo evaluar, sino también qué enseñar, promoviendo un giro hacia competencias como el pensamiento crítico, la verificación de información y el uso ético de la tecnología (Bhullar et al., 2024).
Ante este panorama de cambio acelerado, se vuelve imperativo sistematizar y comprender el emergente campo investigativo. La rápida proliferación de estudios sobre IAG en la Educación Superior —especialmente evidente en el significativo aumento de publicaciones durante 2021 y 2022 a nivel global (Crompton y Burke, 2023)— subraya la necesidad de organizar y sintetizar este conocimiento. En este contexto, la revisión sistemática se justifica como la herramienta metodológica idónea para trazar la extensión, el alcance y la naturaleza de la investigación actual, identificar sus conceptos centrales y detectar ámbitos que requieren una mayor exploración.
El presente estudio se justifica, en primera instancia, por su foco geográfico específico en América Latina. Las grandes revisiones internacionales, si bien resultan fundamentales, a menudo revelan una escasa representación de la investigación proveniente de esta región (Bond et al., 2024). Este enfoque regional es crucial, pues la IAG no aterriza en un vacío, sino en un contexto con desafíos estructurales propios. La revisión de Salas-Pilco y Yang (2022), realizada antes de la masificación de la IAG, ya había confirmado que la producción científica sobre IA en la región se encontraba dispersa y que la incorporación desigual de esta tecnología se insertaba en un escenario atravesado por tensiones sociales, económicas, políticas y culturales. La literatura más reciente, ya en la etapa post-ChatGPT, profundiza en este contexto particular, identificando una respuesta institucional aún incipiente, visible en el “pobre abordaje de los sesgos algorítmicos o de protección de datos en las políticas de aplicación" (Gallent-Torres et al., 2023) y en la escasa atención a la “gobernanza tecnológica” en la investigación (ídem). A ello se suman barreras de infraestructura, como las “limitaciones en la conectividad a internet” y una marcada disparidad de recursos entre universidades públicas y privadas (De la Torre y Baldeon-Calisto, 2024). Este estudio responde directamente a esa necesidad, centrando su análisis en la literatura producida en y sobre América Latina para comprender los desafíos y oportunidades desde una perspectiva contextualizada, considerando las realidades socioeconómicas y educativas propias —como las altas tasas de deserción educativa y las brechas de acceso—, que la IA podría tanto mitigar como exacerbar (Salas-Pilco y Yang, 2022).
Es dentro de este complejo escenario de brechas estructurales y vacío de políticas donde la literatura emergente sitúa al cuerpo docente como un punto de tensión crítico. Distintos estudios previos ya identifican las “deficiencias en la formación del docente” como uno de los “principales obstáculos” para la implementación (Gallent-Torres et al., 2023), señalando la “ausencia de capacitación específica” como una barrera fundamental (de la Torre y Baldeon-Calisto, 2024). Un estudio más reciente incluso cuantifica esta brecha, al reportar que menos de la mitad de los profesores universitarios se sienten preparados para incorporar IAG en su prácticas pedagógicas (Tiglla, 2025).
Finalmente, la justificación de esta revisión radica en su enfoque temporal (enero de 2023 a abril de 2025) y temático. Al centrarnos en la “primera ola” de producción académica posterior a la disrupción de la IAG, buscamos sistematizar cómo la comunidad académica está respondiendo a este fenómeno. A diferencia de revisiones previas que cubrían un espectro más amplio de la IA (Salas-Pilco y Yang, 2022), nuestro interés se centra en cómo la comunidad académica está investigando específicamente el impacto disruptivo de la IAG en la docencia universitaria, y particularmente desde la perspectiva del profesorado. Este enfoque es crucial para comprender cómo los docentes están enfrentando los desafíos asociados a la IA en educación, los cuales ya se avizoraban antes de la era post-ChatGPT en la región. Analizar críticamente estos hallazgos es fundamental para orientar una adopción tecnológica que sea reflexiva, ética y pertinente para la Educación Superior en América Latina (Bond et al., 2024).
Con base en la justificación anterior, el objetivo general de este artículo es sistematizar la literatura publicada entre enero de 2023 y abril de 2025 sobre la presencia de la inteligencia artificial generativa en la docencia en Educación Superior en América Latina, con énfasis en la perspectiva de los profesores, identificando los principales temas, tipos de evidencia y vacíos de conocimiento, para posteriormente analizar, a partir de ellos, los desafíos y las oportunidades que esta tecnología plantea a la región. El estudio se orienta mediante la siguiente pregunta de investigación: ¿Cuáles son los focos temáticos de la investigación publicada entre enero de 2023 y abril de 2025 sobre la inteligencia artificial generativa en docencia en Educación Superior en América Latina desde la perspectiva de los docentes?
El presente artículo se organiza de la siguiente manera. En primer lugar, se expone la metodología, sección en la que se describe el diseño de la revisión sistemática, la estrategia de búsqueda, las fuentes de información consultadas, los criterios de inclusión y exclusión, y los procedimientos de extracción y análisis de datos. En segundo lugar, la sección resultados presenta el mapa de la literatura identificada, comenzando con una descripción cuantitativa general y profundizando luego en las ocho categorías temáticas que emergieron del análisis de los 35 artículos seleccionados. Posteriormente, la discusión interpreta estos hallazgos, los contrasta con literatura relevante y reflexiona críticamente sobre las oportunidades y los desafíos para la docencia en la región, sintetizando los aportes principales de la revisión y proponiendo una agenda para futuras indagaciones.
Para responder a la pregunta de investigación, se implementó un diseño de revisión sistemática de la literatura siguiendo las directrices generales de Petticrew y Roberts (2006) alineadas con el protocolo PRISMA: 1. Definir una pregunta específica y relevante; 2. Realizar una búsqueda exhaustiva y reproducible; 3. Seleccionar y evaluar estudios con criterios explícitos; y 4. Sintetizar la evidencia de forma sistemática. Este enfoque se eligió por su capacidad para organizar de manera rigurosa y transparente la evidencia existente en un campo de estudio emergente y dinámico como la aplicación de la IAG en la Educación Superior latinoamericana. A diferencia de una revisión narrativa tradicional, la revisión sistemática utiliza un método explícito, replicable y orientado a minimizar el sesgo, permitiendo una síntesis fiable del conocimiento actual. El propósito de este diseño fue identificar, evaluar y sintetizar la investigación relevante disponible sobre el tema, con el fin de examinar cómo se ha investigado el fenómeno, identificar lagunas en la investigación y proporcionar una base sólida para futuras indagaciones.
Se llevó a cabo una búsqueda exhaustiva en cinco bases de datos y motores de búsqueda académicos para asegurar una cobertura amplia y representativa de la literatura. Las fuentes consultadas1 fueron Scopus, Web of Science, Redalyc, ERIC y Google Scholar. La decisión de incluir Google Scholar2, además de las bases de datos tradicionales, se decidió de manera estratégica tras búsquedas exploratorias iniciales que arrojaron un número limitado de artículos en las cuatro primeras fuentes. Si bien esta incorporación permitió un mapeo más extenso y completo de la literatura emergente, se reconoce el riesgo metodológico asociado a la calidad científica potencialmente más heterogénea de los estudios indexados en esa plataforma.
Los términos de búsqueda se formularon tanto en español como en inglés, combinando conceptos clave mediante operadores booleanos. Estos términos incluyeron “inteligencia artificial generativa”, “docentes”, “profesores”, “Educación Superior”, “universidad”, así como los nombres de los países de América Latina. En el Anexo 1, se presenta la estrategia de búsqueda completa y detallada utilizada en cada base de datos con el fin de garantizar la trazabilidad y replicabilidad del proceso.
Para la selección de los estudios se establecieron criterios de elegibilidad explícitos, con el objetivo de asegurar la relevancia y especificidad de la muestra. Los criterios incluidos fueron:
Por contrapartida, los criterios de exclusión fueron: estudios no centrados en la docencia, investigaciones sobre IA no generativa, trabajos enfocados en niveles educativos distintos al superior, estudios no enfocados en la perspectiva docente, publicaciones sin componente de análisis empírico, y aquellas fuera del periodo o de la región geográfica delimitada.
El proceso de selección de artículos se desarrolló en varias fases, siguiendo un protocolo estricto para garantizar la objetividad. En primer lugar, se realizó la búsqueda en las bases de datos. A continuación, se llevó a cabo un cribado inicial basado en la revisión de títulos y resúmenes a fin de descartar los artículos evidentemente irrelevantes. Los estudios que superaron esta primera fase se incluyeron en una base de datos de cribado.
Posteriormente, se completó una matriz con las variables título, autor, año, resumen y país, lo que permitió una segunda revisión más profunda, en la cual se aplicaron rigurosamente los criterios de inclusión y exclusión, depurando la lista de candidatos. Los artículos que superaron esta etapa fueron seleccionados para su lectura a texto completo. Finalmente, la lectura completa de estos trabajos permitió determinar su inclusión en la revisión, conformando la muestra definitiva de estudios que cumplían con todos los criterios de elegibilidad. El flujo completo del proceso de selección se encuentra disponible en el Anexo 2.
El análisis de los datos extraídos de los 35 artículos seleccionados se realizó en dos etapas complementarias. En primer lugar, se llevó a cabo un análisis numérico descriptivo para caracterizar la literatura identificada. Este análisis permitió describir la distribución de los estudios según el año de publicación, el país y el tipo de metodología empleada, ofreciendo así una visión cuantitativa del panorama investigativo.
En segundo lugar, se realizó un análisis temático (Braun y Clarke, 2006) para sintetizar los hallazgos cualitativos presentes en la literatura. Este proceso se desarrolló en varios pasos, siguiendo una aproximación de tipo “convencional” o inductiva de acuerdo con la clasificación de Hsieh y Shannon (2005): primero, se imputó inductivamente un “tema” principal a cada artículo, que englobara sus hallazgos más relevantes; en algunos casos se imputó más de un “tema”. Luego, estos temas se listaron y se agruparon por afinidad, generando categorías emergentes. Finalmente, se redactó una síntesis narrativa (Popay et al., 2006) para cada categoría temática, integrando lo que la literatura ha encontrado en relación con la pregunta de esta investigación. Este enfoque narrativo permitió no solo resumir los datos, sino también construir un relato coherente sobre el estado del arte sobre la IAG en la docencia en América Latina en el contexto de la Educación Superior.
Es importantes reconocer las limitaciones inherentes a este estudio para contextualizar adecuadamente sus hallazgos. En primer lugar, como revisión sistemática, su objetivo principal fue determinar la extensión, el alcance y la naturaleza de la literatura existente, sacrificando profundidad en favor de amplitud. Entre los 35 artículos revisados, es natural que en algunos se dé un tratamiento más detallado a cuestiones que esta revisión solo aborda de manera general, dado que esta priorizó la identificación de macrocategorías temáticas. Por ejemplo: algunos estudios permiten analizar con mayor precisión distintas herramientas basadas en IAG, más allá de las más interfaces de generación de texto más conocidas, distinguiendo el aporte específico de plataformas especializadas en funciones o tareas pedagógicas concretas.
En segundo lugar, una limitación significativa se deriva de la estrategia de búsqueda. Como se detalla en la metodología, un alto porcentaje de los artículos seleccionados (60%) se obtuvo por medio de Google Scholar. Si bien esta decisión fue deliberada para capturar una gama más amplia de literatura emergente —especialmente aquella publicada en revistas regionales no indexadas en bases de datos altamente selectivas como Scopus o Web of Science—, también implica una mayor heterogeneidad en la calidad y el rigor metodológico de los estudios incluidos.
Finalmente, es importante recordar que el marco temporal de esta revisión (enero 2023-abril 2025) comprende la ola inicial de producción académica en respuesta a la IAG. El campo está evolucionando a una velocidad vertiginosa, por lo que esta sistematización representa una fotografía de un momento muy específico. Es posible que la investigación futura se desplace, cambiando el balance temático que aquí hemos reportado.
El proceso de búsqueda y selección de estudios se realizó de manera sistemática para asegurar la pertinencia y rigurosidad de la muestra. La búsqueda inicial en las fuentes de información arrojó un total de 108 artículos potencialmente elegibles. Tras una primera revisión de títulos y resúmenes, 87 de estos trabajos pasaron a la fase de cribado detallado, en la cual se aplicaron los criterios de inclusión y exclusión. Como resultado, se seleccionaron 43 artículos para su lectura a texto completo. Finalmente, tras esta última revisión, se conformó la muestra definitiva de 35 estudios que constituyen el corpus de la presente revisión.
El análisis cuantitativo de los 35 artículos seleccionados revela un campo de investigación en expansión. La distribución temporal muestra que un 14% (n=5) de los trabajos fue publicado en 2023, 69% (n=24) en 2024 y el 17% (n=6) en los primeros cuatro meses de 2025. Desde el punto de vista geográfico3, la investigación se concentra principalmente en México, que aporta el 29% de los artículos (n=10), seguido por Ecuador con un 17% (n=6) y un conjunto de estudios cuyos datos abarcan dos o más países de América Latina (17%).
Desde una perspectiva metodológica, el panorama es equilibrado. Los enfoques cuantitativos representan el 40% de los estudios y los cualitativos un 34%, en tanto que los estudios mixtos corresponden a un 26%. Por su parte, el análisis temático evidencia las principales preocupaciones de la investigación, agrupadas en ocho categorías emergentes que se analizan en las secciones siguientes. En términos cuantitativos, de entre las categorías identificadas, en un 54% de los artículos está presente la categoría “Desafíos éticos y de integridad académica” y en una misma proporción de artículos la categoría “Necesidad crítica de capacitación y formación docente”, siendo estas las dos más frecuentes. Les siguen las “Percepciones, actitudes y niveles de adopción docente”, con un 43%, y los “Beneficios de productividad y eficiencia docente”, presente en el 31% de los estudios. En contraste, las categorías “Limitaciones y riesgos de la calidad de la información” (20%), “Necesidad de políticas y guías institucionales” (20%) y “Brechas de acceso y desigualdad tecnológica" (17%) son las menos abordadas en la literatura revisada. A continuación, examinaremos cada una de las ocho categorías temáticas emergentes.
Esta categoría agrupa los hallazgos que identifican a la inteligencia artificial generativa como una herramienta poderosa para optimizar el trabajo del profesorado. La literatura coincide en que su principal beneficio radica en la capacidad de automatizar tareas rutinarias y administrativas, como la planificación de clases, la creación de contenidos educativos y la calificación (Abbasi et al., 2024; Macias, 2025). Los estudios muestran que la IAG serviría como un asistente eficaz para organizar ideas, buscar conceptos, mejorar la redacción de documentos o dosieres educativos y generar borradores para guiones o evaluaciones (Andreoli et al., 2024; Valderrey, 2024). Esto se traduce en un significativo ahorro de tiempo y un aumento general de la productividad, permitiendo reducir ciclos de desarrollo de materiales de meses a semanas (Andia et al., 2024). Al liberar a los docentes de estas tareas, la IAG favorece que concentren más tiempo y energía en actividades de mayor valor pedagógico, como la discusión crítica en el aula y la interacción directa con los estudiantes (Diaz et al., 2024).
Esta categoría se centra en las preocupaciones y los riesgos más significativos asociados con el uso de la IA en la educación. El tema predominante en la literatura es la amenaza a la integridad académica, siendo el plagio y la deshonestidad estudiantil las inquietudes más mencionadas por los docentes (Alarcon-Llontop et al., 2023; Sosa et al., 2024; Morán-Ortega et al., 2024; Carranza et al., 2024; Fernández-Miranda et al., 2024; Ramírez y Casillas, 2024). Un estudio incluso reportó una correlación positiva muy fuerte entre el uso de la IA y el fraude académico según la percepción docente (Puche, 2025). Más allá del plagio emergen otros dilemas, como la privacidad de los datos de los estudiantes, el riesgo de que la IA amplifique sesgos sociales y la creciente dependencia tecnológica (Sosa et al., 2024; Rivadeneira et al., 2024). También se destaca la dificultad para diferenciar el trabajo original del generado por la máquina (Andreoli et al., 2024) y la preocupación por la posible pérdida de la autoría pedagógica del docente (Carranza et al., 2024).
Esta constituye una de las categorías más transversales y relevantes de la investigación. La gran mayoría de los artículos señalan que la falta de preparación del profesorado es una barrera fundamental para la integración exitosa de la IA (Sosa et al., 2024; Villanueva y Boy, 2024; Benavides-Lara et al., 2025). Se considera “fundamental” y “crucial” que los docentes reciban una capacitación adecuada que les permita utilizar estas herramientas de manera eficaz (Mullo et al., 2024; Soriano et al., 2025). Los estudios revelan una brecha importante: un bajo porcentaje de profesores se siente adecuadamente preparado y un alto número ha tenido que recurrir a la autoformación, manifestando que la formación institucional existente es insuficiente (Perezchica-Vega et al., 2024). Asimismo, se señala que la capacitación debe centrarse principalmente en competencias de alfabetización tecnológica y en metodologías de enseñanza apoyadas con IA (Espinoza-Cedeño et al., 2024).
Esta categoría aborda los problemas inherentes a la fiabilidad y precisión del contenido generado por la IA. Un hallazgo recurrente es la aparición de “alucinaciones”, información que, aunque parece correcta, es falsa, especialmente en productos académicos asistidos por IA elaborados por estudiantes. Destaca el caso de la invención de referencias bibliográficas (García-Peñalvo et al., 2024; Andreoli et al., 2024). Asimismo, los estudios han identificado sesgos en los datos, información fáctica incorrecta y datos desactualizados, lo que puede derivar en contenidos carentes de profundidad o de una comprensión adecuada del contexto disciplinar. Por ello, los hallazgos concluyen que es indispensable una supervisión humana detallada y la intervención de expertos para validar los resultados (Andia et al., 2024; Portuguez-Castro y Marchena, 2025). En la misma línea, algunos docentes manifiestan dudas sobre la veracidad y fiabilidad de los contenidos y muestran incertidumbre respecto de la confiabilidad general de las herramientas (Bernilla, 2024; Carranza et al., 2024).
En esta categoría se clasifican los estudios que exploran cómo los docentes perciben, sienten y adoptan la IAG. Las actitudes son complejas y a menudo ambivalentes, evidenciando una dualidad entre el reconocimiento de su potencial y la expresión de preocupaciones y temores (Bernilla, 2024; Vera, 2023; 2024; Mateus et al., 2024; Guerschberg y Gutiérrez, 2024). Las percepciones varían según diversos factores (Nevárez y Elizondo, 2025), como el conocimiento previo de la tecnología (Santiago-Ruiz, 2023), donde una mayor familiaridad se correlaciona con actitudes más positivas (Socorro, 2024). También influye el nivel de estudios, ya que docentes con posgrados tienden a reconocer más beneficios (Sosa et al., 2024), y la edad, siendo los docentes más jóvenes quienes muestran un mayor dominio de las herramientas (Olayo-Valles, 2024). Si bien hay una adopción creciente de la AI (Jurado-Enríquez et al., 2025), existe un sector del profesorado que la rechaza o la considera una amenaza (Chávez et al., 2023).
Esta categoría se enfoca en los efectos de la IAG sobre los estudiantes desde la perspectiva docente. Uno de los potenciales más destacados es la capacidad de personalizar el aprendizaje, adaptando los contenidos al ritmo y necesidades individuales de cada alumno (Bustos-Moyano et al., 2024; Sánchez et al., 2025). Algunos estudios reportan que la interacción con estas herramientas —cuando se acompaña de un encuadre pedagógico adecuado y supervisión docente— puede influir positivamente en el desarrollo de habilidades como el pensamiento crítico y la creatividad, además de mejorar la producción de textos (Onofre et al., 2024). También se ha observado un impacto favorable en los resultados académicos y en la motivación estudiantil (Acuña, 2024). Sin embargo, la literatura igualmente alerta sobre riesgos importantes, como el uso de la IAG como un atajo o instrumento de plagio que puede disminuir las habilidades de pensamiento crítico (señalado antes como beneficio) y fomentar la pasividad intelectual. Un factor decisivo identificado transversalmente es la forma en que los estudiantes usan la herramienta, ya sea como un atajo (o directamente como instrumento de plagio), es decir, como un sustituto con el que eluden el esfuerzo cognitivo, o como un apoyo para el aprendizaje (Morán-Ortega et al., 2024; Rivadeneira et al., 2024), por ejemplo, solicitando a la IAG que actúe como un agente crítico de un producto académico de su autoría.
Esta categoría, de menor presencia en la literatura revisada, agrupa los hallazgos que señalan carencias a nivel organizacional. La investigación evidencia que la mayoría de las instituciones de Educación Superior referidas en los contextos de investigación no contarían, de acuerdo a la perspectiva de los docentes, con políticas, regulaciones o directrices claras sobre el uso de la IAG (Rivadeneira et al., 2024). La insuficiencia de un marco institucional definido genera incertidumbre y dificulta la integración coherente y segura de la tecnología. Algunos estudios concluyen que es urgente que las instituciones desarrollen políticas que aprovechen el potencial de la IAG (y de la IA en general) y, a su vez, regulen los desafíos éticos relacionados con el plagio, la seguridad de los datos y la equidad (Morán-Ortega et al., 2024; de la Torre y Baldeon-Calisto, 2024). La ausencia de estas guías constituye un obstáculo que afecta negativamente la productividad docente y la correcta implementación de la tecnología en el aula.
Finalmente, esta categoría —al igual que la anterior, con menor presencia en el corpus de artículos analizados— se centra en los desafíos estructurales que condicionan la implementación de la IA. La brecha digital se identifica como una “barrera crucial” en el contexto de América Latina. La falta de una infraestructura tecnológica adecuada y la desigualdad en el acceso a dispositivos e internet de calidad limitan la aplicación de la IAG, especialmente en ciertos países de la región, con el riesgo de profundizar las desigualdades sociales existentes (Taipicaña et al., 2024). Los hallazgos también evidencian brechas en el conocimiento y uso de estas herramientas vinculadas a factores de género y generacionales (Arteaga, 2023). Esto plantea la necesidad de abordar la integración de la IAG desde una perspectiva contextualizada y equitativa para evitar que se amplíen las desigualdades en la educación (Sánchez y Carbajal, 2023).
Esta revisión sistemática se propuso responder a la pregunta: ¿Cuáles son los focos temáticos de la investigación publicada entre enero de 2023 y abril de 2025 sobre la inteligencia artificial generativa en docencia en Educación Superior en América Latina? La respuesta que emerge de los 35 estudios analizados indica un campo de investigación aún en desarrollo. Los hallazgos confirman que la IAG se presenta como una herramienta de doble filo, encapsulada en una tensión significativa. Por un lado, la literatura identifica el potencial para optimizar la labor docente (31% de los artículos), evidenciando beneficios como el aumento de la productividad y la personalización del aprendizaje, en consonancia con las promesas históricas de la IA —aun antes de ser generativa— de trascender el modelo de “talla única” y optimizar la eficiencia educativa. Sin embargo, este potencial se ve limitado por barreras críticas.
El análisis temático revela que la “primera ola” de investigación regional está dominada por una agenda predominantemente reactiva, centrada en dos preocupaciones inmediatas que eclipsan a las demás: los desafíos éticos y de integridad académica, y la necesidad crítica de capacitación docente, ambas presentes en el 54% de los artículos.
Sin embargo, el hallazgo más significativo de esta revisión podría no residir en lo que la literatura analiza, sino en aquello que omite. Existe una desconexión notable entre los desafíos estructurales específicos de América Latina —mencionados brevemente en la introducción— y los focos temáticos de la investigación post-ChatGPT. Los temas que abordan las barreras sistémicas, como la necesidad de políticas y guías institucionales (20%) y las brechas de acceso y desigualdad tecnológica (17%), son los menos frecuentes en el corpus analizado.
Esta escasez resulta preocupante. La literatura previa ha sido enfática en que la IA en la región no aterriza en un vacío, sino en un contexto de profundas desigualdades sociales, brechas de conectividad y disparidad de recursos entre universidades. Los resultados de esta revisión sugieren que la “primera ola” de investigación, al centrarse en la urgencia “micropedagógica” del aula —como el plagio y la falta de dominio técnico—, podría estar pasando por alto los desafíos “macroestructurales” que determinan la viabilidad y equidad de la adopción tecnológica en América Latina. Al relegar las brechas de acceso a un plano secundario, la agenda investigativa emergente corre el riesgo de formular soluciones pedagógicas y formativas aplicables únicamente a un segmento privilegiado de la Educación Superior, ignorando las advertencias sobre el riesgo de reforzar las desigualdades existentes.
Las futuras investigaciones deben trascender la agenda reactiva. Se necesitan estudios que exploren cómo la herramienta (IAG) se inserta en el sistema educativo en su conjunto, considerando tanto la institución como el contexto socioeconómico. Es preciso complementar los análisis de percepción con diseños longitudinales y experimentales que midan el impacto real en el aprendizaje; llenar el vacío investigativo sobre políticas institucionales, ahondando en cómo las universidades pueden crear marcos de gobernanza tecnológica que gestionen los riesgos éticos asociados a la IAG; abordar sistemáticamente la brecha de desigualdad, evaluando cómo esta tecnología se inserta en contextos de baja conectividad o en instituciones con recursos limitados; y fomentar que los docentes no solo utilicen la IAG, sino que investiguen y documenten sus prácticas, generando evidencia situada, pertinente y replicable en la región.
La discusión anterior identificó los vacíos estructurales de la investigación y su agenda predominantemente reactiva. Vale la pena, entonces, dar un paso más allá y analizar esta misma reactividad. Para ello, es necesario examinar con mayor detención las dos categorías dominantes: la “necesidad crítica de capacitación” y los “desafíos éticos”. La prominencia de estos temas y el modo en que se abordan, más allá de un análisis descriptivo, constituye tal vez un síntoma que revela una comprensión particular —y posiblemente superficial— de la disrupción tecnológica.
En primer lugar, la literatura revisada enmarca el desafío ético casi exclusivamente como un problema de vigilancia y control del estudiante, centrando la preocupación en la deshonestidad académica. Sin embargo, llama la atención el elocuente silencio sobre el uso ético (o poco ético) de la IAG por parte de los propios docentes. Esta asimetría en el escrutinio ético resulta reveladora.
En segundo lugar, la “necesidad de capacitación” se presenta con un carácter de urgencia que parece presuponer una solución meramente instrumental. La literatura refleja una ansiedad por “aprender a usar” la herramienta. Aquí resuena la advertencia heideggeriana: el problema de la técnica no es, en esencia, técnico. La investigación regional parece estar desconectada de esta reflexividad epistemológica sobre el uso de la IAG en el contexto de la docencia universitaria. Los hallazgos configuran una narrativa implícita en la que la disrupción de la IAG se aborda desde una fractura: la ética se externaliza como un problema del estudiante, mientras que la capacitación se internaliza como un problema técnico del docente.
Lo que se echa de menos es, precisamente, la conexión entre ambas dimensiones: una reflexión ética —y epistemológica— sobre la práctica docente misma. La investigación futura no puede limitarse a preguntar cómo los profesores aprenden a operar la IAG; debe inquirir cómo reflexionan críticamente sobre su sentido. ¿Qué significa ser docente en la era de la IAG? ¿Para qué queremos aprender IAG? ¿Cómo incide esta mediación en el vínculo pedagógico, la autoridad intelectual o el propósito mismo de la evaluación? Estas no son preguntas técnicas, sino interrogantes profundamente humanas que requieren el concurso insustituible de las Humanidades y las Ciencias Sociales si se pretende siquiera esbozar una respuesta mínimamente razonable.
Esta falta de profundidad crítica se evidencia también en el optimismo tecnológico de la categoría “beneficios” (31%). Tomemos, por ejemplo, la “personalización del aprendizaje” mediante retroalimentación automatizada. La literatura en general celebra la eficiencia de que una máquina retroalimente al estudiante, pero ¿es la eficiencia el valor pedagógico supremo? ¿Qué implica, para el vínculo humano, delegar esa labor de acompañamiento y corrección?
Más aún, esta promesa de eficiencia se enfrenta a lo que Mezzadri (2025), en el contexto de la investigación, denomina la “paradoja de la IA ética”. La literatura asume que la IAG ahorra tiempo al docente. Sin embargo, el uso ético y profesionalmente responsable de la IAG exige una supervisión humana rigurosa (Mezzadri, 2025). Si un docente, por responsabilidad ética, debe revisar en detalle toda la retroalimentación generada por una IAG para un estudiante —validando su precisión, tono y pertinencia pedagógica—, ¿existe realmente un beneficio neto en términos de tiempo? ¿O termina, como sugiere la paradoja, realizando las mismas tareas que pretendía delegar en la IA? La literatura regional revisada parece no abordar, al menos no significativamente, ninguna de estas interrogantes.
Al delegar tareas que pueden ser “tediosas”, pero que son constitutivas de la relación pedagógica, el docente corre el riesgo de “ausentarse”, de autoeliminarse de esa relación. Como sugiere Matthew Crawford (2023), usar la máquina para estos actos puede ser una forma de “no presentarse” (not show up). Es, en última instancia, una manera de sucumbir a la tentación de “ahorrarnos el problema de vivir” —o, en este contexto, el problema de enseñar—, delegando la relación educativa a un poder tutelar automatizado.
Por lo tanto, la agenda de investigación futura debe trascender la lógica instrumental. No basta con investigar los “usos” o la “percepciones” de la herramienta. Se requiere una agenda crítica que explore:
En conclusión, la integración de la IAG no constituye una mera actualización tecnológica; es un catalizador que obliga a las instituciones de Educación Superior a confrontar sus modelos pedagógicos, sus responsabilidades éticas y sus brechas estructurales. Los hallazgos de esta revisión, que muestran a un profesorado situado en el epicentro de esta tensión, son sintomáticos: revelan tanto la demanda urgente de respuestas instrumentales —capacitación y control ético del estudiante— como la profunda necesidad de una reflexión crítica sobre el sentido mismo de la práctica docente y el riesgo de ignorar las desigualdades sistémicas.
El desafío para la comunidad académica, por tanto, es doble: consiste en desplazar la conversación desde la reacción inmediata del aula hacia una reflexión más sistémica y, a la vez, asegurar que esta reflexión no sea meramente técnica, sino esencialmente humanista. Solo así será posible orientar una adaptación verdaderamente humana de esta poderosa tecnología.
Abbasi, M., Davis, M. M., Melgarejo Heredia, R. y Ordoñez Camacho, D. A. (2024). Artificial intelligence: A look back to the future in university education. In E. Villacis, C. Ayarza, J. Bucheli, S. Yazdani y A. Singh (Eds.), Proceedings of International Structural Engineering and Construction, 11(1), EPE-11. https://doi.org/10.14455/ISEC.2024.11(1).EPE-11
Acuña Fretes, E. D. (2024). Inteligencia artificial: Conocimientos, aplicaciones y utilidades en el aprendizaje en Educación Superior en la ciudad de Pilar. Revista Veritas de Difusão Científica, 5(1), 157-181. https://doi.org/10.61616/rvdc.v5i1.68
Alarcon-Llontop, L.-R., Pasapera-Ramírez, S. y Torres-Mirez, K. (2023, July 17-21). The ChatGPT application: Initial perceptions of university teachers. 21st LACCEI International Multi-Conference for Engineering, Education, and Technology, Buenos Aires, Argentina. https://dx.doi.org/10.18687/LACCEI2023.1.1.336
Andia Andia, R. D., Malpica Farfan, R. A. y Pacheco Chacaltana, G. G. (2024). La inteligencia artificial generativa en el proceso de diseño y producción de recursos educativos digitales para la educación superior: Un estudio de caso del curso piloto “Designing Educational Innovation Projects” de la Universidad Peruana de Ciencias Aplicadas [Tesis de maestría, Universidad Peruana de Ciencias Aplicadas]. Repositorio Académico UPC. http://hdl.handle.net/10757/676191
Andreoli, S., Aubert, E., Gladkoff, L., Perillo, L. y Cherbavaz, M. C. (2024). Alquimia didáctica: La interacción de docentes universitarios con la inteligencia artificial generativa. TIES, Revista de Tecnología e Innovación en Educación Superior, (10), 37-60. https://doi.org/10.22201/dgtic.26832968e.2024.10.16
Arteaga, J. E. (2023). Perspectivas de los docentes sobre la IA generativa: implicaciones para el aprendizaje personalizado en América Latina. Ethos Scientific Journal, 1(1), 56-69. https://doi.org/10.63380/esj.v1n1.2023.22
Benavides-Lara, M. A., Rendón Cazales, V. J., Escalante Rivas, N., del Pilar Martínez Hernández, A. M. y Sánchez Mendiola, M. (2025, enero-febrero). Presencia y uso de la inteligencia artificial generativa en la Universidad Nacional Autónoma de México. Revista Digital Universitaria (RDU), 26(1). http://doi.org/10.22201/ceide.16076079e.2025.26.1.10
Bernilla Rodriguez, E. B. (2024). Docentes ante la inteligencia artificial en una universidad pública del norte del Perú. Educación, 33(64), 8-28. https://doi.org/10.18800/educacion.202401.M001
Bhullar, P. S., Joshi, M. y Chugh, R. (2024). ChatGPT in higher education - a synthesis of the literature and a future research agenda. Education and Information Technologies, 29, 21501-21522. https://doi.org/10.1007/s10639-024-12723-x
Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W. y Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: a call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21(4). https://doi.org/10.1186/s41239-023-00436-z
Braun, V. y Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77-101. https://doi.org/10.1191/1478088706qp063oa
Bustos-Moyano, O., Morales-Barrientos, P., Tapia-Gallardo, H., Medina-González, P. y Escobar-Cabello, M. (2024). El podcast como apoyo al razonamiento profesional evaluado por la inteligencia artificial. Revista de Estudios y Experiencias en Educación, 23(52), 29-42. https://doi.org/10.21703/rexe.v23i52.2214
Carranza Alcántar, M. D. R., Macías González, G. G., Gómez Rodríguez, H., Jiménez Padilla, A. A., Jacobo Montes, F. M. (2024). Percepciones docentes sobre la integración de aplicaciones de IA generativa en el proceso de enseñanza universitario. REDU. Revista de Docencia Universitaria, 22(2):158-176. https://doi.org/10.4995/redu.2024.22027
Chávez Solís, M. E., Labrada Martínez, E., Carbajal Degante, E., Pineda Godoy, E. y Alatristre Martínez, Y. (2023). Inteligencia artificial generativa para fortalecer la educación superior. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 4(3), 767-784. https://doi.org/10.56712/latam.v4i3.1113
Crawford, M. B. (2023, 16 de abril). AI as self-erasure. Substack. https://mcrawford.substack.com/p/ai-as-self-erasure
Crompton, H. y Burke, D. (2023). Artificial intelligence in higher education: the state of the field. International Journal of Educational Technology in Higher Education, 20(22). https://doi.org/10.1186/s41239-023-00392-8
De la Torre, A. y Baldeon-Calisto, M. (2024). Generative artificial intelligence in Latin American higher education: a systematic literature review. En 2024 12th International Symposium on Digital Forensics and Security (ISDFS). IEEE. https://doi.org/10.1109/ISDFS60797.2024.10527283
Díaz Vera, J. P., Molina Izurieta, R., Bayas Jaramillo, C. M. y Ruiz Ramírez, A. K. (2024). Asistencia de la inteligencia artificial generativa como herramienta pedagógica en la educación superior. Revista de Investigación en Tecnologías de la Información, 12(26), 61-76. https://doi.org/10.36825/RITI.12.26.006
Espinoza-Cedeño, M. J., Hermida-Mendoza, L. N., Intriago-Cedeño, M. E. y Pico-Macías, E. P. (2024). Ventajas y desventajas de la inteligencia artificial en la Educación Superior. Journal Scientific MQRInvestigar, 8(3), 1001-1013. https://doi.org/10.56048/MQR20225.8.3.2024.1001-1013
Fernández-Miranda, Marina, Román-Acosta, Daniel, Jurado-Rosas, Adolfo A., Limón-Domínguez, Dolores y Torres-Fernández, Cristóbal. (2024). Artificial Intelligence in Latin American Universities: Emerging Challenges. Computación y Sistemas, 28(2), 435-450. Epub 31 de octubre de 2024.https://doi.org/10.13053/cys-28-2-4822
Gallent-Torres, C., Zapata-González, A. y Ortego-Hernando, J. L. (2023). El impacto de la inteligencia artificial generativa en educación superior: Una mirada desde la ética y la integridad académica. RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2), art. M5. http://doi.org/10.30827/relieve.v29i2.29134
García-Peñalvo, F. J., Llorens-Largo, F. y Vidal, J. (2024). La nueva realidad de la educación ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9-38. https://doi.org/10.5944/ried.27.1.37716
Guerschberg, L. y Gutiérrez, Y. E. (2024). Representaciones sociales de estudiantes y docentes universitarios sobre los usos académicos de herramientas de inteligencia artificial generativa. Campo Universitario, 5(10). www.campouniversitario.aduba.org.ar/ojs/index.php/cu/article/view/113
Hsieh, H. F. y Shannon, S. E. (2005). Three approaches to qualitative content analysis. Qualitative Health Research, 15(9), 1277-1288. https://doi.org/10.1177/1049732305276687
Jurado-Enríquez, E. L., Vargas-Prado, K. F., Melgarejo Ángeles, W. E., Aniceto Norabuena, Úrsula R. y Villacorta Granados, T. G. (2025). Inteligencia artificial generativa en el proceso de enseñanza del docente universitario. European Public & Social Innovation Review, 10, 1-15. https://doi.org/10.31637/epsir-2025-1612
Macias Galeas, I. (2025). Entre la eficiencia y la ética: Uso de la inteligencia artificial en la construcción de programas de clase. Revista de Investigación, Formación y Desarrollo: Generando Productividad Institucional, 13(1), 103-117. https://doi.org/10.34070/rif/.v13.i1.2025.408.103-117
Portuguez-Castro, M. y Marchena Sekli, G. (2025). Empowering educators: A multi-case study investigating the transformative integration of generative AI tools for teaching in business education. Journal of Education for Business, 100(4), 170-180. https://doi.org/10.1080/08832323.2025.2470731
Mateus, J.-C., Lugo, N., Cappello, G. y Guerrero-Pico, M. (2024). Communication Educators Facing the Arrival of Generative Artificial Intelligence: Exploration in Mexico, Peru, and Spain. Digital Education Review, (45), 106-114. https://doi.org/10.1344/der.2024.45.106-114
Mezzadri, D. (2025). The paradox of ethical AI-assisted research. Journal of Academic Ethics, 23, 2653–2667. https://doi.org/10.1007/s10805-025-09671-7
Morán-Ortega, S.-A., Ruiz-Tirado, S.-G., Simental-López, L.-M. y Tirado-López, A.-B. (2024). Barreras de la Inteligencia Artificial generativa en estudiantes de educación superior. Percepción docente. Revista de Investigación en Tecnologías de la Información, 12(25), 26-37. https://doi.org/10.36825/RITI.12.25.003
Mullo López, A. H., Balseca Mera, J. M. y Caicedo Reinoso, N. E. (2024). Retos y oportunidades de la IA en la formación de profesionales en comunicación. Razón y Palabra, 28(119), 28-43. https://doi.org/10.26807/rp.v28i119.2107
Nevárez Montes, J. y Elizondo-García, J. (2025). Faculty acceptance and use of generative artificial intelligence in their practice. Frontiers in Education, 10, 1427450. https://doi.org/10.3389/feduc.2025.1427450
Olayo-Valles, J. A. (2024). Diseño de curso de formación docente sobre la implementación de ChatGPT en educación superior. Revista NeyArt, 2(3), 14-30. https://doi.org/10.61273/neyart.v2i3.59
Onofre, P. J., Orona Hinojos, J. M., Reyes Morales, G., Macias Ávila, E., Flores Leal, A. y Álvarez Jiménez, B. (2024). Educational Innovation in Mexico: Enhancing Learning with Artificial Intelligence, Applying ChatGPT in Higher Education Institutions, Professor-Student Collaboration. Ciencia Latina Revista Científica Multidisciplinar, 8(3), 6210-6228. https://doi.org/10.37811/cl_rcm.v8i3.11819
Perezchica-Vega, J. E., Sepúlveda-Rodríguez, J. A. y Román-Méndez, A. D. (2024). Inteligencia artificial generativa en la educación superior: Usos y opiniones de los profesores. European Public & Social Innovation Review, 9, 01-20. https://doi.org/10.31637/epsir-2024-593
Petticrew, M. y Roberts, H. (2006). Systematic reviews in the social sciences: A practical guide. Blackwell Publishing. https://doi.org/10.1002/9780470754887
Popay, J., Roberts, H. M., Sowden, A. J., Petticrew, M., Arai, L., Rodgers, M., Britten, N., Roen, K. y Duffy, S. (2006). Guidance on the Conduct of Narrative Synthesis in Systematic Reviews: A Product from the ESRC Methods Programme. Lancaster University. https://doi.org/10.13140/2.1.1018.4643
Puche Villalobos, D. J. (2025). La inteligencia artificial y el fraude académico en el contexto universitario. Revista Digital de Investigación y Postgrado, 6(11), 73-93. https://doi.org/10.59654/kg944e15
Rahiman, H. U. y Kodikal, R. (2024). Revolutionizing education: Artificial intelligence empowered learning in higher education. Cogent Education, 11(1), 2293431. https://doi.org/10.1080/2331186X.2023.2293431
Ramírez Martinell, A. y Casillas Alvarado, M. A. (2024). Percepciones docentes sobre la inteligencia artificial generativa: El caso mexicano. Revista Paraguaya de Educación a Distancia, 5(2), 44-55. https://doi.org/10.56152/reped2024-dossierIA1-art4
Rivadeneira, L., Bellido de Luna, D. y Fernández, C. (2024). Exploring the Role of ChatGPT in Higher Education Institutions: Where does Latin America Stand? Digital Government: Research and Practice. https://doi.org/10.1145/3689370
Salas-Pilco, S. Z. y Yang, Y. (2022). Artificial intelligence applications in Latin American higher education: a systematic review. International Journal of Educational Technology in Higher Education, 19(21). https://doi.org/10.1186/s41239-022-00326-w
Sánchez, K. W., Santos Suárez, R. C., Herrera Espinoza, A. J., Escobar Pilataxi, J. W. y Cedeño Salazar, P. A. (2025). La inteligencia artificial generativa en la educación superior: Oportunidades en el siglo XXI. South Florida Journal of Development, 6(5), 01-18. https://doi.org/10.46932/sfjdv6n5-046
Sánchez Mendiola, M. y 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
Santiago-Ruiz, E. (2023). Writing with ChatGPT in a context of educational inequality and digital divide. International Journal of Education and Development using Information and Communication Technology, 19(3), 28-38.
Socorro Ovalles, J. A. (2024). Actitudes del profesorado ante el uso y manejo de la inteligencia artificial generativa (IAG) de modo eficiente. Vitalia, 5(3), 1183-1213. https://doi.org/10.61368/r.s.d.h.v5i3.325
Soriano Centeno, A. F. ., Sarchi Guerrero, J. A., Contreras Chiquito, E. K. y Rojas Rojas, J. A. (2025). La percepción de los docentes sobre las capacidades y desafíos asociados al uso de la inteligencia artificial generativa como práctica innovadora en la gestión docente. Revista Científica de Innovación Educativa y Sociedad Actual ALCON, 5(3), 323-331. https://doi.org/10.62305/alcon.v5i3.599
Sosa, P. N., Jiménez, V. E. y Riego, A. (2024). El análisis de la percepción de los profesores respecto al uso de la inteligencia artificial. Revista EDUCA UMCH (24), 66-77. https://doi.org/10.35756/educaumch.202424.293
Taipicaña Vergara, J. A., Hidalgo Achig, M. F., Sinchiguano Molina, G., Salguero Núñez., C. S. y Chiguano Umajinga, N. R. (2024). Factors impacting the integration of AI in Ecuadorian higher education: perspectives and implications. Sapienza: International Journal of Interdisciplinary Studies, 5(4), e24075. https://doi.org/10.51798/sijis.v5i4.868
Tiglla Tumbaico, B. D. (2025). Impacto de la inteligencia artificial generativa (IAG) en la personalización del aprendizaje en universidades latinoamericanas. Alpha International Journal, 3(1), 18-30. https://doi.org/10.63380/aij.v3n1.2025.55
Valderrey Loroño, M. D. (2024). Inteligencia artificial algorítmica: Una aproximación para los actores de la educación universitaria. Revista Scientific, 9(32), 340-360. https://doi.org/10.29394/Scientific.issn.2542-2987.2024.9.32.16.340-360
Vera, F. (2023). Integración de la inteligencia artificial en la Educación Superior: Desafíos y oportunidades. Transformar, 4(1), 17-34. https://www.revistatransformar.cl/index.php/transformar/article/view/84
Vera, F. (2024). Integración de la inteligencia artificial generativa en la Educación Superior. Transformar, 4(4), 36-46. https://www.revistatransformar.cl/index.php/transformar/article/view/108
Villanueva Figueroa, R. E. y Boy Barreto, A. M. (2024). Aportes de la inteligencia artificial en la educación superior universitaria: Una revisión sistemática. Universciencia, 22(65), 7-22.
Zawacki-Richter, O., Marín, V. I., Bond, M. y Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education - where are the educators? International Journal of Educational Technology in Higher Education, 16(39). https://doi.org/10.1186/s41239-019-0171-0
Se diseñó una estrategia de búsqueda exhaustiva y sistemática, adaptada a la sintaxis de cada una de las cinco bases de datos consultadas (Scopus, Web of Science, Redalyc, ERIC y Google Scholar). La búsqueda combinó términos en español e inglés mediante operadores booleanos para maximizar la cobertura.
Los términos se agruparon en cuatro componentes conceptuales clave. Un quinto componente (foco del estudio: percepciones, usos, desafíos, oportunidades, innovación educativa) no se incluyó en la cadena de búsqueda a fin de evitar una restricción excesiva de los resultados, optando por una selección más amplia en la fase inicial de la revisión.
a) Sintaxis para Scopus:
TITLE-ABS-KEY ((“Generative Artificial Intelligence” OR “Generative AI” OR “ChatGPT” OR “Large Language Model*” OR “Inteligencia Artificial Generativa” OR “IA generativa”)) AND TITLE-ABS-KEY ((teacher* OR instructor* OR faculty OR educator* OR docente* OR profesor* OR catedrático* OR académico*)) AND TITLE-ABS-KEY ((“higher education” OR universit* OR “tertiary education” OR “Educación Superior”)) AND TITLE-ABS-KEY ((“Latin America” OR “América Latina” OR Argentina OR Bolivia OR Brazil OR Chile OR Colombia OR “Costa Rica” OR Cuba OR Ecuador OR “El Salvador” OR Guatemala OR Honduras OR Mexico OR Nicaragua OR Panama OR Paraguay OR Peru OR “Dominican Republic” OR Uruguay OR Venezuela)) AND (PUBYEAR > 2022 AND PUBYEAR < 2026) AND (DOCTYPE(ar) OR DOCTYPE(ch)) AND (LANGUAGE(english) OR LANGUAGE(spanish))
b) Sintaxis para Web of Science
Nota: La búsqueda se enfocó en el campo TS (Topic) para una máxima co/h4>
TS=((“Generative Artificial Intelligence” OR “Generative AI” OR “ChatGPT” OR “Large Language Model*” OR “Inteligencia Artificial Generativa” OR “IA generativa”)) AND TS=((teacher* OR instructor* OR faculty OR educator* OR docente* OR profesor* OR catedrático* OR académico*)) AND TS=((“higher education” OR universit* OR “tertiary education” OR “Educación Superior”)) AND TS=( (“Latin America” OR “América Latina” OR Argentina OR Bolivia OR Brazil OR Chile OR Colombia OR “Costa Rica” OR Cuba OR Ecuador OR “El Salvador” OR Guatemala OR Honduras OR Mexico OR Nicaragua OR Panama OR Paraguay OR Peru OR “Dominican Republic” OR Uruguay OR Venezuela))
Filtros adicionales en la plataforma:
c) Sintaxis para Redalyc
d) Sintaxis para ERIC
Nota: La búsqueda se realizó en todos los campos (any field) para ser exh/h4>
((“Generative Artificial Intelligence” OR “Generative AI” OR “ChatGPT” OR “Large Language Models”) AND (teacher* OR instructor* OR faculty OR educators) AND (“higher education” OR university)) AND (“Latin America” OR Argentina OR Bolivia OR Brazil OR Chile OR Colombia OR “Costa Rica” OR Ecuador OR “El Salvador” OR Guatemala OR Honduras OR Mexico OR Nicaragua OR Panama OR Paraguay OR Peru OR Uruguay OR Venezuela)
Filtros adicionales en la plataforma:
e) Sintaxis para Google Scholar
Nota: La revisión de artículos abarcó las primeras 100 páginas de resultados de b/h4>
Intitle: (“Inteligencia Artificial Generativa” OR “IA generativa” OR “ChatGPT” OR “Generative AI”) (docente* OR profesor* OR instructor* OR académico* OR teacher* OR faculty) (“Educación Superior” OR universidad OR university) (“Latin America” OR Argentina OR Bolivia OR Brasil OR Chile OR Colombia OR “Costa Rica” OR Ecuador OR “El Salvador” OR Guatemala OR Honduras OR Mexico OR Nicaragua OR Panama OR Paraguay OR Peru OR Uruguay OR Venezuela)
Para documentar el proceso de selección de manera transparente, se elaboró el siguiente flujo:
Nota: Las fuentes se revisaron en el orden del listado precedente. Durante el proceso, los artículos encontrados en más de una fuente fueron registrados solo una vez y en relación con la primera fuente en la que aparecen
| Categoría temática | N.° de artículos | Artículos según categoría temática (%) |
| 1. Beneficios de productividad y eficiencia docente | 11 | 31% |
| 2. Desafíos éticos y de integridad académica | 19 | 54% |
| 3. Necesidad crítica de capacitación y formación docente | 19 | 54% |
| 4. Limitaciones y riesgos de la calidad de la información | 7 | 20% |
| 5. Percepciones, actitudes y niveles de adopción docente | 15 | 43% |
| 6. Impacto y aplicaciones en el aprendizaje estudiantil | 9 | 26% |
| 7. Necesidad de políticas y guías institucionales | 7 | 20% |
| 8. Brechas de acceso y desigualdad tecnológica | 6 | 17% |
Fuente: Elaboración propia.
| Año | N.° de artículos | Distribución de artículos por año de publicación (%) |
| 2023 | 5 | 14% |
| 2024 | 24 | 69% |
| 2025 | 6 | 17% |
| TOTAL | 35 | 100% |
Fuente: Elaboración propia.
| País (estandarizado) | Frecuencia | Porcentaje |
| República Dominicana | 1 | 3% |
| Argentina | 2 | 6% |
| Paraguay | 2 | 6% |
| América Latina | 6 | 17% |
| Ecuador | 6 | 17% |
| México | 10 | 29% |
| Perú | 5 | 14% |
| Chile | 2 | 6% |
| Venezuela | 1 | 3% |
| TOTAL | 35 | 100% |
Fuente: Elaboración propia.
| Tipo de metodología (estandarizado) | N.° de artículos | Distribución de artículos por tipo de metodología (%) |
| Cuantitativo | 14 | 40% |
| Cualitativo | 12 | 34% |
| Mixto | 9 | 26% |
| TOTAL | 35 | 100% |
Fuente: Elaboración propia.
| Fuente | Frecuencia | Porcentaje |
| Scopus | 6 | 17% |
| WoS | 3 | 9% |
| Redalyc | 4 | 11% |
| Eric | 1 | 3% |
| Google Scholar | 21 | 60% |
| TOTAL | 35 | 100% |