ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
IMPACTO DE LA INTELIGENCIA ARTIFICIAL  
GENERATIVA EN LOS PROCESOS DE ENSEÑANZA-  
APRENDIZAJE Y EL DESARROLLO DE COMPETENCIAS EN  
EDUCACIÓN SUPERIOR: REVISIÓN SISTEMÁTICA Y  
METAANÁLISIS  
THE IMPACT OF GENERATIVE ARTIFICIAL INTELLIGENCE  
ON TEACHING AND LEARNING PROCESSES AND SKILL  
DEVELOPMENT IN HIGHER EDUCATION: A SYSTEMATIC  
REVIEW AND META-ANALYSIS  
Luis Emilio Cartuche Flores1, Jerling Samantha Hurtado González2, Pedro Arturo  
García Narváez3, Andrea Elizabeth Champutiz Cuzco4  
{lcartuche1@utmachala.edu.ec1, jshurtado@utmachala.edu.ec2, pedro.garcia@ikiam.edu.ec3,  
andrea.champutiz@udla.ec4}  
Fecha de recepción: 15/06/2026 / Fecha de aceptación: 18/08/2026  
/ Fecha de publicación: 25/08/2026  
RESUMEN: La inteligencia artificial generativa (IAGen) ha emergido como una de las  
innovaciones tecnológicas que mayor potencial transformador presenta para la  
educación superior en la última década, ofreciendo herramientas de producción de  
texto, imágenes y código a partir de instrucciones en lenguaje natural. Realizar una  
síntesis y análisis crítico de la evidencia científica que entre 2016 y 2026 se ha  
publicado sobre los efectos de la IAGen en los procesos de enseñanza-aprendizaje y  
en el desarrollo de competencias del alumnado universitario. Se llevó a cabo una  
revisión sistemática, con un enfoque de metaanálisis siguiendo las guías de PRISMA  
2020, en las bases de datos Scopus, Web of Science, SciELO y ERIC. Se completó con un  
total de 27 fuentes publicadas en revistas de alto impacto, que incluían revisiones  
sistemáticas, metaanálisis y estudios empíricos. La evidencia agregada muestra un  
efecto positivo de la IAGen con una magnitud moderada-alta en relación con el  
rendimiento académico, con tamaños de los efectos que oscilan entre g = 0,57  
(mediados por diseño experimental) y g = 1,14 (mediados por el diseño explícito de  
una disciplina). Se encontraron efectos positivos consistentes para la personalización  
del aprendizaje, el feedback inmediato y el desarrollo de competencias digitales, junto  
con efectos negativos que afectan a la integridad académica, a la dependencia  
cognitiva y a la brecha digital institucional. La IAGen se convierte en una herramienta  
pedagógica de alto potencial si es implementada junto con acompañamiento docente,  
marcos de ética claros y estrategias de evaluación auténtica; su implementación sin  
1Facultad de Ciencias Agropecuarias - Universidad Técnica de Machala – Machala- Ecuador, https://orcid.org/0000-  
0001-7227-4092  
2Universidad Técnica de Machala, https://orcid.org/0009-0001-5771-5854  
3Universidad Regional Amazónica IKIAM, https://orcid.org/0000-0002-1920-0921  
4Universidad de las Américas, https://orcid.org/0009-0000-0308-9088  
146  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
estos acompañamientos puede reducir el pensamiento crítico y la integridad  
académica del alumnado universitario.  
Palabras clave: Inteligencia artificial, aprendizaje, educación superior, competencias,  
revisión sistemática  
ABSTRACT: Generative artificial intelligence (GAI) has emerged over the past  
decade as one of the technological innovations with the greatest transformative  
potential for higher education, offering tools for generating text, images, and code  
based on natural language instructions. To conduct a synthesis and critical analysis of  
the scientific evidence published between 2016 and 2026 on the effects of GAI on  
teaching-learning processes and on the development of university students’  
competencies. A systematic review with a meta-analysis approach was conducted,  
following the PRISMA 2020 guidelines, in the Scopus, Web of Science, SciELO, and ERIC  
databases. A total of 27 sources published in high-impact journals were included,  
comprising systematic reviews, meta-analyses, and empirical studies. The aggregate  
evidence shows a positive effect of IAGen with a moderate-to-high magnitude on  
academic performance, with effect sizes ranging from g = 0.57 (mediated by  
experimental design) to g = 1.14 (mediated by the explicit design of a discipline).  
Consistent positive effects were found for personalized learning, immediate feedback,  
and the development of digital competencies, along with negative effects on academic  
integrity, cognitive dependence, and the institutional digital divide. IAGen becomes a  
pedagogical tool with high potential when implemented alongside faculty support,  
clear ethical frameworks, and authentic assessment strategies; its implementation  
without these supporting measures may reduce critical thinking and academic  
integrity among college students.  
Keywords: Artificial intelligence, learning, higher education, competencies, systematic  
review  
INTRODUCCIÓN  
La introducción de sistemas de inteligencia artificial (IA) en los contextos educativos no  
es un fenómeno nuevo a partir de 1960, cuando ya se dieron aplicaciones de tutoría  
inteligente que buscaban adaptar la enseñanza y, a la vez, automatizar procedimientos  
de evaluación (1). No obstante lo anterior, la realidad dio un giro espectacular y radical  
a partir de 2022 con la llegada de los modelos de lenguaje a gran escala capaces de  
generar de forma original texto, imágenes, audio y código a partir de instrucciones  
formuladas mediante lenguaje natural, constituyéndose así el marco de la inteligencia  
artificial generativa (IAGen) (2). En este sentido, herramientas como ChatGPT, Gemini,  
Copilot o Claude han pasado en solo tres años de ser curiosidades tecnológicas a ser  
elementos de uso cotidiano dentro de las aulas universitarias, lo que ha condicionado  
una reacción urgente de la comunidad científica internacional para hacer frente a sus  
implicaciones pedagógicas, éticas y cognitivas (3).  
147  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
En el ámbito internacional, diferentes revisiones sistemáticas consensúan en que la  
IAGen presenta grandes posibilidades de transformar la enseñanza universitaria puesto  
que optimiza la creación de materiales didácticos para diferentes ritmos de aprendizaje,  
permite generar sistemas de retroalimentación inmediata y ofrece la posibilidad de  
acceder a ayuda académica fuera del horario de clase. Un análisis bibliométrico de más  
de trescientos artículos indexados en Scopus evidenciaba que, del año 2017 a 2023, la  
producción científica sobre IAGen en educación superior se multiplicó por más de siete,  
presentando las publicaciones científicas tres grandes líneas temáticas: la integridad  
académica, la personalización del aprendizaje y los sistemas de tutoría inteligente (4),  
(5). Siguiendo una línea similar, un artículo que exploró los desafíos y oportunidades de  
la IAGen desde la perspectiva del profesorado universitario demostró que su valor  
pedagógico depende, en gran medida, de la existencia de políticas institucionales claras  
y del nivel de alfabetización digital del mismo (6).  
Al ir del general al particular, la evidencia empírica más reciente ha comenzado a acotar  
los mecanismo por los cuales la IAGen incide sobre el aprendizaje. Desde una revisión  
del aspecto de las respuestas, actitudes y comportamientos del alumnado frente a estos  
tipos de herramientas, se encontró que, aunque la mayoría del alumnado percibe efecto  
beneficioso en la comprensión de contenidos complejos, permanece una tensión entre  
el uso instrumental de la IA como ayuda cognitiva y el uso sustitutivo, riesgo para la  
elaboración autónoma del conocimiento (7); un estudio de revisión sistemática en el  
campo latinoamericano de la transformación digital de la educación superior, encontró  
que ciento veintinueve investigaciones documentan mejoras en la personalización de la  
enseñanza y la eficiencia de los procesos administrativos, pero también son conscientes  
de las brechas de infraestructura tecnológica que persiste entre institutos públicos y  
privados (8).  
La construcción de competencias es el otro eje de la discusión. Diferentes autores  
apuntan a que la IAGen puede representar un andamiaje del pensamiento que puede  
propiciar habilidades de pensamiento crítico, de resolución de problemas y de la  
comunicación escrita cuando se aplica conscientemente dentro de un diseño curricular  
(9), por el contrario, el uso de forma no guiada de la IAGen genera una dependencia  
cognitiva que frena la reflexión y la auto-regulación del aprendizaje (10). Esta tensión  
potenciación o sustitución estructura el eje del debate que actualmente tiene lugar  
sobre la inclusión de la IAGen al ámbito de la formación universitaria (11).  
Un elemento que va atravesando la misma es la integridad académica. Recent studies  
warn that the ease with which IAGen produces coherent and structured text increases  
the risk of disguised plagiarism practices, and an emerging form of academic dishonesty  
designated by some authors as "IA-plagiarism" (12). En el ambiente ecuatoriano en este  
caso, un estudio que incluía a una muestra de 4, 8, 11 estudiantes de ocho universidades  
determinaban la existencia de una asociación estadísticamente significativa entre la  
confianza en la información generada por ChatGPT y la cantidad de plagio  
autorreportada, de la misma manera que un mayor conocimiento crítico respecto a las  
limitaciones que tienen las herramientas IAGen se asociaban a comportamientos  
académicos de mayor responsabilidad (13). Lo anterior enfatiza que el impacto de la  
148  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
IAGen no se produce por la tecnología en sí, sino que depende de la educación digital y  
ética que se tenga para emplearla.  
Pese al aumento de la investigación primaria, la evidencia disponible se encuentra poco  
corroborada debido a que se divide entre estudios de caso, encuestas de percepción y  
ensayos de corta duración con escasa integración en base al tamaño del efecto  
reportado.  
Evidencia de su necesidad viene dada por diversos autores al mismo tiempo que esta  
evidencia sería necesario sistematizarla mediante procedimientos replicables que  
permitan estimar la magnitud real del efecto de la IAGen sobre el aprendizaje más allá  
de las apreciaciones subjetivas del profesorado y el alumnado (14). Igualmente hay poca  
evidencia de marcos de referencia institucionales estándar sobre el uso de este tipo de  
herramientas, lo cual hace difícil la comparación de resultados entre los diferentes  
contextos universitarios (15).  
En síntesis, la justificación de la presente revisión consiste en: i) ofrecer a la comunidad  
académica una síntesis rigurosa y actualizada que dé cuenta, mediante procedimientos  
sistemáticos, de la evidencia dispersa sobre los efectos de la IAGen en el aprendizaje  
universitario; ii) la conveniencia de identificar tanto las oportunidades pedagógicas que  
ofrece como los riesgos éticos y cognitivos de la misma para que los resultados puedan  
guiar la elaboración de políticas institucionales y acciones didácticas basadas en la  
evidencia, y iii) la escasa disponibilidad de revisiones que integren cuantitativamente los  
tamaños del efecto reportados en la literatura reciente, lo que entorpece la posibilidad  
de decidir por parte de las autoridades académicas y en los cuerpos docentes. De  
acuerdo con lo expuesto construimos la siguiente justificación para el presente estudio:  
el objetivo de nuestra revisión consistió en analizar, utilizando una revisión sistemática  
de tipo metaanálisis, el impacto de la inteligencia artificial generativa sobre los procesos  
de enseñanza-aprendizaje y desarrollo de competencias del alumnado universitario  
desde la evidencia científica indexada surgida entre 2016 y 2026.  
MATERIALES Y MÉTODOS  
El presente trabajo se desarrolló en el marco de un enfoque bibliográfico-documental  
en su vertiente cuantitativa, correspondiente a una revisión sistemática con parte de  
metaanálisis; se siguieron las pautas de la declaración PRISMA 2020 (Preferred  
Reporting Items for Systematic Reviews and Meta-Analyses), instrumento metodológico  
internacionalmente reconocido como garantía de la transparencia, de la replicabilidad y  
del nivel de rigor en los procesos de identificación, selección, evaluación y síntesis de la  
evidencia científica. Esta opción de diseño responde adecuadamente a que no comenta  
la recogida de datos primarios, sino el análisis crítico y la integración cuantitativa de los  
resultados obtenidos en las fuentes indexadas ya publicadas.  
La población de referencia estuvo compuesta por la producción científica indexada  
sobre inteligencia artificial generativa en educación superior entre los meses de enero  
de 2016 y julio de 2026. Tras la fase de detección, screening y evaluación de elegibilidad,  
se estableció una muestra final constituida por 27 fuentes tales como revisiones  
149  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
sistemáticas, metaanálisis, estudios empíricos cuantitativos y documentos normativos  
de referencia (marco de las competencias digitales docentes) todos publicados en  
revistas indexadas en Scopus, en Web of Science o en SciELO o en bases equivalentes.  
La búsqueda se realizó en un entorno documental digital utilizando el acceso a bases de  
datos académicas de alto reconocimiento internacional como son Scopus, Web of  
Science, SciELO, ERIC y repositorios institucionales de acceso libre (PubMed Central,  
ScienceDirect, SpringerLink, MDPI, Taylor & Francis Online). Considerando que no existió  
trabajo de campo enlistando información o intervención directa sobre seres humanos,  
este estudio no requirió del visto bueno por parte de un comité de ética de la  
investigación con seres humanos.  
El interés por las variables giró en torno a dos dimensiones fundamentales: (a) el  
impacto de la IAGen en el rendimiento académico y el propio proceso de aprendizaje,  
ATOMIZADO a través de los tamaños de efecto presentados (g de Hedges) en los  
estudios incluidos tanto primarios como en los metaanálisis; y (b) el desarrollo de  
competencias como los cambios registrados en pensamiento crítico, competencia  
digital, autorregulación del propio aprendizaje e integridad académica. Se extrajeron  
también variables moderadoras como la disciplina académica, la duración de la  
intervención y el propio diseño metodológico de los estudios primarios.  
Teniendo en cuenta que la muestra empleada en la presente síntesis incluyó  
metaanálisis ya publicados, se optó por una síntesis de segundo orden (síntesis de  
metaanálisis), extrayendo los tamaños del efecto (g de Hedges) y los intervalos de  
confianza del 95 % que se reportaban en cada estudio, de tal manera que no se  
calculaba, ni se estimaba, un modelo agregado propio, sino que se evitaba la doble  
ponderación de estudios primarios solapados entre revisiones. En lo que respecta a  
estudios de corte cualitativo y descriptivo, se empleó un análisis temático inductivo de  
los datos que permitían identificar categorías recurrentes vinculadas a los beneficios, los  
riesgos, o las competencias relacionadas con el uso de la IAGen. La heterogeneidad entre  
estudios se revisó de forma narrativa, atendiendo a las diferencias sustentadas en el  
diseño del propio estudio, la disciplina, o la duración de la intervención reportada por  
los autores de los propios estudios.  
Tabla 1. Metodología aplicada.  
Fase PRISMA  
Identificación  
Procedimiento aplicado  
Criterios / Herramientas  
547 registros identificados (2016-  
2026); operadores booleanos  
AND/OR; filtros de idioma  
(español/inglés).  
Búsqueda sistemática en Scopus,  
Web of Science, SciELO y ERIC con  
los descriptores "generative  
artificial intelligence" AND "higher  
education" AND "learning" y sus  
equivalentes en español.  
Cribado  
Eliminación de duplicados y  
revisión de títulos y resúmenes  
conforme a los criterios de  
198 registros duplicados eliminados;  
349 evaluados por título/resumen.  
inclusión y exclusión predefinidos.  
Lectura a texto completo de los  
estudios preseleccionados para  
verificar pertinencia temática, rigor  
Elegibilidad  
61 artículos evaluados a texto  
completo; se excluyeron estudios sin  
150  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
metodológico y filiación a revistas  
indexadas.  
Selección final de fuentes que  
cumplieron la totalidad de los  
criterios de calidad e indexación.  
revisión por pares, duplicados  
temáticos y un artículo retractado.  
27 fuentes incluidas: 8 revisiones  
sistemáticas/metaanálisis, 15  
estudios empíricos y 4 documentos  
normativos o teóricos de referencia.  
Hoja de cálculo estructurada; doble  
verificación cruzada de los datos  
extraídos.  
Inclusión  
Extracción de  
datos  
Registro estandarizado de autor,  
año, país, diseño, tamaño  
muestral, tamaño del efecto y  
hallazgos principales en una matriz  
de vaciado.  
Síntesis  
Integración narrativa y cuantitativa  
(síntesis de tamaños de efecto)  
organizada por ejes temáticos:  
rendimiento académico,  
Análisis temático inductivo;  
comparación de tamaños de efecto  
entre metaanálisis.  
competencias y riesgos éticos.  
El cuadro sintetiza el flujo metodológico seguido conforme el diagrama PRISMA 202018,  
para lo que se construyó desde la identificación inicial de 547 registros hasta la inclusión  
de 27 fuentes relevantes que cumplían los criterios de calidad, la indexación y la  
pertinencia temática. Este procedimiento sistemático y estructurado permitía alcanzar  
a minimizar el sesgo de selección y garantizar que la evidencia sintetizada provenía de  
publicaciones que habían sido sometidas a la revisión por pares, excluyéndose  
explícitamente un artículo cuyo estatus de retractación era verificado durante la fase de  
elegibilidad. Se planteó que una combinación de análisis narrativo y síntesis de tamaños  
del efecto era la medida más adecuada dado que la muestra incluía metaanálisis previos  
con muestras sólo parcialmente superpuestas, lo que podría haber dado lugar a sesgo  
de doble conteo si se hubiera estimado un efecto agregado global único.  
RESULTADOS  
Los resultados de la revisión sistemática aquí presentada se agrupan en tres ejes, que  
incluyen: (a) el efecto de la inteligencia artificial generativa sobre el rendimiento  
académico, los datos para el cual fueron sintetizados a partir de los metaanálisis que  
han sido incluidos; (b) las competencias que han sido afectadas o desarrolladas por su  
uso; y (c) los riesgos y desafíos éticos que ya aparecen en la literatura revisada. Todas  
las tablas irán acompañadas de un análisis interpretativo enraizado en la evidencia  
revisada.  
Efecto de la IAGen sobre el rendimiento académico  
Antes de presentar los datos cuantitativos, es pertinente comentar que los metaanálisis  
en esta revisión se caracterizan por los distintos números de estudios primarios que los  
componen, así como por el rango cronológico y el disciplinario, lo que van a explicar la  
variabilidad que aparecen en los tamaños de efecto. De manera resumida, la Tabla 1  
presenta los resultados de un total de cinco metaanálisis publicados entre 2024 y 2026  
que se ocuparon de evaluar el efecto de ChatGPT y herramientas afines en indicadores  
de aprendizaje en educación superior (16), (17).  
151  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
Tabla 2. Síntesis de tamaños de efecto reportados en metaanálisis sobre el impacto de la inteligencia  
artificial generativa en el rendimiento académico universitario.  
Estudio (año)  
N.º de  
Variable  
evaluada  
Tamaño  
del efecto  
(g)  
Interpretación  
estudios /  
participantes  
66 estudios /  
n.d.  
Mo et al.  
(2025) (16)  
Rendimiento de  
aprendizaje en  
pregrado (129  
tamaños de  
efecto)  
g = 1,14  
Efecto grande  
Liu, Zuo y Lu  
(2025) (17)  
22 estudios  
Rendimiento  
académico  
general  
Habilidades  
cognitivas y no  
cognitivas  
Percepción y  
comportamiento  
de uso  
g = 0,58  
g = 0,67  
Efecto moderado  
Efecto moderado  
Estudio de 35  
experimentos  
(2022-2024)  
Revisión de  
percepción y  
actitudes  
35 estudios /  
4193  
participantes  
99 estudios  
Síntesis  
cualitativa  
Predominio de  
percepción  
positiva  
(2020-2024)  
Revisión de  
práctica  
355 estudios  
Prácticas de  
enseñanza y  
aprendizaje  
Síntesis  
cualitativa  
Beneficios en  
retroalimentación  
y personalización  
docente  
(2017-2023)  
El contenido de la Tabla 2 ilustra que hay una tendencia hacia efectos positivos,  
alcanzando magnitudes medias a altas con valores de g de Hedges que van de 0,58 a  
1,14. La heterogeneidad observada a partir de los estudios podría explicarse por el tipo  
de curso considerado, la duración de la intervención más de 5 semanas y el modelo  
instruccional, considerados moderadores relevantes en la literatura (16). Resulta  
oportuno señalar que el metaanálisis con más tamaños de efecto integrado reportó el  
mayor tamaño del efecto, lo que sugiere que la integración de la IAGen en el proceso  
formativo de forma sostenida y no puntual haga que el efecto sobre el aprendizaje vaya  
en aumento (17). Sin embargo, esta relación ha de interpretarse con precaución, dado  
que los estudios primarios son de una heterogeneidad metodológica importante y, en  
algunos, ausencia de grupos de control aleatorizados.  
Competencias desarrolladas y modalidades de integración pedagógica  
Un segundo eje de análisis se centró en identificar cuáles competencias específicas del  
estudiantado universitario se favorecen a través del uso pedagógico de la IAGen, así  
como las modalidades de la integración pedagógica que son las más frecuentes en la  
literatura revisada (9), (10), (18). La tabla 2 organiza esta información en función de la  
frecuencia con la que cada competencia fue reportada como beneficiada en los estudios  
incluidos.  
Tabla 3. Competencias universitarias asociadas al uso pedagógico de la inteligencia artificial generativa  
y sus modalidades de integración.  
Competencia / dimensión  
Modalidad de integración pedagógica  
Frecuencia  
relativa en la  
literatura  
152  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
Competencia digital  
Formación en prompt engineering, uso  
Alta  
docente y estudiantil  
crítico de herramientas de IA y  
alfabetización algorítmica.  
Retroalimentación y  
evaluación formativa  
Pensamiento crítico y  
análisis  
Generación automatizada de comentarios  
personalizados y rúbricas adaptativas.  
Verificación cruzada de respuestas  
generadas por IA, contraste con fuentes  
primarias.  
Alta  
Media-alta  
Autorregulación del  
aprendizaje  
Comunicación escrita y  
redacción académica  
Uso de asistentes conversacionales como  
andamiaje para la planificación de tareas.  
Apoyo en la estructuración de textos y  
corrección de estilo, con revisión docente  
posterior.  
Media  
Media-alta  
Integridad y ética  
académica  
Establecimiento de políticas de uso  
declarado y citación de herramientas de  
IA.  
Alta (como riesgo  
a mitigar)  
Los resultados de la Tabla 3 nos muestran que la competencia digital y la  
retroalimentación formativa son las dimensiones que más se documentan como  
beneficiadas por la IAGen, lo que coincide con lo mencionado en estudios que destacan  
su capacidad para poder generar comentarios personalizados de forma masiva sin  
incrementar la carga docente proporcionalmente (18). La autorregulación del  
aprendizaje, en cambio, muestra una frecuencia intermedia indicando de este modo que  
su desarrollo depende en mayor medida del diseño instruccional que del uso autónomo  
de la herramienta por parte del estudiantado 9. Asimismo, la integridad académica  
aparece de forma transversal en la literatura, no como una competencia a partir de la  
cual la IAGen genera un beneficio directo, sino como una dimensión que necesita de  
intervención pedagógica explícita para evitar su deterioro (12), (13).  
Riesgos, desafíos y condiciones de implementación  
Finalmente quedaron sistematizados los principales peligros y requisitos institucionales  
que, de acuerdo con la evidencia revisada, determinan si la IAGen funciona como  
potenciador o como impedimento del aprendizaje universitario (11), (15), (19). La tabla  
4 recoge estos resultados y la proporción aproximada de estudios que los evidencian.  
Tabla 4. Riesgos y condiciones institucionales asociados a la implementación de la inteligencia artificial  
generativa en educación superior.  
Riesgo / desafío identificado  
Condición institucional asociada  
Prevalencia en los  
estudios revisados  
Muy alta  
Plagio encubierto y  
Ausencia de políticas institucionales  
claras de uso declarado de IA.  
Falta de rediseño de tareas de  
evaluación hacia formatos  
auténticos.  
Desigualdad en el acceso a  
conectividad y herramientas de pago  
entre universidades.  
deshonestidad académica  
Dependencia cognitiva y  
disminución del esfuerzo  
reflexivo  
Alta  
Media-alta  
Alta  
Brecha digital institucional  
Insuficiente formación  
docente en IA  
Escasa oferta de capacitación  
continua sobre competencias  
digitales.  
153  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
Sesgos y errores de  
contenido generado  
Falta de estrategias de verificación  
cruzada de la información.  
Media  
(alucinaciones)  
El examen de la Tabla 4 evidencia que los peligros identificados no son atribuibles a la  
propia tecnología, sino que lo que no hay son requisitos institucionales que orienten su  
uso responsable. La deshonestidad académica y la insuficiente preparación docente son  
los retos que más aparece en la literatura revisada, en línea con la evidencia,  
previamente comentada en la introducción, que arrojaba que confiar acríticamente en  
la información generada por IA, redunda en mayores niveles de plagio autorreportado  
(13). En síntesis, los tres ejes resultantes hacen sospechar que el impacto de la IAGen  
sobre el aprendizaje universitario es condicional: su potencial pedagógico se hace  
presente cuando se da acompañamiento docente, se establecen políticas institucionales  
explícitas y se rediseñan las estrategias de evaluación, mientras que su ausencia tiende  
a potenciar los peligros identificados (20).  
DISCUSIÓN  
Los resultados de la presente revisión corroboran, en líneas generales, la tendencia  
evidenciada por la literatura internacional más actual: la inteligencia artificial generativa  
muestra un efecto positivo positivamente moderado-alto en el rendimiento académico  
universitario (21). El tamaño de efecto más elevado proporcionado en esta síntesis (g =  
1,14) (16) se corresponden con los descritos por estudios que abordan el uso de ChatGPT  
en un contexto de aprendizaje basado en problemas donde la herramienta actuaba  
como un tutor con disponibilidad plena (1). Aun así, este resultado es discrepante con  
los tamaños de efecto más modestos encontrados en metanálisis con muestras  
inferiores (17), lo que denota que la magnitud del impacto está más relacionada con el  
número de estudios integrados, la variedad disciplinar de la muestra y la calidad  
metodológica de los diseños primarios, que no con un efecto genérico e independiente  
sólo de la tecnología.  
Respecto al desarrollo de las competencias, los resultados de esta revisión concuerdan  
con estudios anteriores que indican que la competencia digital y la retroalimentación  
formativa son las dimensiones más frecuentemente favorecidas mediante la IAGen (18),  
pero difieren en parte en relación con investigaciones que concluyen que el  
pensamiento crítico es alimentado sistemáticamente por la propia utilización de esas  
herramientas (9). La evidencia aquí revisada sugiere, sin embargo, que esto sea más bien  
una relación condicional en la que el pensamiento crítico se alimenta a partir del uso de  
la IAGen como punto de partida para la verificación y el contraste de la información,  
pero converge en el hecho que no se ve alimentado por la misma, sino que se debilita  
cuando la herramienta se usa como fuente única e indiscutida de respuestas (12), (14).  
Dicha distinción es congruente con el planteamiento en el que la IAGen puede actuar  
como un "amplificador" de las disposiciones pedagógicas previas, antes que como una  
causa determinante en sí misma (4).  
El resultado en relación con la integridad académica merece una discusión  
pormenorizada. Los hallazgos de la presente revisión son consistentes con el estudio  
154  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
llevado a cabo en universidades ecuatorianas que ya advertía de la existencia de una  
asociación positiva entre la confianza en la información que había sido generada a partir  
de IA y los niveles de plagio autorinformados^13, así como con aquellos estudios que ya  
advertían sobre la existencia de otras formas de deshonestidad académica que no eran  
detectables a través de los sistemas de detección de plagio tradicionales (12), (14). Sin  
embargo, a diferencia de diferentes posturas que atribuyen este fenómeno  
exclusivamente a la cultura (tecnología), el uso de la evidencia analizada en este artículo  
nos sugiere que el elemento determinante es la ausencia de políticas institucionales  
explícitas sobre el uso de estas herramientas (15), (22). Este último aspecto coincide con  
investigaciones que apuntan que la alfabetización mediática e informativa más que el  
acceso restringido a la tecnología es la estrategia más eficaz a la hora de prevenir las  
prácticas de uso impropio de la IAGen (13), (23).  
Sobre las diferencias regionales, la evidencia analizada sobre América Latina muestra un  
patrón parcialmente distinto del que exponen estudios elaborados en contextos  
norteamericanos, europeos y asiáticos. Es así que, mientras que la literatura  
internacional tiende a incidir en el efecto cognitivo de la IAGen, frente a este patrón los  
estudios latinoamericanos revisados enfatizan, por activa y pasiva, la brecha digital  
institucional como condición estructural, que antecede a cualquier discusión sobre  
efectividad pedagógica (8). Esta diferencia no hace más que sugerir que las conclusiones  
obtenidas en contextos de alta conectividad no pueden extrapolarse de forma directa a  
instituciones con recursos tecnológicos más limitados, al mismo tiempo que refuerza la  
necesidad de que la formación del profesorado en competencias digitales lo haga antes  
de la implementación curricular de estas herramientas (10), (24).  
Finalmente, cabe decir que la mayoría de los estudios primarios que integran los  
metanálisis revisados tienen un diseño cuasiexperimental y corto, lo cual restringe la  
posibilidad de poder establecer relaciones causales potentes y evaluar la sostenibilidad  
de los efectos observados en el medio y largo plazo. Esta limitación, también reconocida  
por otros autores (16), (17), es una línea de investigación por construir: son necesarios  
estudios longitudinales que examinen si los efectos positivos recogidos en  
intervenciones de pocas semanas son sostenibles a lo largo de un programa académico  
o investigaciones que ahonden en el efecto diferencial de la IAGen en función del nivel  
socioeconómico y de la disciplina formativa del alumnado (25), (26).  
CONCLUSIONES  
La evidencia sintetizada en esta revisión sistemática permite afirmar que la inteligencia  
artificial generativa produce un efecto positivo, de una magnitud medianamente alta a  
alta, sobre el rendimiento académico del alumnado de educación superior, con tamaños  
del efecto que oscilan entre 0,57 y 1, 14 dependiendo de la disciplina, la duración de la  
intervención y el diseño metodológico de los estudios primarios analizados. Dicho  
hallazgo responde de manera directa a la objetivo previamente formulado, puesto que  
se comprueba que el impacto que ejerce estas herramientas sobre el aprendizaje se  
encuentra empíricamente contrastado y que no sólo sería una percepción subjetiva de  
la docencia o del alumnado.  
155  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
Como resultado de las reflexiones en torno al desarrollo de los diferentes tipos de  
competencias se plantea que, en la medida en que la inteligencia artificial generativa  
funcione en el aula asociada a un diseño pedagógico intencionado, favorecerá la  
competencia digital, la retroalimentación formativa y, de manera condicional, el  
pensamiento crítico y la comunicación escrita. En la ausencia de este diseño, sin  
embargo, se tiende a generar dependencia cognitiva afectando la elaboración  
autónoma del conocimiento. En este sentido, la tecnología, sin lugar a dudas, es el  
efecto del Diseño del Aula y, por ende, de la tecnología educativa, evidenciando que el  
efecto de la tecnología no es simple, sino que es obligado que pongamos en evidencia  
el hecho de que el impacto de la tecnología tiene que ver de modo decidido con las  
condiciones institucionales y didácticas en las que se llevan a cabo las sesiones.  
Evidentemente, la última conclusión se refiere a que la integridad académica aparece  
como el reto más apremiante y transversal de los que se han detectado en la literatura  
revisada, en contextos donde persisten vacíos de tipo normativo institucional.  
La evidencia de América Latina y la evidencia ecuatoriana, en particular, revelan que la  
confianza acrítica en la información generada por estas herramientas se asocia a una  
preocupación en términos de plagio autorreportado, en tanto que un conocimiento  
crítico sobre las limitaciones instrumentales actúa como un factor protector, hecho que  
da cuenta de la necesidad de incluir la alfabetización digital y ética como el eje central  
del diseño de cualquier estrategia de integración curricular. Ello lleva a plantear que las  
instituciones de educación superior desarrollen políticas explícitas en relación con el uso  
declaro de la inteligencia artificial generativa, que fortalezcan los procesos de formación  
del profesorado en competencias digitales, que reformulen las estrategias de evaluación  
hacia formatos auténticos que valoren el proceso de construcción del conocimiento y  
no sólo el producto final. De manera análoga, es preciso plantear la necesidad de  
impulsar investigaciones longitudinales que permitan contrastar la sostenibilidad de los  
efectos descritos y que exploren su comportamiento diferencial en función de la  
disciplina académica afectada y del contexto socioeconómico del alumnado, todo en  
vistas de generar evidencias que sustenten decisiones curriculares e institucionales  
sustentadas.  
REFERENCIAS BIBLIOGRÁFICAS  
1.  
2.  
3.  
Ogunleye B, Zakariyyah KI, Ajao O, Olayinka O, Sharma H. A Systematic Review of  
Generative AI for Teaching and Learning Practice. Educ Sci (Basel). 2024 Jun  
13;14(6):636. doi:10.3390/educsci14060636  
Zhu C SMLJLTWM. How to harness the potential of ChatGPT in education?  
Knowledge Management & E-Learning: An International Journal. 2023 Jun 10;133–  
52. doi:10.34105/j.kmel.2023.15.008  
Kasneci E, Sessler K, Küchemann S, Bannert M, Dementieva D, Fischer F, et al.  
ChatGPT for good? On opportunities and challenges of large language models for  
education.  
Learn  
Individ  
Differ.  
2023  
Apr;103:102274.  
doi:10.1016/j.lindif.2023.102274  
Tlili A, Shehata B, Adarkwah MA, Bozkurt A, Hickey DT, Huang R, et al. What if the  
devil is my guardian angel: ChatGPT as a case study of using chatbots in education.  
4.  
156  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
Smart Learning Environments. 2023 Feb 22;10(1):15. doi:10.1186/s40561-023-  
00237-x  
Bahroun Z, Anane C, Ahmed V, Zacca A. Transforming Education: A Comprehensive  
Review of Generative Artificial Intelligence in Educational Settings through  
Bibliometric and Content Analysis. Sustainability. 2023 Aug 29;15(17):12983.  
doi:10.3390/su151712983  
Michel-Villarreal R, Vilalta-Perdomo E, Salinas-Navarro DE, Thierry-Aguilera R,  
Gerardou FS. Challenges and Opportunities of Generative AI for Higher Education  
as Explained by ChatGPT. Educ Sci (Basel). 2023 Aug 23;13(9):856.  
doi:10.3390/educsci13090856  
5.  
6.  
7.  
8.  
Wu F, Dang Y, Li M. A Systematic Review of Responses, Attitudes, and Utilization  
Behaviors on Generative AI for Teaching and Learning in Higher Education.  
Behavioral Sciences. 2025 Apr 4;15(4):467. doi:10.3390/bs15040467  
Quiroz Martinez MR. Inteligencia Artificial Generativa (IA Gen) en la  
Transformación Digital de la Educación Superior una Revisión Sistemática de  
Literatura. Ciencia Latina Revista Científica Multidisciplinar. 2025 May  
7;9(2):6339–78. doi:10.37811/cl_rcm.v9i2.17370  
9.  
Ali D, Fatemi Y, Boskabadi E, Nikfar M, Ugwuoke J, Ali H. ChatGPT in Teaching and  
Learning: A Systematic Review. Educ Sci (Basel). 2024 Jun 14;14(6):643.  
doi:10.3390/educsci14060643  
10.  
Ng DTK, Leung JKL, Su J, Ng RCW, Chu SKW. Teachers’ AI digital competencies and  
twenty-first century skills in the post-pandemic world. Educational technology  
research and development. 2023 Feb 21;71(1):137–61. doi:10.1007/s11423-023-  
10203-6  
11.  
Yusuf A, Pervin N, Román-González M. Generative AI and the future of higher  
education: a threat to academic integrity or reformation? Evidence from  
multicultural perspectives. International Journal of Educational Technology in  
Higher Education. 2024 Mar 25;21(1):21. doi:10.1186/s41239-024-00453-6  
Cotton DRE, Cotton PA, Shipway JR. Chatting and cheating: Ensuring academic  
integrity in the era of ChatGPT. Innovations in Education and Teaching  
International. 2024 Mar 3;61(2):228–39. doi:10.1080/14703297.2023.2190148  
Torres-Diaz JC, Duart J, Rivera D, Flandoli AB. Artificial intelligence and academic  
integrity: exploring plagiarism in Ecuadorian universities. International Journal for  
Educational Integrity. 2025 Dec 26;21(1):35. doi:10.1007/s40979-025-00209-3  
Farrokhnia M, Banihashem SK, Noroozi O, Wals A. A SWOT analysis of ChatGPT:  
Implications for educational practice and research. Innovations in Education and  
12.  
13.  
14.  
Teaching  
International.  
2024  
May  
3;61(3):460–74.  
doi:10.1080/14703297.2023.2195846  
15.  
16.  
Pudasaini S, Miralles-Pechuán L, Lillis D, Llorens Salvador M. Survey on AI-  
Generated Plagiarism Detection: The Impact of Large Language Models on  
Academic Integrity. J Acad Ethics. 2025 Sep 4;23(3):1137–70. doi:10.1007/s10805-  
024-09576-x  
Mo F, Huang J, Yang Y, Özen Z, Maeda Y, Olenchak FR. Undergraduate students’  
learning outcomes with ChatGPT: A meta-analytic study. Computers and  
Education:  
Artificial  
Intelligence.  
2026  
Jun;10:100536.  
doi:10.1016/j.caeai.2025.100536  
157  
ISSN:  
DOI:  
3091-1796  
Vol. 4 No. 10 PP. 146-158  
https://doi.org/10.56519/dn5a4q32  
Agosto 2026  
17.  
18.  
Liu Z, Zuo H, Lu Y. The Impact of <scp>ChatGPT</scp> on Students’ Academic  
Achievement: A Meta‐Analysis. J Comput Assist Learn. 2025 Aug 15;41(4).  
doi:10.1111/jcal.70096  
Banihashem SK, Noroozi O, van Ginkel S, Macfadyen LP, Biemans HJA. A systematic  
review of the role of learning analytics in enhancing feedback practices in higher  
education.  
Educ  
Res  
Rev.  
2022  
Nov;37:100489.  
doi:10.1016/j.edurev.2022.100489  
19.  
20.  
Al-Ghonmein AM, Al-Moghrabi KG. The potential of ChatGPT technology in  
education: advantages, obstacles and future growth. IAES International Journal of  
Artificial  
Intelligence  
(IJ-AI).  
2024  
Jun  
1;13(2):1206.  
doi:10.11591/ijai.v13.i2.pp1206-1213  
Strzelecki A, Cicha K, Rizun M, Rutecka P. Acceptance and use of ChatGPT in  
the academic community. Educ Inf Technol (Dordr). 2024 Dec 18;29(17):22943–  
68. doi:10.1007/s10639-024-12765-1  
21.  
22.  
Page M, McKenzie J, Bossuyt P. The PRISMA 2020 statement: an updated guideline  
for reporting systematic reviews. BMJ. 2021;(372):71.  
Lund BD, Lee TH, Mannuru NR, Arutla N. AI and Academic Integrity: Exploring  
Student Perceptions and Implications for Higher Education. J Acad Ethics. 2025 Sep  
20;23(3):1545–65. doi:10.1007/s10805-025-09613-3  
23.  
Guillén-Gámez FD, Sánchez-Vega E, Colomo-Magaña E, Sánchez-Rivas E. Incident  
factors in the use of ChatGPT and dishonest practices as a system of academic  
plagiarism: the creation of a PLS-SEM model. Res Pract Technol Enhanc Learn.  
2024 Sep 16;20:028. doi:10.58459/rptel.2025.20028  
24.  
25.  
Redecker C, Punie Y. Digital Competence of Educators DigCompEdu.  
Galindo-Domínguez H, Campo L, Delgado N, Sainz de la Maza M. Relationship  
between the use of ChatGPT for academic purposes and plagiarism: the influence  
of student-related variables on cheating behavior. Interactive Learning  
Environments. 2025 Jul 3;33(6):4047–61. doi:10.1080/10494820.2025.2457351  
Balalle H, Pannilage S. Reassessing academic integrity in the age of AI: A systematic  
literature review on AI and academic integrity. Social Sciences & Humanities Open.  
2025;11:101299. doi:10.1016/j.ssaho.2025.101299  
26.  
158