INTRODUCCIÓN
La inteligencia artificial ha evolucionado de ser un área exclusiva de la investigación informática a convertirse en una tecnología transversal con impactos evidentes en numerosos sectores sociales, económicos y educativos. En el campo de la educación superior, este fenómeno ha cobrado especial importancia, ya que la implementación de sistemas basados en inteligencia artificial empieza a influir directamente en las maneras de enseñar, aprender y generar conocimiento, transformando poco a poco las prácticas educativas universitarias (Vera et al., 2023). En este contexto, las universidades se enfrentan al reto de integrar estas tecnologías sin perder de vista su misión formativa, ética y social, manteniendo un equilibrio entre la innovación tecnológica y el sentido pedagógico (González et al., 2024).
Uno de los principales desafíos de la educación superior actual es atender a un alumnado cada vez más diverso, inmerso en entornos de aprendizaje altamente digitalizados y caracterizados por un acceso constante a la información. Desde esta perspectiva, la inteligencia artificial ofrece oportunidades específicas para personalizar los procesos educativos, optimizar la gestión académica y apoyar la toma de decisiones pedagógicas basadas en datos (Merino-Campos, 2025; Chicaiza et al., 2024). Sin embargo, su integración debe verse como parte de una transformación más amplia de los modelos pedagógicos universitarios, y no solo como la adopción de herramientas tecnológicas aisladas (Lago & Pérez, 2024).
La literatura científica reciente muestra que una parte significativa de las aplicaciones de la inteligencia artificial en la educación superior se basa en técnicas de aprendizaje automático, analítica del aprendizaje y sistemas inteligentes de recomendación.
Estos enfoques permiten analizar patrones de rendimiento académico, prever riesgos de abandono y apoyar procesos de evaluación y retroalimentación, contribuyendo a una gestión más informada del proceso educativo (Baldrich et al., 2024). En esta línea, se ha observado que el uso de modelos predictivos puede influir en cómo los estudiantes interactúan con herramientas de inteligencia artificial, especialmente en actividades relacionadas con la escritura académica y el aprendizaje autónomo (Cui, 2025).
Desde la perspectiva estudiantil, diferentes estudios han documentado beneficios asociados al uso de sistemas inteligentes en contextos universitarios, destacando el fortalecimiento de la autonomía, la autorregulación del aprendizaje y la adaptación de los contenidos a las necesidades individuales (Villacreses et al., 2025). Asimismo, se ha señalado que estas tecnologías pueden contribuir a mejorar la producción académica cuando se utilizan de manera consciente y guiada, sin reemplazar el desarrollo conceptual profundo que caracteriza al aprendizaje universitario (Juca, 2023).
En cuanto al papel del docente, la inteligencia artificial ha sido descrita principalmente como un recurso de apoyo a la labor pedagógica, más que como un sustituto de la actividad educativa. La automatización de tareas evaluativas y administrativas permite a los docentes centrarse en actividades de mayor valor formativo, como la mediación pedagógica, la retroalimentación cualitativa y la reflexión sobre la práctica docente (Castro et al., 2025). De manera complementaria, el análisis de datos educativos mediante herramientas de inteligencia artificial puede favorecer una planificación pedagógica más informada y contextualizada, alineada con las necesidades reales del alumnado (Escaleras et al., 2025).
Sin embargo, la integración de la inteligencia artificial en la educación superior también enfrenta importantes limitaciones. Entre los principales desafíos identificados se encuentran la insuficiente formación docente en competencias digitales avanzadas, la resistencia al cambio institucional y la persistencia de brechas tecnológicas que condicionan una adopción equitativa de estas herramientas (Kroff et al., 2024). A esto se suma que, en muchos contextos universitarios, la implementación de la inteligencia artificial se realiza de manera fragmentada, sin una estrategia institucional clara que articule sus usos pedagógicos, administrativos y éticos (Castillo y Mora, 2024).
Junto a los desafíos pedagógicos y organizacionales, la literatura reciente ha prestado especial atención a las implicancias éticas asociadas al uso de la inteligencia artificial en educación superior. Diversas universidades sostienen que la ética debe constituir un eje central en la integración de estas tecnologías en los procesos educativos, especialmente en lo relativo a la privacidad de los datos, la transparencia de los algoritmos y la integridad académica (Cabero y Barroso, 2025). En esta misma línea, se ha advertido sobre los riesgos vinculados al uso inadecuado de herramientas de inteligencia artificial generativa, lo que refuerza la necesidad de marcos normativos y orientaciones pedagógicas claras (Vega et al., 2025).
En el contexto latinoamericano, el examen de la inteligencia artificial en universidades adquiere particular relevancia debido a las desigualdades estructurales existentes en términos de acceso a la tecnología, infraestructura y formación docente. Estudios desarrollados en universidades en la región muestran que las percepciones frente a la inteligencia artificial oscilan entre la valoración de sus beneficios pedagógicos y la preocupación por sus posibles efectos en la práctica educativa y la autonomía profesional del docente (Valenzuela y Pérez, 2025). Asimismo, se enfatiza la importancia de contextualizar la adopción tecnológica considerando las realidades institucionales, culturales y sociales propias de cada país (Díaz et al., 2024).
A pesar del creciente volumen de investigaciones sobre inteligencia artificial en educación superior.
la producción científica presenta enfoques diversos y, en algunos casos, fragmentados, lo que dificulta la identificación de tendencias claras y aplicaciones predominantes. Muchas revisiones existentes se centran en análisis narrativos o integrativos, sin delimitar con precisión los patrones temáticos emergentes ni el alcance real de las aplicaciones educativas de la inteligencia artificial (Perdomo y González, 2025). En este escenario, es necesario sistematizar la evidencia científica reciente desde una fuente de alto impacto que permita una comprensión más integrada del fenómeno (Gracia y Panchano, 2025). Existen muchas revisiones sistemáticas, bibliométricas, de alcance y de la literatura.
A partir de lo anterior, se plantea como problema de investigación la dispersión temática y metodológica existente en la literatura reciente sobre inteligencia artificial en educación superior, lo que limita la comprensión global de las tendencias y aplicaciones predominantes en este ámbito. En consecuencia, se formula como hipótesis que la producción científica publicada entre 2020 y 2025 se orienta mayoritariamente hacia aplicaciones de apoyo al aprendizaje y a la enseñanza, con un énfasis en el estudiante como actor central y una menor atención a enfoques institucionales y éticos integrales. En respuesta a este contexto, el objetivo del presente estudio es analizar las tendencias y aplicaciones de la inteligencia artificial en la educación superior, a partir de una revisión sistemática de la literatura científica indexada en la base de datos Scopus durante el período 2020—2025, contribuyendo así a una comprensión más clara del estado actual del campo y a la toma de decisiones informadas en el ámbito universitario.
MATERIALES Y MÉTODOS
Diseño del estudio
Este estudio se llevó a cabo a través de una revisión sistemática de la literatura científica, adoptando un enfoque cualitativo y descriptivo. Este tipo de diseño metodológico facilitó la identificación y el análisis de las tendencias y aplicaciones de la inteligencia artificial en el ámbito de la educación superior, basándose en la producción científica reciente, sin establecer relaciones de causalidad ni evaluar efectos de intervención. El análisis se centró en proporcionar una visión general sobre el estado actual del campo, en armonía con el objetivo propuesto y la naturaleza exploratoria del estudio.
Fuente de información y estrategia de búsqueda
La obtención de información se efectuó únicamente a través de la base de datos Scopus, elegida por su extensa cobertura en múltiples disciplinas y su prestigio como una de las fuentes principales de literatura científica de gran impacto. La estrategia de búsqueda se implementó utilizando términos asociados con la inteligencia artificial y la educación superior, combinando palabras clave relacionadas con Artificial Intelligence, Higher Education, Machine Learning, Students y Teaching. Esta búsqueda preliminar condujo a la identificación de un total de 44.346 documentos, que conformaron el universo inicial del estudio.
TITLE-ABS-KEY(("artificial intelligence" OR "AI" OR "machine learning" OR "deep learning"OR "generative AI" OR "large language model " OR "chatgpt")AND("higher education" OR "university education" OR "tertiary education"OR universit OR "educación superior")AND(education OR teaching OR learning OR pedagogyOR assessment OR curriculum OR evaluation)
Proceso de selección de los documentos
Después, se llevó a cabo un proceso gradual para depurar los registros obtenidos. En la etapa inicial, se aplicó un criterio temporal, eligiendo solo los documentos publicados entre los años 2020 y 2025. Esto permitió reducir el corpus a 36.035 publicaciones. En la siguiente etapa, los documentos fueron filtrados según su área temática, manteniendo únicamente aquellos pertenecientes a las áreas de Computer Science e Ingeniería, debido a su conexión directa con el desarrollo y aplicación de tecnologías basadas en inteligencia artificial.
Criterios de inclusión y exclusión
En una etapa posterior, se aplicó un filtro por tipo de documento. Se eligieron exclusivamente artículos científicos, capítulos de libro y libros, lo que redujo el conjunto a 11.272 publicaciones. Para concluir, se llevó a cabo una selección temática más detallada mediante el uso de palabras clave. Solo se consideraron aquellos documentos que incluyeron los términos Inteligencia Artificial, Educación Superior, Aprendizaje Automático, Estudiantes y Enseñanza. Este proceso permitió conformar un corpus final de 43 documentos, considerados relevantes para el análisis. Los criterios de inclusión y exclusión que se utilizaron se presentaron de manera resumida en la Tabla 1. La redacción debía ser en prosa (sin guiones) y en tiempo pasado. Se organizó cada fase del trabajo bajo un subtítulo. Se sugirió una extensión que no superara una página, a menos que el estudio justificara una mayor longitud.
| Criterio | Inclusión | Exclusión |
|---|---|---|
| Base de datos | Publicaciones indexadas en la base de datos Scopus | Documentos no indexados en Scopus |
| Periodo de publicación | Documentos publicados entre los años 2020 y 2025 | Publicaciones anteriores al año 2020 |
| Área temática | Publicaciones pertenecientes a las áreas de Computer Science y Engineering | Estudios de otras áreas temáticas sin relación directa con el desarrollo o aplicación de inteligencia artificial |
| Tipo de documento | Artículos científicos, capítulos de libro y libros | Editoriales, notas, resúmenes, actas no académicas u otros tipos documentales |
| Pertinencia temática | Estudios que incluyan las palabras clave Artificial Intelligence, Higher Education, Machine Learning, Students y Teaching | Documentos que no incluyan las palabras clave definidas o cuya temática sea tangencial al estudio |
Fuente: elaboración propia.
Nota: La tabla presenta los criterios utilizados para la selección y depuración del corpus documental analizado, los cuales permitieron delimitar el alcance del estudio y asegurar la pertinencia temática y metodológica de las publicaciones incluidas en la revisión.
RESULTADOS
El examen cualitativo de los resúmenes de los 43 documentos seleccionados permitió reconocer patrones frecuentes, temas predominantes y maneras de aplicar la inteligencia artificial en la educación superior durante el período 2020-2025. Mediante una lectura detallada de los abstracts, se llevó a cabo una categorización inductiva que facilitó la organización de los resultados en tres dimensiones clave: áreas de aplicación de la inteligencia artificial, actores educativos involucrados y objetivos pedagógicos relacionados con su uso.
En cuanto a las áreas de aplicación, los resultados muestran una notable concentración de estudios centrados en el aprendizaje de los estudiantes, la evaluación académica y el desarrollo de sistemas educativos digitales. La Tabla 2 ofrece un resumen de los principales ámbitos identificados en los resúmenes evaluados.
| Ámbito de aplicación | Descripción sintética | Frecuencia aproximada |
|---|---|---|
| Aprendizaje estudiantil | Uso de inteligencia artificial para personalizar contenidos, apoyar el rendimiento y favorecer la autorregulación del aprendizaje | Alta |
| Evaluación y retroalimentación | Automatización de evaluaciones, análisis de desempeño y generación de feedback académico | Media-alta |
| Sistemas de aprendizaje digital | Plataformas de e-learning, sistemas adaptativos y tutorías inteligentes | Media |
| Analítica del aprendizaje | Análisis de datos educativos para predecir rendimiento y abandono | Media |
| Gestión académica | Apoyo a procesos administrativos y toma de decisiones institucionales | Baja |
Fuente: elaboración propia.
Nota: La tabla sintetiza los principales ámbitos de aplicación de la inteligencia artificial en la educación superior identificados a partir del análisis cualitativo de los resúmenes, destacando las áreas de mayor recurrencia en la literatura revisada.
Los resultados indican que la mayoría de las aplicaciones mencionadas están dirigidas a funciones directamente relacionadas con el proceso de aprendizaje de los estudiantes. Por otro lado, los usos asociados con la gestión académica tienen una presencia menos destacada en los estudios revisados. En cuanto a los participantes del ámbito educativo involucrados, el análisis de los resúmenes destaca un foco principal en los estudiantes, seguido por la función del docente. En menor grado, se encuentran referencias explícitas a la institución y a la comunidad educativa en su conjunto. La Tabla 3 resume la presencia de estos actores en los estudios examinados.
| Actor educativo | Enfoque predominante en los estudios | Presencia en los resúmenes |
|---|---|---|
| Estudiantes | Rendimiento académico, personalización del aprendizaje, autonomía | Alta |
| Docentes | Apoyo a la enseñanza, evaluación, reducción de carga administrativa | Media |
| Instituciones | Implementación de sistemas, toma de decisiones, políticas internas | Baja |
| Comunidad educativa | Impactos generales en el proceso formativo | Baja |
Fuente: elaboración propia.
Nota: La tabla muestra los actores educativos considerados en los estudios analizados, evidenciando el énfasis predominante en el estudiantado, seguido por el rol del docente, mientras que la dimensión institucional y comunitaria presenta una menor presencia en la literatura revisada.
Estos hallazgos demuestran que las investigaciones suelen posicionar al estudiante como el principal beneficiario de las aplicaciones de inteligencia artificial, mientras que el papel del docente se relaciona mayoritariamente con tareas de apoyo pedagógico. Por último, el análisis de los objetivos pedagógicos asignados al uso de la inteligencia artificial permitió reconocer las finalidades educativas más comunes mencionadas en los resúmenes. La Tabla 4 ofrece un resumen de estos objetivos y su frecuencia de aparición
| Propósito pedagógico | Descripción | Nivel de recurrencia |
|---|---|---|
| Mejora del rendimiento académico | Incremento de resultados, comprensión y desempeño estudiantil | Alta |
| Personalización del aprendizaje | Adaptación de contenidos y ritmos de aprendizaje | Alta |
| Optimización de la enseñanza | Apoyo a la labor docente y mejora de procesos pedagógicos | Media |
| Desarrollo de competencias digitales | Fortalecimiento de habilidades tecnológicas y analíticas | Media |
| Apoyo a la toma de decisiones educativas | Uso de datos para orientar estrategias pedagógicas | Baja |
Fuente: elaboración propia.
Nota: La tabla presenta los principales propósitos pedagógicos atribuidos al uso de la inteligencia artificial en la educación superior, identificados a partir del análisis de los resúmenes, destacando la centralidad de la mejora del rendimiento académico y la personalización del aprendizaje.
Los hallazgos indican que la literatura académica actual considera a la inteligencia artificial predominantemente como un instrumento destinado a optimizar los procesos de enseñanza y aprendizaje en el ámbito de la educación superior, destacando su uso en aplicaciones de naturaleza funcional y pedagógica.
DISCUSIÓN
Los resultados de esta revisión muestran que la inteligencia artificial se ha establecido como un área de interés prioritario en la educación superior durante el periodo 2020—2025, especialmente en relación con el mejoramiento de los procesos de aprendizaje. Esta tendencia coincide con lo expuesto por Vera et al. (2023) y González et al. (2024), quienes describen a la inteligencia artificial como un agente transformador que empieza a redefinir las prácticas educativas universitarias, desplazando gradualmente el enfoque desde métodos tradicionales hacia modelos más flexibles basados en el uso de datos. El foco identificado en los resultados sobre el aprendizaje de los estudiantes y la personalización de contenido se alinea con estudios previos que resaltan el potencial del aprendizaje automático y los sistemas adaptativos para atender la diversidad estudiantil (Baldrich et al., 2024; Villacreses et al., 2025). En este sentido, la literatura coincide en que la inteligencia artificial puede facilitar modelos educativos centrados en el estudiante; sin embargo, su efectividad está altamente condicionada por el contexto institucional y la manera en que estas herramientas son integradas pedagógicamente (Lago y Pérez, 2024).
La importancia dada a la evaluación y retroalimentación automatizada, destacada en los resúmenes analizados, confirma una preocupación constante por optimizar procesos tradicionalmente complejos y exigentes para los docentes. Investigaciones como las de Castro et al. (2025) y Escaleras et al. (2025) coinciden en que la automatización puede ayudar a mejorar la eficiencia docente, siempre que no reemplace la mediación pedagógica ni el juicio profesional. Este hallazgo refuerza la idea de la inteligencia artificial como un complemento en la labor docente, más que como un sustituto del papel educativo (Valenzuela y Pérez, 2025).
Además, el uso de la inteligencia artificial para el análisis del rendimiento académico y la predicción de resultados figura como una de las aplicaciones más frecuentes en los estudios revisados. Cui (2025) muestra que los modelos predictivos afectan la toma de decisiones académicas, mientras que Juca (2023) señala que estos sistemas deben ser usados con precaución para evitar interpretaciones simplistas de fenómenos educativos complejos. En este sentido, los resultados sugieren que la analítica del aprendizaje es un área con gran potencial, aunque acompañada de desafíos metodológicos y éticos significativos.
Respecto a los actores educativos, los resultados muestran un claro predominio del estudiante como el foco de análisis, lo que coincide con investigaciones que destacan la autonomía, la autorregulación y la motivación como beneficios del uso de la inteligencia artificial en educación superior (Villacreses et al., 2025; Zawacki et al., 2019). Sin embargo, esta centralidad en el estudiante contrasta con la menor atención dada al nivel institucional, un aspecto que ha sido señalado anteriormente como una limitación en la literatura existente (Castillo y Mora, 2024; Gracia y Panchano, 2025).
El papel del docente, aunque presente en los estudios analizados, se asocia principalmente a funciones de supervisión, evaluación y apoyo, más que a un agente activo en el diseño y desarrollo de soluciones basadas en inteligencia artificial. Kroff et al. (2024) y Sánchez et al. (2025) coinciden en que esta situación refleja una brecha en la formación docente, que limita la apropiación crítica y reflexiva de estas tecnologías. Los resultados de esta revisión refuerzan, por tanto, la necesidad de fortalecer programas de capacitación que integren competencias tecnológicas, pedagógicas y éticas.
Las consideraciones éticas, aunque no son el eje central de la mayoría de los estudios analizados, emergen como un tema transversal en la literatura reciente. Cabero y Barroso (2025) afirman que la integración de la inteligencia artificial en educación debe estar guiada por principios de responsabilidad, transparencia y equidad. Complementariamente, Vega et al. (2025) resaltan los riesgos relacionados con la integridad académica y el uso indiscriminado de herramientas de inteligencia artificial generativa, lo que refleja la necesidad de prestar más atención a estos aspectos de manera sistemática.
En el contexto latinoamericano, los resultados dialogan con investigaciones que enfatizan la importancia de contextualizar la implementación de la inteligencia artificial considerando las realidades sociales, económicas y culturales de la región (Díaz et al., 2024; Valenzuela y Pérez, 2025). La escasa presencia de enfoques institucionales integrales en los estudios analizados sugiere que muchas iniciativas se desarrollan de manera fragmentada, lo que puede limitar su impacto a largo plazo y resalta la necesidad de políticas educativas claras y sostenidas.
Otro aspecto relevante identificado en esta revisión es la orientación predominantemente instrumental de la inteligencia artificial, centrada en la eficiencia y optimización de procesos educativos. Aunque estos objetivos son relevantes, algunos autores advierten que una adopción sin crítica de la inteligencia artificial puede llevar a una tecnificación excesiva de la educación superior (González et al., 2024; Selwyn, 2019; Segura y Coughlan, 2025). En este sentido, los resultados invitan a reflexionar sobre la importancia de equilibrar el uso de tecnologías inteligentes con enfoques pedagógicos dialógicos.
La discusión de los resultados confirma que la inteligencia artificial está ganando un lugar cada vez más destacado en la educación superior, principalmente como herramienta de apoyo al aprendizaje y la enseñanza. No obstante, la literatura analizada evidencia la persistencia de desafíos relacionados con la formación docente, la ética, la institucionalización de estas tecnologías y su impacto pedagógico a largo plazo. Estos hallazgos son coherentes con revisiones anteriores (Perdomo y González, 2025; Gracia y Panchano, 2025), y refuerzan la necesidad de seguir investigando la integración de la inteligencia artificial desde enfoques críticos, contextualizados y orientados a la mejora integral de la educación superior.
CONCLUSIONES
El análisis sistemático de la literatura científica indexada en Scopus desde 2020 hasta 2025 ha confirmado que la inteligencia artificial se ha establecido como un tema importante de estudio en la educación superior, enfocándose principalmente en su uso como herramienta para apoyar los procesos de enseñanza y aprendizaje, en lugar de transformar estructuralmente el modelo educativo universitario.
Los hallazgos muestran que las principales aplicaciones de la inteligencia artificial en la educación superior se centran en personalizar el aprendizaje, mejorar el rendimiento académico, automatizar procesos de evaluación y desarrollar sistemas de aprendizaje digital. En este contexto, el estudiante se ubica como el protagonista, mientras que el docente asume un papel mayormente asociado con el apoyo y la mediación pedagógica.
El estudio proporciona una visión sistematizada sobre el estado actual de la investigación en inteligencia artificial en la educación superior, destacando la necesidad de avanzar hacia enfoques más integrales que incluyan dimensiones institucionales, formativas y éticas. Esto abre nuevas avenidas de investigación dirigidas a una integración crítica, contextualizada y sostenible de estas tecnologías en el entorno universitario.