Innovación educativa y tecnologías de soporte
Monografía técnica SG1.56.1.57 - v4. 2026
Prefacio
Esta monografía combina objetivos y recomendaciones para la actividad docente en programas de grado y posgrado con resultados de investigación sobre el impacto de las tecnologías emergentes en otros niveles del sistema educativo. Su estructura responde en parte a los requisitos formativos del programa ofertado en la Universidad de Granada para estudiantes de ciencias sociales que eligen el itinerario de filosofía (SG1/56/1/57), complementario del módulo común dedicado a Innovación docente e investigación educativa en el Máster del Profesorado.
La versión 2 (febrero de 2024) incorporó por primera vez el análisis del impacto de la inteligencia artificial generativa en la personalización del aprendizaje. La versión 3 (enero de 2025) amplió considerablemente los recursos interactivos y estudios de caso, explorando las prestaciones de los modelos más avanzados del momento (Claude 3.5 Sonnet, Copilot, Gemini 1.5 y GPT-4o1/mini). Esta versión de 2026 es la cuarta que recibe incorporaciones y modificaciones sustantivas, instigadas en parte por la rápida evolución del conjunto de herramientas, tecnologías y servicios que en los dos últimos años han consolidado opciones metodológicas robustas, con gran potencial para su integración en contextos educativos exigentes. Los dos últimos capítulos, en particular, dedican especial atención a sistematizar, evaluar y comparar prestaciones de las plataformas, modelos y servicios asistidos por IA, de especial interés para su integración en programas de innovación.
La incorporación de nueva literatura centrada en estudios empíricos y metarrevisiones recientes (2025-2026) permite explorar el potencial de los servicios asistidos por IA generativa y agencial y considerar diversos modelos de adopción. El análisis detallado de riesgos en el uso de tecnología educativa y las múltiples sugerencias de buenas prácticas puede interesar a docentes en activo, a investigadores en tecnología educativa y a profesionales que comparten la preocupación por una adopción reflexiva de tecnología emergente en programas rigurosos de innovación y actualización de competencias.
La perspectiva adoptada combina análisis empírico de la literatura científica —metaanálisis, estudios cuantitativos, evaluaciones comparativas— con reflexión crítica sobre las implicaciones filosóficas, éticas y pedagógicas de la integración de IA en educación, evitando tanto el entusiasmo acrítico como el rechazo preventivo y la inacción. El análisis se estructura en torno a marcos consolidados de adopción tecnológica (UTAUT2), competencia digital docente (DigCompEdu/MRCDD) y alfabetización en IA, proporcionando herramientas conceptuales para evaluar críticamente tanto las propuestas comerciales dirigidas al nivel preuniversitario como los servicios para el entorno académico.
Con respecto a versiones anteriores, la actual incorpora numerosas tablas y gráficos para sintetizar evidencia y resultados o recomendaciones de una extensa literatura, centrada en la evaluación de tecnología educativa y pautas de adopción en contextos culturales y regulatorios diversos. Se ha procurado facilitar su reutilización con el sistema de documentos reproducibles que permiten Quarto y RStudio.
La opción por el formato HTML obedece a criterios de accesibilidad y funcionalidad que el formato PDF no puede satisfacer. Como reconoce el equipo de administradores del repositorio arXiv, el 90% de los envíos científicos en formato TeX plantean dificultades considerables para lectores de pantalla, software de conversión texto-voz y dispositivos móviles. HTML supera ampliamente esas limitaciones y aporta funciones adicionales de traducción automática, personalización tipográfica y navegación estructurada que facilitan el acceso a públicos diversos.
Las referencias se organizan en bloques desplegables al final de cada apartado, con la posibilidad de copiar de un solo clic los listados completos, como se hace habitualmente con fragmentos de código en cuadernos técnicos. Esta funcionalidad permite mantener un cuerpo de texto fluido sin sacrificar el aparato crítico ineludible. Algunas secciones incorporan términos clicables que muestran automáticamente los datos bibliográficos al pasar el cursor, integrando la documentación de manera no intrusiva. El apartado de referencias a fuentes citadas incluye un bloque extra de bibliografía complementaria.
La adopción efectiva de tecnologías emergentes en educación superior requiere algo más que habilidades técnicas y entusiasmo por la innovación: exige capacidad profesional para evaluar críticamente las propuestas comerciales o alternativas abiertas y seleccionar las de interés académico genuino; supone competencia para integrar herramientas digitales sin subordinar los objetivos pedagógicos —inclusión, motivación, mejora del rendimiento, aprendizaje horizontal— a las posibilidades técnicas; e involucra una disposición a revisar continuamente las prácticas docentes en función de nueva evidencia empírica. Este trabajo aspira a facilitar elementos para entrenar el buen juicio al respecto.
Agradecimientos
Gran parte de la documentación y recursos externos seleccionados procede de búsquedas y consultas para contribuir al debate informado en conferencias, cursos de doctorado y máster. La interacción con estudiantes de posgrado, en respuesta a preguntas y planteamientos que ampliaban la discusión a problemas no incluidos en la programación, ha servido para filtrar el listado de referencias y estudios sobre tendencias recientes en el ámbito de la educación superior. Es preciso agradecer las muchas recomendaciones y sugerencias valiosas recibidas de colegas que amablemente comunicaban lo que les funcionaba en el aula, y sus alternativas para sortear ciertos inconvenientes.
Los cursos de posgrado para formación del profesorado han servido de oportunidad para estar en contacto con grupos de estudiantes de distintas promociones altamente motivados, con excelente formación previa e involucrados en los debates y prácticas de clase. Su actitud crítica, criterio reflexivo y experiencias personales (en muchos casos tras haber completado algún máster de investigación o en la fase final del periodo de doctorado) contribuyeron a enriquecer las ideas, conceptos y opiniones recogidas en el texto.
Otras intuiciones y aprendizajes surgieron en mis primeros pasos como docente de Filosofía en centros de Gran Canaria, donde tuve la oportunidad de participar en proyectos ambiciosos de innovación y mejora de la infraestructura educativa en aulas de Bachillerato. De esa época guardo muchos recuerdos imborrables de amistades, colegas y estudiantes que hicieron del trabajo una experiencia estimulante y grata.
Granada, enero de 2026
Introducción
0.1 El problema: evaluar tecnologías educativas en un contexto de cambio acelerado
El conjunto de técnicas, herramientas y metodologías útiles en programas de innovación docente resulta virtualmente inabarcable. Puede incluir elementos y enfoques propios de estrategias convencionales, reorientados en combinación con técnicas novedosas de interacción en línea y personalización de los aprendizajes. El desafío para docentes e instituciones no reside tanto en la disponibilidad de recursos —que es extraordinaria— como en la capacidad para evaluar críticamente su pertinencia, eficacia y sostenibilidad en contextos educativos específicos.
Esta monografía aborda un problema central: ¿cómo desarrollar una perspectiva informada, crítica y basada en evidencia para evaluar tecnologías educativas emergentes y maximizar su valor en la enseñanza posobligatoria y universitaria? La pregunta adquiere urgencia particular en un momento en que el ciclo de innovación tecnológica se ha acelerado de modo abrumador, generando tanto oportunidades genuinas como expectativas desmesuradas.
0.2 Justificación: entre el entusiasmo y el escepticismo
El panorama tecnológico de 2025 ilustra la complejidad del problema. Tras el impacto inicial de la inteligencia artificial generativa en 2022-2023 y su popularización fuera de entornos confinados en ámbito académico o empresarial, el sector atraviesa lo que en informes especializados se denomina una “corrección del hype”: las promesas de transformación radical coexisten con evidencia creciente sobre limitaciones reales de estas herramientas y las dificultades para su integración efectiva en flujos virtuosos de trabajo, capaces de generar valor añadido y dinámicas genuinas de innovación. Estudios recientes sugieren que un porcentaje elevado de proyectos piloto con IA en entornos empresariales no logra escalar más allá de la fase experimental, mientras que el uso informal por parte de usuarios individuales continúa expandiéndose (DataCamp, 2025; Fernández, 2025).
Este escenario de tensión entre expectativas y resultados tiene implicaciones directas para el ámbito educativo. Por un lado, emergen constantemente nuevas herramientas con potencial genuino para la personalización del aprendizaje, la generación de recursos adaptados y la automatización de tareas docentes rutinarias. Por otro, la presión por adoptar tecnologías “innovadoras” puede conducir a decisiones poco fundamentadas, con costes de implementación, formación y mantenimiento que no siempre se traducen en mejoras verificables de los resultados educativos.
Algunos trabajos aportan perspectiva amplia sobre décadas de fracasos en la integración de tecnología educativa, lo que permite comprender por qué ciertas iniciativas y estrategias de innovación no escalan ni producen mejoras sostenidas (Armony & Hazzan, 2024). Otros enfatizan lo ocurrido en contextos donde la tecnología educativa no produjo el impacto esperado, como durante la pandemia (Reich, 2024; UNESCO, 2023).
La historia reciente de la tecnología educativa está marcada por ciclos repetidos de expectativas sobrestimadas y resultados modestos, lo que invita a reflexionar sobre el tipo de problemas estructurales subyacentes, el déficit analítico —que puede lastrar los estudios de prospectiva tecnológica— y la subestimacion de impacto tanto por factor humano como por la rigidez de los elementos e infraestructura disponible, incluyendo los marcos presupuestarios que condicionan la incorporación coherente de herramientas innovadoras y capaces de garantizar mejoras verificables del aprendizaje.
Esta monografía incluye elementos útiles para adoptar una posición intermedia —reflexiva y crítica, pero también audaz— que puede interesar cuando más parece estrecharse el espacio entre el entusiasmo acrítico y el escepticismo paralizante. Se trata de proporcionar a docentes y responsables educativos los elementos necesarios para una evaluación rigurosa que considere tanto las posibilidades reales de cada tecnología como sus limitaciones, costes ocultos y requisitos de implementación. Se asume que la inacción consituye en sí misma una alternativa errónea y subóptima, cuyas consecuencias negativas —falta de visión estratégica, pérdida de oportunidades— sobre las instituciones y sus colectivos de egresados se contabilizan ya en cuestión de meses (Feng et al., 2025).
0.3 Marco conceptual: más allá del Diseño Universal para el Aprendizaje
Durante las últimas décadas, el Diseño Universal para el Aprendizaje (DUA) ha proporcionado un marco de referencia influyente para la creación de entornos educativos inclusivos. Sus principios fundamentales —múltiples formas de representación, acción/expresión e implicación— han orientado el diseño de materiales y estrategias adaptadas a la diversidad del alumnado, con resultados respaldados por investigación empírica.
Sin embargo, el DUA presenta limitaciones significativas frente a las posibilidades que abren las tecnologías actuales. Su enfoque, diseñado en un contexto tecnológico previo a la maduración de la inteligencia artificial, carece de mecanismos para aprovechar el análisis de datos en tiempo real, la personalización dinámica de contenidos o la generación automatizada de recursos adaptados a perfiles individuales. Enfoques complementarios como la instrucción diferenciada, el aprendizaje adaptativo y el uso de Learning Analytics aportan mayor precisión para monitorizar el desempeño y ajustar las estrategias de manera ágil.
Las tecnologías de IA generativa permiten proyectar ciertos principios del DUA —accesibilidad, inclusión, personalización, aprendizaje activo— en un escenario sociotécnico mucho más enriquecido. Incluso las versiones gratuitas de los modelos más populares permiten crear materiales adaptados a necesidades específicas, ajustar contenidos de manera dinámica y ofrecer recursos multimodales para el aprendizaje autónomo. En la práctica, esto supone un salto cualitativo de magnitud equiparable al que supuso la integración de formatos en el soporte electrónico, internet o la digitalización. Cualquier docente, con las herramientas adecuadas, puede hoy generar aplicaciones funcionales utilizando lenguaje natural, acelerando la creación de artefactos digitales personalizados y accesibles (Cloud, 2025).
Integrar estas capacidades en un marco coherente, que combine los valores inclusivos del DUA con los avances en tecnología educativa, constituye un objetivo central de esta monografía.
0.4 Metodología: criterios para la selección y evaluación de evidencia
La literatura sobre tecnologías educativas presenta desafíos particulares. Bases de datos especializadas como ScienceDirect o Web of Science devuelven miles de referencias sobre el impacto de las tecnologías de la información en la educación, muchas de ellas redundantes, de escasa relevancia o vinculadas a expectativas no satisfechas por la evolución tecnológica posterior. La velocidad del cambio tecnológico hace que estudios publicados hace apenas dos o tres años puedan resultar obsoletos en aspectos fundamentales.
Esta monografía aplica criterios de selección orientados a priorizar estudios que aporten evidencia empírica de calidad, resultados replicables y datos actualizados sobre el impacto de diversas estrategias y herramientas. Se ha prestado atención particular a la literatura aparecida tras la pandemia de COVID-19, una circunstancia que transformó de manera abrupta la relación de estudiantes y docentes con las plataformas y metodologías de enseñanza en línea. Se incorporan asimismo análisis prospectivos de fuentes especializadas en tecnología educativa y estudios de adopción en contextos reales.
El enfoque metodológico combina la revisión sistemática de literatura con el análisis de estudios de caso y la evaluación directa de herramientas y servicios. Cuando la evidencia publicada resulta insuficiente o contradictoria, se explicitan las limitaciones y se ofrecen criterios para que el lector se pueda formar su propio juicio.
0.5 Alcance y estructura del documento
La monografía se dirige a docentes en ejercicio y a estudiantes de posgrado con interés en desarrollar competencias para poner en práctica metodologías innovadoras y, simultáneamente, adquirir experiencia en evaluación de tecnología educativa. El tratamiento de los contenidos asume familiaridad con conceptos básicos de metodología de la investigación y disposición para un análisis pormenorizado, que trascienda tanto la aceptación acrítica como el rechazo indiscriminado de las herramientas disponibles.
El documento se organiza en secciones que abordan progresivamente el concepto de innovación docente y su concreción en contextos específicos, las metodologías activas con mayor respaldo empírico, las plataformas y herramientas de soporte para la innovación, los criterios para evaluar recursos y propuestas, y una selección de estudios de caso que ilustran aplicaciones concretas. Los recursos interactivos, desarrollados específicamente para esta monografía, permiten experimentar de manera directa con algunas de las técnicas y herramientas analizadas.
Se ha optado por analizar y evaluar técnicas, soportes, plataformas y servicios especialmente adecuados para abrir nuevas posibilidades dentro y fuera de las aulas, sin perder de vista el objetivo central: la mejora de resultados con mayor implicación y motivación de estudiantes y docentes. En varios apartados se aportan elementos para cuestionar las razones más comunes para rechazar el cambio, sobre todo las referidas al coste de los recursos necesarios y a la dificultad para proporcionar una formación bajo demanda de actualización constante y ciclos acelerados de obsolescencia.
1 Tendencias en la adopción de tecnología educativa
La integración de tecnologías en contextos educativos ha seguido una trayectoria de crecimiento exponencial desde la aparición de internet a mediados de los años noventa. Comprender esta evolución resulta esencial para contextualizar el momento actual y evaluar con perspectiva las expectativas asociadas a las tecnologías emergentes. La tecnología educativa comenzó a emerger a mediados del siglo XX con el uso creciente de la televisión y otros medios audiovisuales; durante las décadas de 1950 y 1960, los recursos multimedia se introdujeron en las aulas con fines didácticos (Feng et al., 2025). En la década de 1970, la aparición de la informática hizo posible la instrucción asistida por ordenador, mientras que durante la segunda mitad de los años noventa se produjo la adopción masiva de Internet, inaugurando una nueva etapa de educación en línea y popularizando la educación a distancia (Feng et al., 2025; Granić, 2022). Ya en el siglo XXI, la difusión de dispositivos móviles como smartphones y tablets, junto con la reciente aplicación de inteligencia artificial y tecnologías de big data, ha impulsado la evolución hacia el aprendizaje móvil (m-learning) y la educación asistida por sistemas inteligentes (Feng et al., 2025).
La evidencia empírica sobre adopción de tecnología educativa ha experimentado un crecimiento sostenido, particularmente en la última década. La revisión sistemática de Granić (2022), que analiza 47 estudios publicados entre 2003 y 2021, muestra cómo la frecuencia de publicación comenzó a incrementarse notablemente a partir de 2011, reflejando un interés creciente de actores e instancias académicas en este dominio de oportunidades emergentes.
La revisión posterior de Feng y otros ilustra esta tendencia con claridad. Partiendo de 1.891 estudios inicialmente identificados sobre adopción de tecnología educativa en educación superior (2015-2024), los 39 trabajos que cumplieron los criterios de inclusión mostraron una clara concentración temporal, con el 74% publicado entre 2020 y 2024 y un máximo de 14 estudios en 2023 (Feng et al., 2025). Este patrón de aceleración parece reflejar de modo verosímil tanto la creciente adopción de tecnología en educación como el interés renovado por comprender los factores que modulan su integración efectiva.
La investigación sobre adopción de tecnología educativa muestra una distribución geográfica heterogénea con predominio asiático. Según el estudio de Feng y otros (Feng et al., 2025), China lidera con cinco estudios, seguida de Malasia, India y España con cuatro cada uno, y Arabia Saudí con tres. La revisión de Granić (2022) identifica a Taiwán como el país con mayor producción (N=7), seguido de Corea del Sur y Estados Unidos (N=4 cada uno). En cuanto a los tipos de tecnología validados empíricamente, el e-learning emerge como la modalidad más frecuentemente estudiada —abarcando sistemas, plataformas y entornos de aprendizaje en línea—, seguido del aprendizaje móvil, los sistemas de gestión del aprendizaje (LMS) como Blackboard y Moodle, y los servicios de redes sociales (Granić, 2022). Esta diversidad refleja la amplitud del ecosistema tecnológico-educativo actual.
Los datos previos resultan consistentes con los de otros estudios bibliométricos recientes sobre el empleo de tecnologías digitales en el aula. Alam y colaboradores confirman un crecimiento sostenido de la producción científica entre 2014 y 2023, con un incremento especialmente pronunciado a partir de 2020 que coincide con la expansión de la IA educativa y las tecnologías generativas (Alam et al., 2025). No se trata de un interés académico difuso o genérico por metodologías innovadoras, sino focalizado en la adopción de nuevos modelos y tecnologías de aprendizaje mediados por IA en la educación superior.
La investigación sobre adopción tecnológica en educación se ha fundamentado mayoritariamente en el Modelo de Aceptación Tecnológica (TAM) propuesto por Davis en 1986-1989, que postula que la intención de uso está influida por dos dimensiones principales: la utilidad percibida y la facilidad de uso percibida (Cabero-Almenara et al., 2024; Granić, 2022). La revisión sistemática de Granić (2022) constata que una vasta mayoría de los estudios analizados (N=42) emplean TAM, ya sea en su versión nuclear, en versiones extendidas, o integrado con otras teorías como la Teoría de Difusión de Innovaciones o el Modelo de Éxito de Sistemas de Información.
Paralelamente, Venkatesh y otros (Venkatesh et al., 2003; Xue et al., 2024) desarrollaron la Teoría Unificada de Aceptación y Uso de Tecnología (UTAUT), que integra ocho modelos previos y estructura el análisis en torno a cuatro dimensiones: expectativa de rendimiento, expectativa de esfuerzo, influencia social y condiciones facilitadoras (Feng et al., 2025). Esta fundamentación teórica ha permitido identificar los factores predictivos más relevantes, entre los que destacan la autoeficacia, la norma subjetiva, el disfrute percibido, las condiciones facilitadoras, la ansiedad tecnológica, la accesibilidad del sistema y la complejidad tecnológica (Granić, 2022).
| Modelo | Nombre completo | Autor(es) | Año | Constructos principales | R² | Uso educativo |
|---|---|---|---|---|---|---|
| TRA | Theory of Reasoned Action | Fishbein & Ajzen | 1975 | Actitud, norma subjetiva | ~30% | Histórico |
| TAM | Technology Acceptance Model | Davis | 1989 | Utilidad percibida, facilidad de uso percibida | ~40% | Predominante |
| TPB | Theory of Planned Behavior | Ajzen | 1991 | + Control conductual percibido | ~40% | Moderado |
| TAM2 | TAM Extended | Venkatesh & Davis | 2000 | + Norma subjetiva, imagen, relevancia laboral | ~50% | Creciente |
| UTAUT | Unified Theory of Acceptance and Use of Technology | Venkatesh et al. | 2003 | Expectativa rendimiento, expectativa esfuerzo, influencia social, condiciones facilitadoras | 70% | Alto |
| UTAUT2 | UTAUT Extended | Venkatesh et al. | 2012 | + Motivación hedónica, precio/valor, hábito | >70% | Emergente |
| Nota: UTAUT (sombreado) integra 8 modelos previos y alcanza la mayor varianza explicada. Datos de Venkatesh et al. (2003) y revisiones de Granić (2022) y Feng et al. (2025). | ||||||
Pese a las numerosas ventajas que ofrece la tecnología educativa en diversos estadios de desarrollo y ámbitos de aplicación, persisten desafíos significativos que condicionan su adopción efectiva. Las barreras socioeconómicas impactan de manera desigual en distintas regiones, mientras que las instituciones de educación superior enfrentan limitaciones financieras, actualizaciones tecnológicas costosas por obsolescencia y escasez de personal técnico cualificado (Feng et al., 2025).
La brecha digital afecta de manera desigual a distintos colectivos y tipología de centros, donde la inercia o el desdén institucional y las estructuras de apoyo inadecuadas —falta de reconocimiento económico y profesional a responsables de las estrategias de innovación, p. ej.— continúan obstaculizando las oportunidades de integración efectiva (OECD, 2023; Pierce & Cleary, 2024).
En este contexto, la irrupción de la inteligencia artificial generativa desde finales de 2022 ha añadido una nueva capa de complejidad: por un lado, abre oportunidades transformadoras para la personalización del aprendizaje y el desarrollo de competencias de alfabetización multidisciplinar (asistido por herramientas, modelos y sistemas de IA como en vibe coding); por otro, plantea riesgos relacionados con la propagación de desinformación y la necesidad de cultivar y reforzar el pensamiento crítico entre estudiantes y docentes (Bobula, 2024).
Comprender esta trayectoria histórica y los factores que modulan la adopción reflexiva de tecnología educativa resulta un paso necesario para interpretar los datos de tendencias que se presentan a continuación.
1.1 Hitos en la evolución de la tecnología educativa (1990-2025)
Cierta perspectiva sobre los ciclos de innovación tecnológica en los sistemas educativos resulta esencial para contextualizar el momento actual y orientar los estudios de prospectiva. La revisión sistemática de Granić (2022) destaca que la mayor parte de los resultados de investigación sobre adopción de tecnología educativa se han publicado en la última década, un indicador nítido del interés creciente por este dominio. Esta intensificación coincide con la diversificación de modalidades tecnológicas: mientras que los sistemas de gestión del aprendizaje (LMS) y el e-learning dominaron las primeras dos décadas del siglo XXI, el aprendizaje móvil, las redes sociales educativas y, más recientemente, la inteligencia artificial han reconfigurado sucesivamente el ecosistema EdTech.
La cronología que se presenta a continuación permite identificar tres patrones de cambio distintivos. En primer lugar, una fase de institucionalización (1990-2010) caracterizada por la consolidación de infraestructuras digitales básicas como los LMS y los estándares de interoperabilidad. En segundo lugar, una fase de democratización (2010-2020) marcada por la irrupción de los MOOCs y el acceso masivo a contenidos de calidad, resultado en parte de mejoras en coste y calidad de las conexiones de banda ancha. Finalmente, una fase de disrupción acelerada (2020-2025) catalizada por dos eventos convergentes: la pandemia de COVID-19, que según Pedreño Muñoz et al. (2024) aceleró la adopción de modelos híbridos y plataformas de aprendizaje en línea, y la irrupción de la IA generativa a partir de noviembre de 2022, que ha transformado radicalmente las expectativas sobre personalización y automatización educativa.
Esta visualización temporal resulta útil para situar las decisiones de adopción tecnológica en un marco de referencia histórico donde se puede apreciar la heterogeneidad en los ritmos de implantación, si consideramos los servicios mejor consolidados y su potencial en la fase emergente. La comprensión temprana de las oportunidades en ciernes explica el acierto y la visión estratégica de ciertas instituciones con liderazgo en el sector.
Código
library(ggplot2)
library(dplyr)
# Datos de hitos principales
hitos <- data.frame(
year = c(1990, 1991, 1994, 1997, 2000, 2001, 2002, 2008, 2010, 2012,
2014, 2017, 2020, 2022, 2023, 2024, 2025),
evento = c("FirstClass LMS", "EKKO LMS", "Mosaic (primer navegador gráfico)",
"Blackboard LMS", "SCORM 1.0", "MIT OpenCourseWare",
"Moodle (open source)", "Khan Academy", "Udemy/iPad",
"Coursera/edX (MOOCs)", "Google Classroom",
"Aprendizaje adaptativo mainstream", "Pandemia COVID-19",
"ChatGPT (nov)", "GPT-4/Claude/Gemini",
"Agentes IA educativos", "IA generativa 92% estudiantes"),
categoria = c("LMS", "LMS", "Internet", "LMS", "Estándares", "OER",
"LMS", "Plataformas", "Móvil", "MOOCs", "LMS",
"IA", "Disrupción", "IA Gen", "IA Gen", "IA Agentes", "IA Gen")
)
# Colores por categoría
colores_cat <- c("LMS" = "#2E86AB", "Internet" = "#A23B72",
"Estándares" = "#F18F01", "OER" = "#C73E1D",
"Plataformas" = "#3B1F2B", "Móvil" = "#95C623",
"MOOCs" = "#5C4D7D", "IA" = "#E84855",
"Disrupción" = "#FF6B6B", "IA Gen" = "#4ECDC4",
"IA Agentes" = "#45B7D1")
# Precalcular posiciones alternas (evita error de row_number() en aes)
hitos <- hitos %>%
mutate(
offset = ifelse(row_number() %% 2 == 0, 0.5, -0.5),
offset_text = ifelse(row_number() %% 2 == 0, 0.6, -0.6)
)
# Gráfico
ggplot(hitos, aes(x = year, y = 0)) +
geom_segment(aes(xend = year, yend = offset),
color = "grey60", linewidth = 0.5) +
geom_point(aes(color = categoria), size = 4) +
geom_text(aes(y = offset_text, label = evento),
angle = 45, hjust = 0, size = 3, check_overlap = TRUE) +
scale_color_manual(values = colores_cat) +
scale_x_continuous(breaks = seq(1990, 2025, 5)) +
labs(title = "Evolución de la tecnología educativa (1990-2025)",
subtitle = "Principales hitos y tecnologías disruptivas",
x = "Año", y = "",
color = "Categoría") +
theme_minimal() +
theme(axis.text.y = element_blank(),
axis.ticks.y = element_blank(),
panel.grid.major.y = element_blank(),
panel.grid.minor.y = element_blank(),
legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
plot.subtitle = element_text(size = 11, color = "grey40")) +
coord_cartesian(ylim = c(-1.5, 1.5))
Fuentes: Growth Engineering (2025); Research.com (2025); Gyrus Systems (2025).
1.2 Comparativa de revisiones sistemáticas
La evaluación rigurosa de tecnologías educativas depende de marcos teóricos validados empíricamente. Desde la formulación del modelo UTAUT por Venkatesh et al. (2003), que integró ocho teorías previas de aceptación tecnológica alcanzando una varianza explicada del 70%, la investigación en este campo dispone de instrumentos robustos para el análisis prospectivo de adopción de innovaciones.
La revisión de Granić (2022) confirma que el Technology Acceptance Model (TAM) sigue predominando en contextos educativos (89% de los estudios analizados), aunque UTAUT gana terreno progresivamente por su mayor poder explicativo. La tabla siguiente compara tres revisiones sistemáticas que, en conjunto, sintetizan más de dos décadas de investigación empírica y permiten identificar tanto los factores predictivos más consistentes como la evolución metodológica del campo hacia el estudio específico de la IA generativa.
| Estudio | Período | Bases de datos | n | Marco teórico | Factores más influyentes | Resultado principal |
|---|---|---|---|---|---|---|
| Granić (2022) | 2003-2021 | WoS CCC | 47 | TAM (89%), UTAUT (9%) | Autoeficacia, norma subjetiva, disfrute percibido, condiciones facilitadoras, ansiedad | R² = 40-53% (modelos individuales) |
| Feng et al. (2025) | 2015-2024 | WoS, Scopus, Emerald | 39 | UTAUT | Expectativa rendimiento, expectativa esfuerzo, influencia social, condiciones facilitadoras | 4 dimensiones UTAUT validadas |
| Zhao et al. (2025) | 2022-2025 | 7 bases (WoS, IEEE, ScienceDirect, Springer, Google Scholar, CNKI, COJ) | 29 | Específico GenAI + HOT | Duración intervención (8-16 sem.), autorregulación, método instruccional | ES global = 0.609 (p < 0.001) |
| Abreviaturas: TAM = Technology Acceptance Model; UTAUT = Unified Theory of Acceptance and Use of Technology; HOT = Higher-Order Thinking; ES = Effect Size (Hedges’s g). | ||||||
1.3 Evolución del mercado mundial de tecnología educativa
El mercado global de EdTech ha experimentado un crecimiento sostenido, con una aceleración notable tras la pandemia de COVID-19 y la irrupción de la IA generativa. A diferencia del mercado tecnológico de consumo general, donde la adopción sigue patrones relativamente predecibles basados en precio y funcionalidad, el sector educativo presenta dinámicas singulares: ciclos de decisión institucionales prolongados, resistencias culturales al cambio pedagógico y una tensión permanente entre innovación comercial y rigor académico.
Como señalan Williamson & Hogan (2021), la pandemia posicionó a las entidades privadas como líderes en la transformación digital universitaria, acelerando una comercialización que genera tanto oportunidades como riesgos de subordinar los criterios pedagógicos a la rentabilidad. Con un valor estimado de 163.000 millones de dólares en 2024 y proyecciones que superan los 500.000 millones para 2034 (CAGR del 13,3%), comprender la trayectoria de este mercado resulta esencial para anticipar qué tecnologías alcanzarán masa crítica institucional y cuáles quedarán relegadas a nichos experimentales.
Es probable que la proliferación de centros universitarios privados en países donde la universidad pública ha sido la elección prioritaria por excelencia guarde relación directa con el aprovechamiento estratégico de inversiones cuantiosas en tecnología educativa tras la pandemia —sin descartar la mercadotecnia dirigida a presentar sus programas y metodologías de trabajo como opciones más flexibles y atractivas que el modelo convencional—, y no solo con la escasez o rigidez de la oferta para amplios colectivos cuyas necesidades formativas específicas evolucionan con rapidez (Company, 2022; Levy, 2024).
Código
library(ggplot2)
library(scales)
# Datos del mercado EdTech (en miles de millones USD)
mercado <- data.frame(
year = c(2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023, 2024,
2025, 2026, 2028, 2030, 2032, 2034),
valor = c(45, 52, 60, 70, 82, 106, 127, 145, 163, 185,
210, 240, 310, 400, 480, 572),
tipo = c(rep("Histórico", 10), rep("Proyección", 6))
)
ggplot(mercado, aes(x = year, y = valor)) +
geom_area(data = mercado[mercado$tipo == "Histórico",],
fill = "#2E86AB", alpha = 0.3) +
geom_area(data = mercado[mercado$tipo == "Proyección",],
fill = "#4ECDC4", alpha = 0.3) +
geom_line(aes(linetype = tipo), color = "#1a1a2e", linewidth = 1) +
geom_point(aes(shape = tipo), size = 3, color = "#1a1a2e") +
geom_vline(xintercept = 2020, linetype = "dashed", color = "#E84855", alpha = 0.7) +
geom_vline(xintercept = 2022.9, linetype = "dashed", color = "#F18F01", alpha = 0.7) +
annotate("text", x = 2020, y = 520, label = "COVID-19",
color = "#E84855", size = 3, hjust = -0.1) +
annotate("text", x = 2022.9, y = 480, label = "ChatGPT",
color = "#F18F01", size = 3, hjust = -0.1) +
scale_y_continuous(labels = label_dollar(suffix = "B"),
breaks = seq(0, 600, 100)) +
scale_x_continuous(breaks = seq(2015, 2034, 2)) +
labs(title = "Mercado global de tecnología educativa",
subtitle = "Valores históricos y proyecciones (CAGR 13.3%)",
x = "Año", y = "Valor de mercado (USD)",
linetype = "", shape = "",
caption = "Fuentes: Precedence Research (2025); Grand View Research (2025)") +
theme_minimal() +
theme(legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
plot.caption = element_text(size = 8, color = "grey50"))
Fuentes: Precedence Research (2025); Grand View Research (2025).
1.4 Adopción de IA generativa en educación superior
La velocidad de adopción de herramientas de IA generativa entre estudiantes universitarios constituye un fenómeno sin precedentes en la historia de la tecnología educativa. Mientras que tecnologías previas como los LMS o los MOOCs requirieron años para alcanzar masa crítica, ChatGPT superó los 100 millones de usuarios en apenas dos meses desde su lanzamiento. En el ámbito universitario, esta dinámica de adopción se produce de manera asimétrica entre estudiantes y docentes.
Según el estudio de Tyton Partners citado por Pedreño Muñoz et al. (2024), más de la mitad de los estudiantes universitarios utilizaban herramientas de IA en 2023, frente a menos del 25% del profesorado. Esta brecha plantea desafíos pedagógicos, técnicos e institucionales de calado (Chan & Lee, 2023). Los datos que se presentan a continuación permiten trazar tres dimensiones complementarias del fenómeno: la evolución temporal de la adopción estudiantil (incluyendo el controvertido uso en evaluaciones), el ecosistema de herramientas disponibles con sus respectivas cuotas de mercado, y la distribución sectorial que sitúa a la educación superior en un contexto más amplio donde K-12 y la formación corporativa compiten por recursos e innovación.
Código
library(ggplot2)
# Datos de adopción por estudiantes
adopcion_est <- data.frame(
periodo = factor(c("Ene 2023", "Jun 2023", "Dic 2023", "Jun 2024", "Dic 2024", "Jun 2025"),
levels = c("Ene 2023", "Jun 2023", "Dic 2023", "Jun 2024", "Dic 2024", "Jun 2025")),
uso_general = c(35, 52, 66, 80, 86, 92),
uso_evaluaciones = c(15, 28, 42, 53, 72, 88)
)
library(tidyr)
adopcion_long <- pivot_longer(adopcion_est, cols = c(uso_general, uso_evaluaciones),
names_to = "tipo", values_to = "porcentaje")
adopcion_long$tipo <- factor(adopcion_long$tipo,
levels = c("uso_general", "uso_evaluaciones"),
labels = c("Uso general en estudios", "Uso en evaluaciones"))
ggplot(adopcion_long, aes(x = periodo, y = porcentaje, fill = tipo)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.8), vjust = -0.5, size = 3) +
scale_fill_manual(values = c("#2E86AB", "#E84855")) +
scale_y_continuous(limits = c(0, 100), breaks = seq(0, 100, 20)) +
labs(title = "Adopción de IA generativa por estudiantes universitarios",
subtitle = "Porcentaje de estudiantes que reportan uso de herramientas como ChatGPT, Copilot o Gemini",
x = "", y = "Porcentaje de estudiantes (%)",
fill = "",
caption = "Fuentes: Digital Education Council (2024); HEPI & Kortext (2025); Chegg Global Survey (2025)") +
theme_minimal() +
theme(legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
axis.text.x = element_text(angle = 45, hjust = 1),
plot.caption = element_text(size = 8, color = "grey50"))
Fuentes: Digital Education Council (2024); Higher Education Policy Institute & Kortext (2025); Chegg, Inc. (2025).
Código
library(knitr)
library(kableExtra)
herramientas <- data.frame(
Herramienta = c("ChatGPT (OpenAI)", "Grammarly", "Microsoft Copilot",
"Google Gemini", "Claude (Anthropic)", "Perplexity AI"),
`Uso estudiantes` = c("66%", "25%", "25%", "18%", "8%", "6%"),
`Usuarios globales` = c("800M/semana", "30M/mes", "140M DAU*",
"400M/mes", "30M/mes", "15M/mes"),
`Cuota mercado IA` = c("59.5%", "—", "14%", "13.4%", "3.2%", "6.2%"),
`Fortalezas educativas` = c("Versatilidad, plugins, multimodal",
"Corrección escritura académica",
"Integración Office 365, fuentes",
"Integración Google Workspace",
"Contexto largo (200K tokens), razonamiento",
"Búsqueda con citas verificables"),
check.names = FALSE
)
kable(herramientas, align = c("l", "c", "c", "c", "l")) |>
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = TRUE, font_size = 12) |>
footnote(general = "*DAU = Daily Active Users. Datos a mayo 2025.",
general_title = "Nota: ",
footnote_as_chunk = TRUE)| Herramienta | Uso estudiantes | Usuarios globales | Cuota mercado IA | Fortalezas educativas |
|---|---|---|---|---|
| ChatGPT (OpenAI) | 66% | 800M/semana | 59.5% | Versatilidad, plugins, multimodal |
| Grammarly | 25% | 30M/mes | — | Corrección escritura académica |
| Microsoft Copilot | 25% | 140M DAU* | 14% | Integración Office 365, fuentes |
| Google Gemini | 18% | 400M/mes | 13.4% | Integración Google Workspace |
| Claude (Anthropic) | 8% | 30M/mes | 3.2% | Contexto largo (200K tokens), razonamiento |
| Perplexity AI | 6% | 15M/mes | 6.2% | Búsqueda con citas verificables |
| Nota: *DAU = Daily Active Users. Datos a mayo 2025. |
Fuentes: Digital Education Council (2024); Views4You (2025); Data Studios (2025).
Código
library(ggplot2)
sectores <- data.frame(
sector = factor(c("K-12", "Educación Superior", "Formación Corporativa",
"Desarrollo Profesional", "Consumidor individual"),
levels = c("K-12", "Educación Superior", "Formación Corporativa",
"Desarrollo Profesional", "Consumidor individual")),
cuota_mercado = c(39.4, 22.3, 24.1, 8.7, 5.5),
crecimiento_anual = c(21.3, 18.6, 15.2, 12.8, 11.5)
)
library(tidyr)
sectores_long <- pivot_longer(sectores, cols = c(cuota_mercado, crecimiento_anual),
names_to = "metrica", values_to = "valor")
sectores_long$metrica <- factor(sectores_long$metrica,
levels = c("cuota_mercado", "crecimiento_anual"),
labels = c("Cuota de mercado 2024 (%)", "CAGR proyectado (%)"))
ggplot(sectores_long, aes(x = sector, y = valor, fill = metrica)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8), width = 0.7) +
geom_text(aes(label = paste0(valor, "%")),
position = position_dodge(width = 0.8), vjust = -0.3, size = 3) +
scale_fill_manual(values = c("#2E86AB", "#4ECDC4")) +
scale_y_continuous(limits = c(0, 45)) +
labs(title = "Distribución del mercado EdTech por sector",
subtitle = "Cuota de mercado actual y tasa de crecimiento proyectada",
x = "", y = "Porcentaje (%)",
fill = "",
caption = "Fuente: Grand View Research (2025)") +
theme_minimal() +
theme(legend.position = "bottom",
plot.title = element_text(face = "bold", size = 14),
axis.text.x = element_text(angle = 30, hjust = 1),
plot.caption = element_text(size = 8, color = "grey50"))
Fuente: Grand View Research (2025).
1.5 Factores determinantes en la adopción de tecnología educativa
La adopción de tecnologías educativas no responde a un proceso lineal ni automático, sino que está mediada por factores psicológicos, sociales e institucionales que los marcos teóricos han ido sistematizando durante las últimas décadas. El modelo UTAUT, desarrollado por Venkatesh et al. (2003) mediante la integración de ocho teorías previas, identifica cuatro constructos fundamentales: expectativa de rendimiento (los beneficios percibidos), expectativa de esfuerzo (la facilidad de uso), influencia social (la presión normativa del entorno) y condiciones facilitadoras (la infraestructura y soporte disponibles).
Este marco alcanza una varianza explicada del 70% en la intención de uso, superando significativamente a modelos anteriores como TAM. La revisión sistemática de Feng et al. (2025) aplica este marco al contexto específico de la educación superior entre 2015 y 2024, revelando que la expectativa de esfuerzo (facilidad de uso) aparece como factor predictivo en casi la mitad de los estudios analizados, lo que sugiere que las barreras de usabilidad —en mayor proporción que el coste asociaso— siguen siendo el principal obstáculo para la integración tecnológica en las aulas universitarias.
Código
library(ggplot2)
factores <- data.frame(
factor = factor(c("Expectativa de esfuerzo\n(facilidad de uso)",
"Expectativa de rendimiento\n(beneficios percibidos)",
"Condiciones facilitadoras\n(infraestructura, soporte)",
"Influencia social\n(pares, institución, cultura)"),
levels = c("Expectativa de esfuerzo\n(facilidad de uso)",
"Expectativa de rendimiento\n(beneficios percibidos)",
"Condiciones facilitadoras\n(infraestructura, soporte)",
"Influencia social\n(pares, institución, cultura)")),
n_estudios = c(18, 8, 8, 5),
porcentaje = c(46.2, 20.5, 20.5, 12.8)
)
ggplot(factores, aes(x = reorder(factor, n_estudios), y = n_estudios, fill = factor)) +
geom_bar(stat = "identity", width = 0.7) +
geom_text(aes(label = paste0(n_estudios, " estudios\n(", porcentaje, "%)")),
hjust = -0.1, size = 3.5) +
coord_flip() +
scale_fill_manual(values = c("#2E86AB", "#4ECDC4", "#F18F01", "#E84855")) +
scale_y_continuous(limits = c(0, 25)) +
labs(title = "Factores de adopción de tecnología educativa",
subtitle = "Revisión sistemática de 39 estudios (2015-2024)",
x = "", y = "Número de estudios",
caption = "Fuente: Feng et al. (2025). PLOS Digital Health.") +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
plot.caption = element_text(size = 8, color = "grey50"))
Fuente: Feng et al. (2025)
1.6 Uso de IA por docentes y necesidades de formación
Los resultados de la investigación sobre factores de adopción de tecnología educativa tienen implicaciones directas para la formación docente, como muestra Pedreño Muñoz et al. (2024) a propósito del uso de herramientas de IA. Mientras más de la mitad del alumnado universitario las utiliza regularmente, menos del 25% del profesorado lo hace, ya sea por falta de tiempo para incorporar nuevas tecnologías, por carencia de formación adecuada o por dudas y preocupaciones acerca de sus implicaciones éticas, ambientales o de otra naturaleza. Según una encuesta de IESALC-UNESCO, menos del 43% de los docentes de educación superior había tenido contacto con ChatGPT a finales de 2023.
La paradoja, con los datos disponibles sobre la distribución de factores de adopción, es que el 75% del profesorado familiarizado con estas herramientas reconoce que los estudiantes necesitarán competencias en IA para su éxito profesional, pero que la mayor parte del profesorado carece de la formación necesaria para integrarlas en su práctica pedagógica.
Código
library(knitr)
library(kableExtra)
docentes <- data.frame(
Indicador = c("Docentes que han usado IA en enseñanza",
"Uso mínimo o esporádico entre quienes la usan",
"Docentes sin formación específica en IA",
"Distritos con formación IA planificada (otoño 2025)",
"Docentes que usan IA para preparar lecciones",
"Docentes que usan IA para investigación",
"Docentes que usan IA para crear materiales"),
Porcentaje = c("61%", "88%", "71%", "74%", "38%", "44%", "37%"),
Fuente = c("Digital Education Council (2025)",
"Digital Education Council (2025)",
"NEA (2025)",
"Amazon Assets Report (2025)",
"NEA (2025)",
"NEA (2025)",
"NEA (2025)"),
check.names = FALSE
)
kable(docentes, align = c("l", "c", "l")) |>
kable_styling(bootstrap_options = c("striped", "hover", "condensed"),
full_width = TRUE, font_size = 12)| Indicador | Porcentaje | Fuente |
|---|---|---|
| Docentes que han usado IA en enseñanza | 61% | Digital Education Council (2025) |
| Uso mínimo o esporádico entre quienes la usan | 88% | Digital Education Council (2025) |
| Docentes sin formación específica en IA | 71% | NEA (2025) |
| Distritos con formación IA planificada (otoño 2025) | 74% | Amazon Assets Report (2025) |
| Docentes que usan IA para preparar lecciones | 38% | NEA (2025) |
| Docentes que usan IA para investigación | 44% | NEA (2025) |
| Docentes que usan IA para crear materiales | 37% | NEA (2025) |
Fuentes: Digital Education Council (2025); National Education Association (2025); Amazon Web Services (2025).
1.7 Tendencias y evidencia de impacto en la literatura científica sobre EdTech
La investigación sobre adopción de tecnología educativa ha seguido una trayectoria ascendente que refleja el creciente interés institucional por fundamentar empíricamente las decisiones de integración tecnológica. Según la revisión de Feng et al. (2025), la producción científica sobre adopción de tecnología educativa ha experimentado un crecimiento sostenido, con un pico notable en 2023. En particular, las publicaciones sobre IA en educación han experimentado un salto en su tasa de crecimiento anual del 10% (2005-2015) al 23% en el periodo posterior, aunque apenas el 1,4% de estos artículos aborda cuestiones éticas o pedagógicas críticas (Pedreño Muñoz et al., 2024).
El pico observado en 2023 coincide con la irrupción masiva de ChatGPT y la urgencia por comprender sus implicaciones en contextos de enseñanza-aprendizaje de todas las etapas del sistema educativo.
Código
library(ggplot2)
publicaciones <- data.frame(
year = 2015:2024,
n_articulos = c(1, 1, 0, 3, 1, 4, 6, 9, 14, 4)
)
ggplot(publicaciones, aes(x = year, y = n_articulos)) +
geom_bar(stat = "identity", fill = "#2E86AB", width = 0.7) +
geom_text(aes(label = n_articulos), vjust = -0.5, size = 3.5) +
scale_x_continuous(breaks = 2015:2024) +
scale_y_continuous(limits = c(0, 16)) +
labs(title = "Publicaciones sobre adopción de EdTech en educación superior",
subtitle = "Artículos incluidos en revisión sistemática PRISMA",
x = "Año de publicación", y = "Número de artículos",
caption = "Fuente: Feng et al. (2025). Búsqueda inicial: 1,891 estudios; seleccionados: 39.") +
theme_minimal() +
theme(plot.title = element_text(face = "bold", size = 14),
plot.caption = element_text(size = 8, color = "grey50"))
Fuente: Feng et al. (2025).
1.8 Impacto de la IA generativa en el rendimiento académico
Aparte del análisis basado en percepciones y tasas de adopción, la pregunta fundamental en un contexto verosímil de innovación educativa es qué efecto real tendrán ciertas tecnologías emergentes de gran potencial sobre el aprendizaje. El desarrollo de habilidades de pensamiento de orden superior (Higher-Order Thinking, HOT) —resolución de problemas, pensamiento crítico y creatividad— constituye un objetivo central de la educación universitaria del siglo XXI según marcos como los de la OCDE (Vincent-Lancrin & Vlies, 2020).
El metaanálisis de Zhao et al. (2025), basado en 29 estudios experimentales y cuasiexperimentales, ofrece la primera síntesis cuantitativa rigurosa sobre el impacto positivo moderado de la IA generativa en competencias de orden superior, revelando efectos diferenciados según el tipo de habilidad y variables moderadoras como la duración de la intervención.
Código
library(ggplot2)
efectos <- data.frame(
habilidad = factor(c("Resolución de problemas", "Pensamiento crítico", "Creatividad"),
levels = c("Resolución de problemas", "Pensamiento crítico", "Creatividad")),
efecto = c(0.62, 0.48, 0.31),
interpretacion = c("Moderado-alto", "Moderado", "Bajo-moderado")
)
ggplot(efectos, aes(x = habilidad, y = efecto, fill = habilidad)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = paste0("d = ", efecto, "\n(", interpretacion, ")")),
vjust = -0.3, size = 3.5) +
scale_fill_manual(values = c("#4ECDC4", "#2E86AB", "#F18F01")) +
scale_y_continuous(limits = c(0, 0.85)) +
labs(title = "Efectos de la IA generativa en pensamiento de orden superior",
subtitle = "Tamaño del efecto (d de Cohen) según metaanálisis de 29 estudios",
x = "", y = "Tamaño del efecto (d)",
caption = "Fuente: Zhao et al. (2025). Journal of Intelligence. Intervenciones óptimas: 8-16 semanas.") +
theme_minimal() +
theme(legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
plot.caption = element_text(size = 8, color = "grey50"))
Fuente: Zhao et al. (2025).
1.9 Conclusión
Las transformaciones tecnológicas con mayor incidencia en el sistema educativo responden a una pauta de adopción que supera ampliamente la mera digitalización de contenidos. El modelo emergente opera con una nueva lógica de diseño y aprendizaje, enfocada a prácticas de personalización dinámica, asistencia inteligente y co‑creación entre humanos y sistemas, en un giro que la irrupción de la IA generativa ha acelerado de manera disruptiva.
La evidencia empírica, fundamentada en modelos predictivos derivados de UTAUT2, confirma que la aceptación docente no depende únicamente de la infraestructura técnica, sino que está fuertemente mediada por las expectativas de rendimiento, la influencia social y las creencias pedagógicas subyacentes (Cabero-Almenara et al., 2024).
Diversos estudios de revisión subrayan la mayor propensión a integrar estas herramientas entre colectivos de docentes que comparten puntos de vista y metodologías constructivistas, donde la tecnología es considerada un andamiaje para el aprendizaje activo. Las barreras de adopción suelen correlacionarse con una falta de alineación entre oportunidades derivadas de la evolución tecnológica y las estrategias o enfoques pedagógicos existentes (Feng et al., 2025).
Las aportaciones centradas en analizar el impacto académico y cognitivo de la IA generativa coinciden en señalar una mejora en la eficiencia para gestionar la carga administrativa y la capacidad de personalización a escala; pero metaanálisis recientes señalan que el impacto real en el desarrollo de habilidades metacognitivas (HOT) es heterogéneo y depende sustancialmente del diseño pedagógico subyacente, siendo el aprendizaje basado en proyectos una modalidad donde el efecto resulta beneficioso (Zhao et al., 2025).
La brecha en ritmos de adopción —rápida adopción por parte del estudiantado, integración más cautelosa entre el profesorado— probablemente difiere bastante entre grupos de estudiantes, como señalan Chan & Lee (2023) a propósito de Gen Z y X. Pero su estudio podría orientar sobre iniciativas prioritarias en el sistema de educación superior, como la redefinición urgente de las métricas de evaluación y los protocolos y criterios de integridad académica, para prevenir el riesgo de generalización de las rutinas de aprendizaje abreviado y la dependencia cognitiva o pérdida de autonomía (deskilling, cognitive erosion), en línea con fenómenos análogos producidos por la automatización industrial (Bobula, 2024; Vivas Urias & Ruiz Rosillo, 2025).