|
Adopción de inteligencia artificial generativa en educación superior latinoamericana: Revisión de alcance
Generative artificial intelligence adoption in Latin American higher education: scoping review
https://doi.org/10.47606/ACVEN/PH0469
|
|
Brenda Patricia Motta-Soto1 Francisco
Carlos Leoncio Orbegoso-Leiva2 bpmotta7@yahoo.es orbegosojuanjui@gmail.com Elsa Dolores Hernández-García3 Rosa
Luz Carrillo-Atahualpa4 elsatech61@gmail.com rosa.carrillo2410@gmail.com Modesto Mostacedo-Villca5 Florencia Chafloque-Capuñay6* https://orcid.org/0009-0005-8965-1313 https://orcid.org/0009-0003-7119-4711
|
|
Recibido: 16/11/2025 Aceptado: 31/01/2026 |
RESUMEN
La integración de la inteligencia artificial generativa (IAG) en las universidades se ha intensificado en América Latina, impulsada por la aparición masiva de herramientas conversacionales basadas en modelos de lenguaje. No obstante, la evidencia empírica disponible sigue fragmentada, lo que dificulta una lectura sistemática sobre actores, modalidades de uso y efectos reportados. Esta revisión de alcance mapeó lo publicado entre 2021 y 2025 sobre adopción de IAG en educación superior latinoamericana, identificando actores, usos, beneficios percibidos, riesgos señalados y brechas de investigación. Se siguió el esquema de Arksey y O’Malley, con aportes de Levac et al., y se reportó conforme a PRISMA-ScR. La búsqueda consideró Scopus, SciELO, ERIC y Google Scholar, seleccionando solo estudios empíricos que indican de forma clara un contexto latinoamericano. Tras identificación, cribado y evaluación, se incluyeron 31 estudios; para favorecer la comparabilidad, 22 se sintetizaron en el cuerpo principal. Los resultados muestran predominio de estudios centrados en estudiantes y énfasis en apoyo al aprendizaje y a la escritura académica. La integridad académica y los riesgos éticos aparecen con alta recurrencia, mientras evaluación, impacto educativo y equidad estructural reciben menor atención, delineando prioridades para investigación futura, con implicancias para la gestión.
Palabras clave: inteligencia artificial generativa, educación superior, revisión de alcance, PRISMA-ScR, América Latina, integridad académica.
1. Universidad de San Carlos de Guatemala
2. Universidad Peruana Cayetano Heredia
3. Universidad del Caribe
4. Universidad Nacional Mayor de San Marcos
5. Universidad Pedagógica de Bolivia
6. Universidad Señor de Sipán-Perú
* Autor de correspondencia: florenciacc@uss.edu.pe
ABSTRACT
The integration of generative artificial intelligence (GAI) in universities has intensified in Latin America, driven by the widespread emergence of conversational tools based on language models. However, the available empirical evidence remains fragmented, hindering a systematic analysis of actors, usage patterns, and reported effects. This scoping review mapped publications from 2021 to 2025 on the adoption of GAI in Latin American higher education, identifying actors, uses, perceived benefits, identified risks, and research gaps. The Arksey and O’Malley framework was followed, with contributions from Levac et al., and reporting was conducted according to PRISMA-ScR guidelines. The search included Scopus, SciELO, ERIC, and Google Scholar, selecting only empirical studies that clearly indicated a Latin American context. After identification, screening, and evaluation, 31 studies were included; to enhance comparability, 22 were synthesized in the main body of the review. The results show a predominance of studies focused on students and an emphasis on supporting learning and academic writing. Academic integrity and ethical risks appear frequently, while evaluation, educational impact, and structural equity receive less attention, outlining priorities for future research with implications for management.
Keywords: generative artificial intelligence, higher education, scoping review, PRISMA-ScR, Latin America, academic integrity.
INTRODUCCIÓN
La irrupción reciente de la IAG en educación universitaria latinoamericana se manifiesta como una adopción rápida y heterogénea, vinculada principalmente a herramientas conversacionales como ChatGPT. En el corpus empírico revisado, la IAG aparece asociada a prácticas académicas cotidianas, en particular apoyo al aprendizaje y asistencia en tareas, reportadas desde experiencias y percepciones del estudiantado y, en menor frecuencia y profundidad del profesorado (Peláez et al., 2025; Rivadeneira et al., 2025).
En ese mismo sentido, varios estudios describen usos orientados a la escritura académica, incluyendo revisión de textos, mejora de redacción, elaboración de borradores, organización de ideas y síntesis, situando la IAG como un recurso instrumental para producir y depurar productos escritos en contextos universitarios (Carvalho et al., 2025). Este patrón es relevante porque desplaza el debate desde la mera disponibilidad tecnológica hacia el modo en que se reconfiguran prácticas de estudio, producción y apoyo académico en el día a día universitario (Peláez et al., 2025).
Sin embargo, la adopción reportada no se limita a usos pedagógicos o instrumentales, ya que la literatura revisada vincula la IAG con tensiones normativas y formativas relacionadas con integridad académica, particularmente en autoría, plagio y uso no declarado. Estas tensiones colocan la evaluación universitaria en el centro del debate y abren interrogantes sobre criterios de autenticidad, atribución y responsabilidad académica en entornos donde la generación automática de texto es accesible (Serrano-Malebrán et al., 2025). Asimismo, aparecen riesgos relacionados con dependencia o deskilling, entendidos como delegación excesiva de procesos cognitivos y reducción de práctica deliberada, con potencial impacto en autonomía y desarrollo de competencias (Carvalho et al., 2025).
De manera complementaria, aunque con menor densidad relativa, algunos estudios señalan preocupaciones sobre privacidad y tratamiento de datos, así como sobre sesgos y equidad, sugiriendo que los riesgos asociados a IAG en educación superior no se restringen a integridad. En el contexto latinoamericano, estas dimensiones adquieren especial relevancia por la heterogeneidad de condiciones institucionales y de acceso, así como por la necesidad de respuestas formativas y normativas ajustadas a realidades locales (George-Reyes et al., 2025; Andino-Sosa et al., 2025; Grájeda et al., 2024).
Pese al crecimiento reciente de publicaciones regionales sobre IAG, la evidencia empírica disponible se mantiene dispersa entre actores analizados, propósitos de uso y niveles de respuesta, lo que dificulta una visión sistemática sobre qué se está reportando y dónde se concentran los vacíos de investigación. En este escenario, una revisión de alcance resulta pertinente para mapear y caracterizar el estado de la evidencia, describir patrones y delimitar brechas, en coherencia con su propósito de cartografiar conocimiento más que de evaluar efectividad o calidad metodológica (Arksey & O’Malley, 2005; Levac et al., 2010; Tricco et al., 2018).
El objetivo de esta revisión de alcance es mapear lo reportado entre el 2021 y 2025 referente a la integración de la IAG en la educación latinoamericana, identificando actores involucrados, usos reportados, beneficios percibidos, riesgos señalados y brechas de investigación existentes. En concordancia con lo anterior, la pregunta que guía el estudio se formula de la siguiente manera para mantener alineación directa con el marco PCC: ¿qué se reporta entre el 2021 y 2025 sobre la integración de IAG en educación superior en Latinoamérica en términos de actores, usos, beneficios, riesgos y brechas?
METODOLOGÍA
Para el estudio se llevó a cabo una revisión de alcance de evidencia empírica (scoping review), bajo un enfoque pragmático y de mapeo descriptivo de la evidencia, sin evaluación crítica de calidad de los estudios. El proceso se estructuró con base al enfoque de Arksey y O’Malley (2005), que comprende: (1) formulación de la pregunta, (2) la identificación de estudios relevantes, (3) la selección de estos, (4) extracción sistemática de datos y (5) la síntesis y reporte de resultados. Asimismo, se incorporaron los refinamientos sugeridos por Levac et al. (2010), particularmente el carácter iterativo del proceso de selección y la explicitación de criterios y decisiones operativas. El reporte se elaboró siguiendo la guía PRISMAScR para asegurar transparencia, trazabilidad y reproducibilidad (Tricco et al., 2018).
En coherencia con el propósito de una revisión de alcance, no se realizó evaluación crítica de calidad metodológica, dado que el objetivo fue mapear y caracterizar la evidencia empírica disponible, identificar patrones de investigación y delimitar vacíos, más que estimar efectos o magnitudes de impacto.
Pregunta de investigación y marco PCC
La pregunta que guio la revisión fue: ¿qué se reporta en la literatura publicada en los últimos cinco años sobre la integración de la IAG en la educación superior Latinoamericana en términos de actores involucrados, usos, beneficios, riesgos y vacíos de investigación? El marco PCC se definió como:
• P (Autores): actores de la educación superior, incluyendo estudiantes, docentes y actores institucionales vinculados con gestión, políticas, ética, integridad académica y calidad.
• C (Concepto): adopción, uso, implementación o integración de IAG, incluyendo modelos de lenguaje de gran escala (LLM) y herramientas como ChatGPT u otras tecnologías equivalentes, en procesos de enseñanza, aprendizaje, evaluación y/o gobernanza institucional.
• C (Contexto): instituciones de educación superior en América Latina, confirmado explícitamente y verificable en el texto completo.
Se incluyeron artículos publicados en revistas científicas en español o inglés, entre el 2021 y 2025. Para ser elegibles, los estudios debían: (a) abordar IAG, LLM o herramientas como ChatGPT u otras tecnologías equivalentes como objeto central o componente claramente identificable; (b) situarse en el ámbito de la educación superior; y (c) confirmar explícitamente el contexto latinoamericano en el texto completo.
Se excluyeron: literatura gris; tesis y disertaciones; libros, capítulos de libro y memorias/actas de congresos; documentos fuera del periodo o idioma establecidos; y estudios que no correspondieran a educación superior, no se centraran en IAG o no confirmaran el contexto latinoamericano.
Se excluyó literatura gris para priorizar evidencia empírica revisada por pares y mejorar trazabilidad.
Con el fin de asegurar homogeneidad analítica para el mapeo, se incluyeron únicamente estudios empíricos (cuantitativos, cualitativos o mixtos). Los artículos no empíricos (p. ej., ensayos, reflexiones o análisis conceptuales sin recolección o análisis sistemático de datos) fueron excluidos en la etapa de texto completo.
Se priorizó la búsqueda en bases de datos como en Scopus, SciELO, ERIC y Google Scholar. La estrategia combinó tres núcleos: (1) IAG/LLM/chatbots generativos (p. ej., ChatGPT, generative AI, large language model, chatbot); (2) educación superior/universidad (higher education, university, universidad); y (3) adopción/uso/implementación y dimensiones asociadas a integridad académica, ética, políticas y gobernanza (adoption, implementation, use, assessment, evaluation, academic integrity, ethics, policy, governance, guideline, regulation).
Se aplicaron los filtros de fecha disponibles en cada base para limitar la búsqueda a publicaciones entre el 2021 y 2025. La búsqueda se realizó el 08 de enero de 2026. Dado que en revisiones de alcance se privilegia una estrategia inicialmente sensible para reducir pérdida de evidencia, la verificación del contexto latinoamericano se realizó principalmente durante la revisión a texto completo.
Los registros recuperados se exportaron y consolidaron en un gestor bibliográfico (Mendeley) para la identificación y eliminación de duplicados, y para la etapa de cribado. Se identificaron 1005 registros en las bases consultadas. Antes del cribado se eliminaron 53 duplicados, quedando 952 registros para evaluación por título y resumen. En esta etapa no se consideraron 887 registros por incumplir criterios de elegibilidad, y se seleccionaron 65 reportes para búsqueda y recuperación de texto completo. De estos, 3 reportes no fueron recuperados, por lo que 62 textos completos fueron evaluados para elegibilidad.
En el análisis a texto completo se excluyeron 31 reportes por los siguientes motivos: tesis/disertación (n=3), actas o memorias de congreso (n=6), duplicados adicionales (n=3), no cumplir criterios PCC (n=14) y publicaciones no empíricas (n=5). En consecuencia, se incluyeron 31 estudios empíricos en la revisión y se describen en una tabla suplementaria (Tabla S1: Estudios incluidos (n=31).
Para fines de síntesis y claridad expositiva del manuscrito principal se discute en profundidad el subconjunto de 22 estudios con mayor trazabilidad y comparabilidad, definidos mediante un criterio preestablecido de visibilidad/indexación en Scopus, Web of Science o SciELO. Esta decisión no modificó el conjunto de estudios incluidos (n=31), sino que organizó la presentación de resultados en un núcleo principal. El flujo se describe en el diagrama PRISMAScR detallada en la Figura 1.
Figura 1.
Diagrama PRISMA-ScR del proceso de selección de estudios
Nota: Para fines de síntesis y claridad expositiva, 22 estudios fueron priorizados para el reporte principal; esta priorización no implicó exclusión metodológica.
La extracción se realizó mediante una plantilla estructurada, registrando autoría y año, país y tipo de institución, población/actores involucrados, diseño metodológico, tipo de evidencia y principales hallazgos vinculados con usos, beneficios, riesgos/implicancias éticas y vacíos de investigación. La matriz de extracción se consolidó para asegurar trazabilidad y consistencia analítica.
La síntesis se desarrolló con un enfoque descriptivo, organizando hallazgos en dominios temáticos y ejes analíticos alineados con la pregunta de investigación. Para el mapeo temático se empleó un esquema de codificación (codebook) con definiciones operativas y criterios de asignación.
RESULTADOS
Selección de fuentes de evidencia
El diagrama PRISMA-ScR detalla el proceso de selección, con un total de 31 estudios empíricos incluidos. Para fines de síntesis y claridad expositiva, el cuerpo principal del manuscrito reporta 22 estudios (núcleo del reporte). Esta organización no modificó el conjunto de estudios incluidos, sino la forma de presentación de resultados.
Los estudios fueron sintetizados mediante una matriz de extracción y un esquema de codificación temática, con el fin de mapear actores involucrados, usos reportados, dimensiones críticas y brechas de investigación, conforme al enfoque de revisión de alcance (Tricco et al., 2018).
Características generales de las fuentes incluidas (n = 22)
La evidencia del núcleo del reporte (Tabla 1) comprende estudios empíricos recientes desarrollados en diversos países de la región. En conjunto, los trabajos analizan la adopción de IAG por estudiantes y docentes, su uso en escritura académica, implicancias sobre integridad académica y tensiones asociadas con pensamiento crítico, entre otros énfasis.
Para efectos de síntesis, se empleó una clasificación por tipo de herramienta reportada. Se consideró ChatGPT como categoría específica cuando fue identificado explícitamente. Asimismo, se utilizó “Asistente GenAI” como categoría paraguas para referirse a herramientas de IA generativa (p. ej., asistentes conversacionales y sistemas generativos equivalentes) cuando los estudios no distinguieron una marca/modelo único, reportaron múltiples herramientas o utilizaron denominaciones genéricas. Esta decisión buscó estandarizar el mapeo y mejorar la comparabilidad entre estudios.
En cuanto al alcance geográfico, la mayoría de los estudios se desarrolló en un solo país (n = 19; 86.4%), mientras que una proporción menor correspondió a investigaciones multipaís o de alcance regional (n = 3; 13.6%). Respecto al actor principal, predominó la evidencia centrada exclusivamente en estudiantes (n = 10; 45.5%), seguida por estudios multi-actor (≥2 actores) (n = 9; 40.9%). Los estudios centrados exclusivamente en docentes fueron menos frecuentes (n = 2; 9.1%). Considerando la presencia de actores, estudiantes participaron en 18 estudios (81.8%), docentes en 10 (45.5%) y gestión en 2 (9.1%) (Tabla 1).
Tabla 1.
Características generales de los estudios incluidos (n = 22)
|
Autor (año) |
País |
Actores* |
Diseño |
Herramienta principal |
|
Peláez et al. (2025) |
Colombia |
E, D |
Mixto |
Asistente GenAI |
|
Ardisana & Gaínza (2025) |
Ecuador |
E, D |
Cualitativo |
ChatGPT |
|
Serrano-Malebrán et al. (2025) |
Chile |
E, G |
Cuantitativo |
ChatGPT |
|
Rivadeneira et al. (2025) |
Ecuador, Chile, Costa Rica |
D, G |
Cuantitativo |
ChatGPT |
Carvalho et al. (2025) Brasil E, D Cuantitativo ChatGPT
|
Andino-Sosa et al. (2025) |
Ecuador |
E, D |
Cualitativo |
ChatGPT |
|
Grájeda et al. (2024) |
Bolivia |
E, D |
Mixto |
ChatGPT |
|
Llerena-Izquierdo et al. (2024) |
Ecuador |
E, D |
Cuantitativo |
Asistente GenAI (Gemini) |
|
Sánchez et al. (2024) |
Perú |
E, D |
Cualitativo |
ChatGPT |
|
Nelson et al. (2025) |
Ecuador |
E |
Cuantitativo |
ChatGPT |
George-Reyes et al. (2025) Multipaís E Cuantitativo ChatGPT
|
Caluña et al. (2025) |
Ecuador |
E E E |
Cuantitativo Cuantitativo Cuantitativo |
ChatGPT |
|
Amaya et al. (2025) |
Perú |
Asistente GenAI |
||
|
Acosta-Enriquez et al. (2024a) |
Perú |
ChatGPT |
Buele et al. (2025) Ecuador E Cuantitativo ChatGPT
Ríos et al. (2025) Perú D Cuantitativo
ChatGPT
Torres-Díaz et al. (2025) Ecuador E Cuantitativo ChatGPT
Vargas et al. (2025) Multipaís E Cuantitativo ChatGPT
|
Mendoza et al. (2024) |
México |
NR |
Mixto |
ChatGPT |
|
Oliva-Córdova et al. (2025) |
Regional (América Latina) |
E |
Mixto |
ChatGPT |
|
Palacios-Núñez et al. (2025) |
Perú |
D |
Cuantitativo |
ChatGPT |
|
Acosta-Enriquez et al. (2024b) |
Perú |
E |
Cuantitativo |
ChatGPT |
Nota: *E = estudiantes; D = docentes; G = gestión; NR = actor no reportado en el texto completo / no desagregado por actor.
Distribución del mapeo por dominios temáticos (A–F)
La Tabla 2 resume el mapeo temático por dominios (codificación multietiqueta) para el núcleo del reporte (n = 22). Los dominios con mayor cobertura fueron D: Integridad académica y riesgos éticos (n = 22; 100.0%) y E: Gobernanza y preparación institucional (n = 21; 95.5%), lo que sugiere una preocupación consistente por autoría/plagio, uso responsable y la necesidad de orientaciones institucionales. Esto sugiere un campo en fase normativa/precautoria más que evaluativa. Asimismo, el dominio B: Usos pedagógicos e integración didáctica (n = 20; 90.9%) fue altamente frecuente, reflejando la presencia de aplicaciones y experiencias de uso en actividades de aprendizaje. El dominio A: Adopción y determinantes (n = 17; 77.3%) mostró cobertura moderada. En contraste, C: Evaluación y assessment (n = 13; 59.1%) y F: Condiciones estructurales y equidad (n = 11; 50.0%) presentaron menor cobertura relativa (Tabla 2).
Tabla 2.
Distribución del mapeo por dominios temáticos
|
Dominio temático (A–F) |
n |
|
|
A. Adopción y determinantes |
17 |
77.3 |
|
B. Usos pedagógicos e integración |
20 |
90.9 |
C. Evaluación y assessment
D. Integridad y riesgos éticos
|
E. Gobernanza y preparación institucional |
21 |
95.5 |
|
F. Condiciones estructurales y equidad |
11 |
50.0 |
Nota: La asignación de dominios se basó en la información reportada explícitamente en el texto completo de cada estudio.
En conjunto, la distribución sugiere un énfasis regional en marcos normativos y riesgos, por encima de evidencia sobre rediseño evaluativo y efectos distributivos.
Brechas (gaps) derivadas del mapeo
Las brechas identificadas se detallan en el núcleo del reporte (n = 22), predominan brechas vinculadas a capacitación/alfabetización en IAG (n = 20; 90.9%). Con frecuencia también se reporta la necesidad de políticas/lineamientos institucionales (n = 12; 54.5%) y la necesidad de evidencia sobre impacto/efectividad (n = 12; 54.5%), lo que apunta a una transición pendiente desde estudios basados en percepciones hacia evaluaciones de resultados (aprendizaje, desempeño e integridad). Finalmente, la evidencia sobre evaluación/assessment (n = 6; 27.3%) y sobre equidad/infraestructura (n = 5; 22.7%) aparece con menor frecuencia relativa (Tabla 3).
Tabla 3.
Brechas derivadas del mapeo
|
Código |
Brecha prioritaria |
Descripción breve (operacional) |
n (%) |
|
G1 |
Capacitación / alfabetización en IAG |
Falta de formación sistemática para estudiantes y docentes (uso crítico, verificación, citación/atribución, límites del modelo). |
20 (90.9) |
|
G2 |
Políticas / lineamientos institucionales |
Necesidad de marcos institucionales claros (uso permitido, declaración de uso, integridad, gobernanza, datos). |
12 (54.5) |
|
G3 |
Evidencia de impacto / efectividad |
Déficit de medición de resultados (aprendizaje, desempeño, integridad), más allá de percepciones/autorreporte. |
12 (54.5) |
|
G4 |
Evaluación / assessment |
Escasez de estudios centrados en rediseño evaluativo y estrategias válidas en contextos con IAG disponible. |
6 (27.3) |
|
G5 |
Equidad / infraestructura |
Baja evidencia sobre brecha digital, acceso diferencial, condiciones materiales e impactos distributivos. |
5 (22.7) |
Nota: n (%) indica el número y proporción de estudios que reportan la brecha (codificación multi-etiqueta a partir de “gaps/limitaciones/recomendaciones” en texto completo)
DISCUSIÓN
Esta revisión de alcance mapea la evidencia empírica reciente sobre adopción de IAG en educación superior Latinoamericana e identifica patrones y brechas del campo. En coherencia con una scoping review, la interpretación se centra en tendencias, énfasis y ausencias de la literatura, sin inferir efectos causales ni jerarquizar evidencia (Arksey & O’Malley, 2005; Levac et al., 2010; Tricco et al., 2018).
En el conjunto de estudios incluidos (n = 31), el cuerpo principal del manuscrito sintetiza un núcleo de reporte (n = 22) por criterios de trazabilidad y comparabilidad. En este núcleo se observa un patrón consistente: la IAG se incorpora tempranamente como herramienta de apoyo en prácticas académicas cotidianas: más que como parte de intervenciones didácticas evaluadas, con predominio de evidencia centrada en el estudiantado y, en menor medida, en el profesorado (Peláez et al., 2025; Ardisana & Gaínza, 2025; Rivadeneira et al., 2025). Este hallazgo sugiere que la adopción ha avanzado más rápido que la capacidad institucional de diseñar, implementar y evaluar usos pedagógicos con criterios explícitos.
Un segundo patrón recurrente es el uso de IAG para escritura académica y producción textual (revisión de redacción, borradores, organización de ideas y síntesis), junto con usos para aprendizaje (explicaciones, ejemplos, guía de estudio) y para completar tareas (Rivadeneira et al., 2025; Carvalho et al., 2025; Peláez et al., 2025). Más que confirmar únicamente “uso frecuente”, la literatura mapeada apunta a una tensión formativa: la IAG puede reducir fricciones del estudio y ampliar recursos de apoyo, pero también desplaza el foco desde el producto final hacia la necesidad de evaluar procesos y evidencias de aprendizaje. En consecuencia, la evidencia revisada converge en dos líneas de respuesta: (i) alfabetización en IAG para orientar verificación, citación/atribución y límites del modelo; y (ii) rediseño de tareas que hagan visible el razonamiento (p. ej., bitácoras, borradores con trazabilidad, defensas orales, tareas auténticas), especialmente en contextos con alta disponibilidad de herramientas generativas.
La gobernanza institucional aparece con alta visibilidad, a través de recomendaciones sobre lineamientos de uso, preparación organizacional y orientaciones para docencia y evaluación (Rivadeneira et al., 2025; Carvalho et al., 2025). Sin embargo, el patrón dominante es la formulación de necesidades o propuestas, más que la evaluación empírica de su implementación (cumplimiento, aceptación, cambios en prácticas, efectos en integridad o aprendizaje). Esta brecha, entre “tener políticas” y “políticas que funcionan”, es especialmente relevante en América Latina por la heterogeneidad institucional y de recursos, que puede producir implementaciones desiguales. Se requieren estudios aplicados que observen y midan la implementación real, incluyendo barreras operativas, efectos no intencionales y condiciones de sostenibilidad.
En línea con lo anterior, la integridad académica constituye la preocupación dominante (autoría, plagio, uso no declarado), coherente con el impacto inmediato de la IAG en tareas evaluativas y producción textual (Ardisana & Gaínza, 2025; Serrano-Malebrán et al., 2025; Rivadeneira et al., 2025). Además, se reportan con frecuencia riesgos de dependencia o deskilling, asociados a delegación excesiva de procesos cognitivos y reducción de práctica deliberada, con potencial repercusión en autonomía y desarrollo de competencias (Peláez et al., 2025; Serrano-Malebrán et al., 2025; Carvalho et al., 2025). En contraste, riesgos vinculados con privacidad/datos, sesgos y equidad aparecen menos densamente estudiados, pese a su relevancia. En conjunto, esto sugiere que el debate regional ha priorizado riesgos visibles en el aula (integridad) y riesgos formativos (dependencia), mientras que dimensiones de gobernanza algorítmica y justicia educativa permanecen subrepresentadas.
Respecto al dominio de adopción y determinantes, la evidencia se apoya con frecuencia en diseños cuantitativos basados en autorreporte (Serrano-Malebrán et al., 2025; Rivadeneira et al., 2025; Grájeda et al., 2024). Estos estudios son útiles para mapear aceptación, actitudes e intención de uso, pero ofrecen orientación limitada para decisiones curriculares e institucionales si no se triangulan con datos observacionales, analíticas de aprendizaje o mediciones de desempeño. Esta limitación se refleja en las brechas reportadas por los propios estudios: demanda de evidencia sobre impacto/efectividad y necesidad de diseños más robustos (intervenciones, cuasi-experimentos o longitudinales) que midan resultados más allá de percepciones (Serrano-Malebrán et al., 2025; Rivadeneira et al., 2025; Carvalho et al., 2025).
Finalmente, aunque la evaluación y el assessment están presentes, suelen aparecer como componente secundario dentro de discusiones generales de uso o integridad, más que como foco central (Ardisana & Gaínza, 2025; Serrano-Malebrán et al., 2025; Carvalho et al., 2025). Dado que la evaluación es el espacio donde se materializa la tensión entre innovación y control, se requiere evidencia empírica sobre estrategias de evaluación adaptadas a la disponibilidad de IAG (evaluación por proceso, tareas auténticas, oralidad, rúbricas de uso responsable) y sus efectos en aprendizaje e integridad. De forma similar, las condiciones estructurales y la equidad (acceso diferencial, infraestructura, brecha digital) aparecen con menor densidad relativa, lo que abre una agenda de investigación que articule adopción y resultados con condiciones materiales e impactos diferenciales por institución, área disciplinar y contexto socioeconómico.
A partir del corpus, se desprenden tres implicancias principales. Primero, las instituciones requieren lineamientos claros que integren integridad académica, uso declarado y protección de datos, con orientación formativa y no exclusivamente punitiva (Ardisana & Gaínza, 2025; Rivadeneira et al., 2025; Carvalho et al., 2025). Segundo, se refuerza la importancia de programas de capacitación para los docentes y estudiantes, alineados con los riesgos más reportados (integridad y dependencia) e incorporando dimensiones emergentes (sesgos, privacidad) (Peláez et al., 2025; Serrano-Malebrán et al., 2025; Carvalho et al., 2025). Tercero, se recomienda fortalecer investigación aplicada sobre evaluación y sobre implementación de políticas institucionales, incorporando diseños multiactor y métricas de resultados para responder al vacío de evidencia de impacto señalado en la literatura.
Limitaciones de la revisión
En primer lugar, se incluyeron únicamente estudios en español o inglés y dentro de una ventana temporal reciente, lo que pudo excluir investigaciones relevantes fuera del periodo o idioma. En segundo lugar, como es propio de las revisiones de alcance, no se realizó evaluación crítica de la calidad metodológica, por lo que los resultados deben interpretarse como mapeo descriptivo y no como evidencia de efectividad.
Adicionalmente, el criterio de confirmación explícita del contexto latinoamericano en texto completo pudo excluir estudios comparativos globales en los que la región no fuera distinguible analíticamente. Finalmente, la rápida evolución de las tecnologías IAG implica que algunos hallazgos pueden cambiar a corto plazo por actualizaciones de modelos, nuevas funcionalidades o ajustes institucionales. Además de estas limitaciones, la revisión presenta una cartografía reproducible del estado actual de la investigación regional y una base para estudios futuros más focalizados.
Consideraciones éticas del uso de inteligencia artificial
Los desafíos éticos aparecen transversalmente en los estudios revisados, especialmente en autoría, plagio, confiabilidad de salidas, privacidad de datos y riesgo de dependencia tecnológica. Estas preocupaciones trascienden el comportamiento individual y requieren decisiones institucionales sobre regulación, formación y gobernanza.
Desde una perspectiva ética, la adopción de IAG requiere transitar desde enfoques reactivos hacia marcos de uso responsable basados en transparencia, formación y corresponsabilidad: clarificar cuándo y cómo puede utilizarse IAG en actividades académicas, exigir la declaración de su uso cuando corresponda y promover verificación crítica de resultados.
Asimismo, deben considerarse riesgos de sesgo, opacidad y desigualdad. Los modelos pueden reproducir sesgos culturales, lingüísticos o epistémicos; en América Latina, estos riesgos se amplifican por desigualdades de acceso, conectividad y recursos institucionales. Por ello, el uso ético de IAG no debe reducirse a normas técnicas, sino integrarse en una reflexión pedagógica sobre fines formativos, pensamiento crítico y responsabilidad social universitaria.
CONCLUSIONES
Entre el 2021 y 2025, la evidencia empírica mapeada sobre convivencia de la IA generativa en educación superior en América Latina muestra una incorporación rápida y desigual, con predominio de estudios centrados en estudiantes y, en menor medida, en docentes, mientras la participación explícita de gestión institucional como actor estudiado continúa siendo limitada. Este patrón sugiere que la comprensión disponible está más desarrollada para describir experiencias y percepciones de uso, que para explicar con evidencia directa cómo se diseñan, implementan y evalúan respuestas institucionales sostenidas.
En cuanto a los usos, la literatura revisada se concentra en aplicaciones de apoyo al aprendizaje y en tareas asociadas a la escritura académica, lo que posiciona a la IAG como herramienta de asistencia instrumental en prácticas cotidianas del quehacer universitario. Sin embargo, la evidencia disponible es comparativamente menos densa respecto a usos vinculados al rediseño didáctico y, especialmente, a la evaluación y el assessment, lo que constituye un eje prioritario para investigación aplicada y desarrollo pedagógico en contextos donde la IAG está ampliamente disponible.
Respecto a beneficios, el corpus reporta ventajas percibidas de manera heterogénea y, en general, con menor presencia y especificidad que los riesgos descritos en los estudios incluidos. Los beneficios más señalados se vinculan con eficiencia, apoyo adaptativo y facilitación de tareas, pero la evidencia empírica sigue siendo insuficiente para caracterizar impactos educativos robustos y resultados sostenidos, reforzando la necesidad de diseños evaluativos y, cuando sea viable, aproximaciones longitudinales.
En relación con riesgos y ética, la preocupación dominante se concentra en integridad académica, particularmente en autoría, plagio y uso no declarado, así como en riesgos de dependencia o deskilling, indicando que los desafíos percibidos se ubican en la autenticidad del trabajo académico y en el desarrollo de competencias. Dimensiones como privacidad y tratamiento de datos, sesgos y equidad, además de condiciones estructurales de acceso, aparecen con menor densidad relativa en la literatura, aunque resultan críticas para la región y requieren mayor profundización empírica junto con claridad operativa en marcos institucionales.
Finalmente, el mapeo de brechas de investigación identifica como prioridades la capacitación y alfabetización en IA para estudiantes y docentes, el desarrollo y evaluación de políticas y lineamientos institucionales más allá de enfoques meramente propositivos, la generación de evidencia sobre impacto y efectividad en aprendizaje, evaluación e integridad, y el fortalecimiento de estudios multiactor con foco meso, que permitan comprender implementaciones concretas y resultados observables. En conjunto, estos hallazgos orientan una agenda regional que combine gobernanza formativa, rediseño pedagógico y producción de evidencia empírica más diversa, rigurosa y comparable entre contextos institucionales.
Se empleó IAG únicamente como apoyo instrumental para proponer variantes de términos y operadores en la construcción de cadenas de búsqueda, con énfasis en la adaptación de consultas para Google Scholar. La herramienta no se utilizó para interpretar resultados, tomar decisiones de inclusión o exclusión, extraer información, realizar codificación temática, ni producir contenidos del manuscrito, ya que el análisis y la redacción fueron desarrollados por el equipo investigador. La responsabilidad por la integridad del proceso metodológico, la precisión de la información y el contenido final del artículo recae exclusivamente en los autores.
REFERENCIAS
Acosta-Enriquez, B. G., Arbulú Ballesteros, M. A., Arbulu Perez Vargas, C. G., Orellana
Ulloa, M. N., Gutiérrez Ulloa, C. R., Pizarro Romero, J. M., Gutiérrez Jaramillo, N. D., Cuenca Orellana, H. U., Ayala Anzoátegui, D. X., & López Roca, C. (2024a). Knowledge, attitudes, and perceived ethics regarding the use of ChatGPT among generation Z university students. International Journal for Educational Integrity, 20(1). https://doi.org/10.1007/s40979-024-00157-4
Acosta-Enriquez, B. G., Arbulú Pérez Vargas, C. G., Huamaní Jordan, O., Arbulú Ballesteros, M. A., & Paredes Morales, A. E. (2024b). Exploring attitudes toward ChatGPT among college students: An empirical analysis of cognitive, affective, and behavioral components using path analysis. Computers and Education: Artificial Intelligence, 7. https://doi.org/10.1016/j.caeai.2024.100320
Amaya, E. A. V., Zavaleta, A. R. S., Luján, I. G. V., López, E. G., Reyna, J. T., & Gonzales, J. D. R. (2025). Between assistance and dependence: Artificial intelligence and critical thinking. A study on first-year university students. International Journal of Learning, Teaching and Educational Research, 24(12), 118–134.
Andino-Sosa, P., Calvache-Sánchez, J., Ortiz-Armas, S., & Moncayo-Alarcón, I. (2025). Ecosistemas de aprendizaje inmersivo: sinergia ChatGPT y metaverso en Institutos
Superiores Tecnológicos del Ecuador. Revista Latinoamericana de Tecnología
Educativa - RELATEC, 24(2), 161–177. https://doi.org/10.17398/1695-288x.24.2.161
Arksey, H., & O’Malley, L. (2005). Scoping studies: Towards a methodological framework. International Journal of Social Research Methodology, 8(1), 19–32. https://doi.org/10.1080/1364557032000119616
Buele, J., Sabando-García, Á. R., Sabando-García, B. J., & Yánez-Rueda, H. (2025). Ethical use of generative artificial intelligence among Ecuadorian university students. Sustainability, 17(10), 4435. https://doi.org/10.3390/su17104435
Caluña, E. R. M., Cervantes Diaz, D. J., Morales Caluña, C. I., & Altamirano Capelo, F. X. (2025). Sociodemographic predictors and usability perceptions explaining academic use intention of ChatGPT among university students in Ecuador. Frontiers in Education, 10, 1649034. https://doi.org/10.3389/feduc.2025.1649034
Carvalho, M. R. de, Greco, M. E., & Souza, D. M. de. (2025). Use of ChatGPT as a study and teaching complementary tool in the medical course. Educação e Pesquisa, 51.
https://doi.org/10.1590/s1678-4634202551288875en
George-Reyes, C. E., Avello-Martínez, R., & Buenestado-Fernández, M. (2025). Perceptions of ChatGPT and the complexity of its impact among higher education students: Evidence across ten countries of Latin America and Europe. Educational
Process: International Journal, 15, e2025171. https://doi.org/10.22521/edupij.2025.15.171
Grájeda, A., Córdova, P., Córdova, J. P., Laguna-Tapia, A., Burgos, J., Rodríguez, L., Arandia, M., & Sanjinés, A. (2024). Embracing artificial intelligence in the arts classroom: Understanding student perceptions and emotional reactions to AI tools. Cogent Education, 11(1), 2378271. https://doi.org/10.1080/2331186X.2024.2378271
Ardisana, E. F. H., & Gaínza, B. M. (2025). Inteligencia artificial (ChatGPT) en la educación universitaria: Realidad y consideraciones éticas. Chakiñan. Revista de Ciencias Sociales y Humanidades, (25), 299–316. https://doi.org/10.37135/chk.002.25.13
Levac, D., Colquhoun, H., & O’Brien, K. K. (2010). Scoping studies: Advancing the methodology. Implementation Science, 5, Article 69. https://doi.org/10.1186/17485908-5-69
Llerena-Izquierdo, J., Mendez-Reyes, J., Ayala-Carabajo, R., & Andrade-Martinez, C.
(2024). Innovations in introductory programming education: The role of AI with Google
Colab and Gemini. Education Sciences, 14(12), 1330. https://doi.org/10.3390/educsci14121330
Nelson, A. S., Santamaría, P. V., Javens, J. S., & Ricaurte, M. (2025). Students’ perceptions of generative artificial intelligence (GenAI) use in academic writing in English as a foreign language. Education Sciences, 15(5), 611. https://doi.org/10.3390/educsci15050611
Oliva-Córdova, L. M., Álvarez-Icaza, I., & George-Reyes, C. E. (2025). Evaluation of generative AI use to foster critical thinking in higher education. IEEE Revista Iberoamericana de Tecnologías del Aprendizaje, 20, 237–243. https://doi.org/10.1109/RITA.2025.3597848
Palacios-Núñez, M. L., Mendoza-García, E. M., Zarate, J. W. N., & Deroncele-Acosta, A. (2025). ChatGPT in the teaching of academic writing in higher education: teachers’ perspectives on its uses, challenges, and future in personalized learning. Edutec, 2025(93), 33–51. https://doi.org/10.21556/edutec.2025.93.3995
Peláez, C. A., Saavedra, L., Ospina Galíndez, J. A., & Solano, A. (2025). Do generative AI assistants enhance or hinder critical thinking skills in university students? IEEE Revista Iberoamericana de Tecnologías del Aprendizaje. Advance online publication. https://doi.org/10.1109/RITA.2025.3643650
Ríos Gonzales, J. D., Tomanguilla Reyna, J., Tarazona Pajuelo, J. I., Maldonado Gomez, R. J., & Soto Zavaleta, A. R. (2025). Analyzing TPACK and demographic influences on faculty adoption of ChatGPT in Latin American higher education. International Journal of Learning, Teaching and Educational Research, 24(7), 402–424. https://doi.org/10.26803/ijlter.24.7.20
Rivadeneira, L., de Luna, D. B., & Fernandez, C. (2025). Exploring the role of ChatGPT in higher education institutions: Where does Latin America stand? Digital Government: Research and Practice, 6(2). https://doi.org/10.1145/3689370
Mendoza, R. K. K., López García, A. Y., & Pedroza Zúñiga, L. H. (2024). Creación y jueceo de ítems: ChatGPT como diseñador y juez. Texto Livre: Linguagem e Tecnologia, 17, e51222. https://doi.org/10.1590/1983-3652.2024.51222
Sánchez Trujillo, M. A., Rodríguez Flores, E. A., & Suárez Pizzarello, M. (2024). Chat GPT como herramienta pedagógica y didáctica para docentes en formación. Maestro y
Sociedad, 21(1), 285-299. Recuperado a partir de https://maestroysociedad.uo.edu.cu/index.php/MyS/article/view/6373
Serrano-Malebrán, J., Vidal-Silva, C., von-Bichoffshausen, P., Gómez-López, R., & Campos-Núñez, F. (2025). Functional vs ethical drivers in generative AI adoption: A PLS-SEM study in business education. International Journal of Advanced Computer Science and Applications, 16(8), 736–743. https://doi.org/10.14569/IJACSA.2025.0160872
Torres-Díaz, J. C., Duart, J., Rivera, D., & Flandoli, A. B. (2025). Artificial intelligence and academic integrity: exploring plagiarism in Ecuadorian universities. International Journal for Educational Integrity, 21(1). https://doi.org/10.1007/s40979-025-00209-3
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J.,
Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., Straus, S. E. (2018). PRISMA extension for scoping reviews (PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850
Vargas Bernuy, J. B., Nolasco-Mamani, M. A., Velásquez Rodríguez, N. C., Gambetta Quelopana, R. L., Martinez Valdivia, A. N., & Espinoza Vidaurre, S. M. (2025). Relative advantage and compatibility as drivers of chatGPT adoption in Latin American higher education: a PLS SEM study towards sustainable digital education. Sustainability (Switzerland), 17(18). https://doi.org/10.3390/su17188329