Digital Innovations in Education Brief N°4 Revolución de la IA en Educación Superior Lo que hay que saber Ezequiel Molina y Exequiel Medina 2025 Banco Internacional de Reconstrucción y Fomento / Banco Mundial 1818 Calle H NW Washington DC 20433 Teléfono: 202-473-1000 Internet: www.worldbank.org Este trabajo es un producto del personal del Banco Mundial con contribuciones externas. Los resulta- dos, interpretaciones y conclusiones expresados en este trabajo no reflejan necesariamente las opinio- nes del Banco Mundial, de su Directorio Ejecutivo o de los gobiernos a los que representan. El Banco Mundial no garantiza la exactitud, exhaustividad o actualidad de los datos incluidos en esta obra y no asume responsabilidad alguna por errores, omisiones o discrepancias en la información, ni responsabilidad con respecto al uso o falta de uso de la información, métodos, procesos o con- clusiones expuestos. Las fronteras, colores, denominaciones, enlaces/notas a pie de página y demás información que aparecen en esta obra no implican juicio alguno por parte del Banco Mundial sobre la condición jurídica de ninguno de los territorios citados, ni la aprobación o aceptación de tales fron- teras. La cita de obras de otros autores no significa que el Banco Mundial apruebe las opiniones expre- sadas por dichos autores o el contenido de sus obras. Nada de lo aquí dispuesto constituirá o se interpretará o considerará como una limitación o renuncia a los privilegios e inmunidades del Banco Mundial, todos los cuales están específicamente reservados. Por favor, cite el trabajo como sigue: Molina, E., & Medina, E. (2025). La revolución de la IA en la Educación Superior. Lo que hay que saber. En Innovaciones Digitales en Educación. Banco Mun- dial. Derechos y permisos El material contenido en esta obra está sujeto a derechos de autor. Dado que el Banco Mundial fo- menta la difusión de sus conocimientos, esta obra puede ser reproducida, total o parcialmente, con fines no comerciales siempre que se cite la fuente. Todas las consultas sobre derechos y licencias, incluidos los derechos subsidiarios, deben dirigirse a World Bank Publications, The World Bank Group, 1818 H Street NW, Washington, DC 20433, EE.UU.; fax: 202-522-2625; correo electrónico: pubrights@worldbank.org. Diseño: Estudio Utopix Agradecimientos Este informe es un producto de la Práctica Global de Educación para América Latina y el Caribe en el Banco Mundial como parte de la serie Innovaciones Digitales en la Educación. Fue preparado por Ezequiel Molina (Economista Senior) y Exequiel Medina (Consultor), bajo la dirección de Andreas Blom (Gerente de Prácticas de Educación para América Latina y el Caribe). Otras contribuciones fueron proporcionadas por los colegas del Banco Mundial Cristóbal Cobo, Koen Martijn Geven, María Marta Ferreya, Helena Rovner, María Rebeca Barrón Rodríguez y Suhas Parandekar. También queremos dar las gracias a Christopher Neilson , Ph.D. (Profesor, Universidad de Yale y CEO, ConsiliumBots & Tether Education), Brian Verdine, Ph.D. (SVP of Academic Engagement, YellowDig) , Sergio Alvano (CEO, Sili- ce) , y Marcos Rojas (Doctorando en Diseño de Aprendizaje y Tecnología, Universidad de Stanford) por sus contribuciones, comentarios perspicaces y sugerencias. Este informe se elaboró entre septiembre y febrero de 2025. Este informe fue elaborado por dos agentes humanos y 3 agentes impulsados por Inteligencia Ar- tificial Generativa, chatGPT, DeepSeek y NotebookLM. Estas herramientas permitieron armonizar el contenido, enriquecer el análisis y agilizar la síntesis de información. Los aportes fueron revisados por el equipo humano para asegurar precisión, consistencia y veracidad sobre los hallazgos científicos y tecnológicos aquí presentados. AI Revolución de la IA en Educación Superior Lo que hay que saber Ezequiel Molina y Exequiel Medina INDICE I Resumen ejecutivo......................................................................................................... 4 II Introducción.................................................................................................................. 8 III. Herramientas centradas en estudiantes.................................................................... 14 A.Sistemas de tutoría IA y aprendizaje adaptativo................................................................. 14 Sistemas de tutoría AI (AITS)..................................................................................................... 14 Plataformas de aprendizaje adaptativo basadas en IA.......................................................... 19 IV. Herramientas y prácticas centradas en docentes...................................................... 21 B.Evaluación de la potencia de la IA........................................................................................ 21 C.Apoyo a la investigación........................................................................................................ 23 V. Herramientas y practicas institucionales centradas en administrativos..................... 25 D.Apoyo administrativo e institucional.................................................................................... 25 E.Perfiles y predicción de estudiantes..................................................................................... 27 Perfiles y predicción de estudiantes: Identificación de estudiantes de riesgo.................. 27 Predicción del rendimiento académico................................................................................... 29 VI. Retos......................................................................................................................... 30 VII. Conclusiones: Aprovechar la IA para un sistema de Educación Superior inclusivo y transformador................................................................................................................ 37 VIII. Referencias.............................................................................................................. 39 IX. Anexo........................................................................................................................ 45 I RESUMEN EJECUTIVO La Inteligencia Artificial (IA) está revolucionando la Educación Superior (ES), transformando la forma en que los estudiantes aprenden, los profesores enseñan y las instituciones despliegan sus modelos edu- cativos. En toda América Latina y el Caribe (ALC), las herramientas impulsadas por IA se están integrando en las aulas, la investigación y los procesos administrativos, ofreciendo soluciones escalables y personalizadas para mejorar el acceso educativo, la eficiencia y la equidad. Sin embargo, a pesar de su vasto potencial, la adopción de la IA en la región sigue siendo fragmentada, obstaculizada por deficiencias de infraestructura, innovación limitada en IA y desafíos en la capacitación de docentes y retención del talento. Este informe examina el potencial transformador de la inteligencia artificial (IA) en la Educación Su- perior, centrándose en sus aplicaciones clave, los desafíos que presenta y las recomendaciones es- tratégicas para una integración ética. Las herramientas de IA ya están generando un impacto significativo en el apoyo a los estudiantes, la investigación académica y la gestión institucional. Estudios recientes sobre sistemas de IA generativa muestran resultados prometedores; por ejemplo, las plataformas de asignación ba- sadas en IA han aumentado la eficiencia en la colocación de estudiantes en un 20% y mejorado las opciones de los estudiantes mal emparejados en un 38% (Larroucau et al., 2024). Asimismo, investigaciones sobre herramientas de IA generativa implementadas con rigor han eviden- ciado mejoras significativas en los resultados de aprendizaje: un estudio de Harvard encontró que los estudiantes que utilizaron tutores de IA aprendieron más del doble en menos tiempo en comparación con metodologías de aprendizaje activo (Kestin et al., 2024), mientras que un estudio de Stanford demostró que la tutoría mejorada con IA puede escalar las prácticas de enseñanza expertas, ayudando a los tutores a emplear estrategias pedagógicas más efectivas, con un costo accesible de 20 dólares anuales por tutor (Wang et al., 2025). Estas tecnologías están contribuyendo a reducir brechas de aprendizaje y a ampliar el acceso a una educación de calidad, abordando el “Problema de las 2 Sigmas” de Bloom (Bloom, 1984) mediante apoyo personalizado y 24/7, que complementa los métodos tradicionales de enseñanza. Sin embargo, para aprovechar todo el potencial de la IA en la región de LAC es necesario superar obs- táculos críticos. Estos incluyen la brecha digital, que limita la accesibilidad a la IA en las zonas rurales; la baja participación de las instituciones latinoamericanas en la innovación global de IA (contribuyendo sólo con el 0,21% de las patentes de IA); y las preocupaciones éticas en torno al sesgo algorítmico y la privacidad de los datos. Para hacer frente a estos retos es necesario un enfoque holístico que incluya inversiones en investiga- ción sobre IA, programas de formación docente, mejora de la infraestructura digital y una mayor colaboración multisectorial. El panorama de la adopción y despliegue de la IA revela tanto oportunidades como obstáculos signifi- cativos entre los docentes. Las encuestas realizadas entre docentes indican que, aunque el 61% ha utilizado la IA para enseñar y el 65% la considera una oportunidad, persisten importantes preocupaciones. En concre- to, al 83% le preocupa la capacidad de los estudiantes para evaluar críticamente los resultados de la IA, y el 80% afirma que sus instituciones carecen de directrices exhaustivas sobre IA. Estos resultados subrayan la necesidad de sistemas sólidos de apoyo a docentes y políticas institucionales claras. Además, los primeros indicios sugieren que, sin un diseño y una aplicación cuidadosos, las herramientas de IA pueden amplificar inadvertidamente las desigualdades educativas existentes, afectando en particular a los estudiantes de co- munidades desfavorecidas y a los que no hablan su lengua materna. El informe clasifica las aplicaciones de la IA en tres áreas principales: herramientas centradas en el estu- diante, innovaciones centradas en docentes y aplicaciones institucionales, cada una de las cuales se explora en profundidad en el Tabla 1, que ofrece una visión general de las innovaciones impulsadas por IA que se analizan en esta guía: 6 AI Revolution in Higher Education Principales conclusiones: • La IA puede cambiar las reglas del juego de la Educación Superior. Desde la mejora de los re- sultados del aprendizaje hasta la optimización de los procesos institucionales, la IA está impulsando transformaciones sin precedentes. • La adaptación regional es crucial. Las herramientas de IA deben ajustarse a las realidades sociales, económicas y de infraestructuras de América Latina para maximizar su impacto. • Es necesario invertir en innovación en IA. La baja contribución de la región a las patentes de IA indica la necesidad de reforzar los ecosistemas de investigación y la colaboración público-privada. • La formación y la retención de docentes son esenciales. Sin docentes bien preparados, la IA no puede integrarse eficazmente en la docencia y la investigación. • Abordar la equidad digital no es negociable. Ampliar el acceso a la banda ancha y a soluciones de IA asequibles es clave para garantizar que todos los estudiantes se beneficien de estas tecnologías. • La gobernanza ética de la IA es imperativa. La adopción de la IA debe ser transparente, responsa- ble y libre de prejuicios para generar confianza y garantizar un acceso equitativo. El camino a seguir Para aprovechar plenamente el potencial de la IA en la Educación Superior, América Latina debe actuar con decisión. Los gobiernos, las universidades y el sector privado deben trabajar juntos para fomentar un entorno favorable a la innovación y, al mismo tiempo, dar prioridad a la equidad digital, el desarrollo docente y la go- bernanza ética de la IA. El futuro de la Educación Superior está siendo remodelado por la IA, y las decisiones que se tomen hoy determinarán si esta transformación conduce a una mayor inclusión y oportunidades de aprendizaje para todos. Este reporte sirve como guía para las autoridades políticas, los cuerpos docentes y líderes institucionales que buscan navegar por la revolución de la IA en Educación Superior. Al adoptar un enfoque estratégico basado en evidencia, la región puede posicionarse a la vanguardia de la innovación educativa impulsada por la IA. Tabla 1: Aplicaciones de la IA en Educación Superior Categoría Aplicación AI Impacto en Educación Superior Mejora el aprendizaje personalizado, pro- Herramientas centra- Aprendizaje adaptativo porciona retroalimentación en tiempo real das en el estudiante y tutores de IA y reduce brechas de aprendizaje. Agiliza la calificación, garantiza la equidad Innovaciones centra- La IA en la evaluación y proporciona a los estudiantes informa- das en docentes ción basada en datos. Acelera las revisiones bibliográficas, auto- Ayuda a la investiga- matiza el análisis de citas y mejora la inves- ción con IA tigación interdisciplinar. Apoya la asignación de recursos, predice Aplicaciones institucio- La IA en la toma de de- las tendencias de matriculación y mejora la nales cisiones institucionales planificación financiera. Identifica a los estudiantes de riesgo, pre- Perfiles y apoyo al estu- dice el rendimiento académico y permite diante basados en IA realizar intervenciones tempranas. Sistemas de admisión y Optimiza la colocación de los estudiantes, matriculación basados reduce los cuellos de botella administrati- en IA vos y mejora la eficacia institucional. Garantiza la transparencia algorítmica, pro- Marcos éticos y norma- mueve la adopción responsable de la IA y tivos de la IA salvaguarda la privacidad de los estudiantes. AI Revolution in Higher Education 7 Ii IntroducCion En un contexto global en el que la masificación de la ES se enfrenta a crecientes demandas de calidad y transparencia, las instituciones están adoptando tecnologías avanzadas, como las herramientas de IA, con la promesa de transformar sus prácticas y hacer frente a estos desafíos. La Educación Superior en América Latina y el Caribe se ha expandido significativamente, pasando de 7,4 millones de estudiantes en 1990 a 15 millones en 2004 (Fernández, 2007). Este crecimiento se aceleró aún más, con un aumento de las matrículas de 21 millones en 2009 a más de 31 millones en 2023, lo que refleja un aumento de casi el 100% en dos décadas. Sólo Brasil, México, Argentina y Colombia suman 21 millones de estudiantes, lo que representa el 68% del total en la región (UNESCO UIS, 2024). El número de universidades en América Latina ha crecido significativamente desde mediados del si- glo XX, pasando de 75 en 1950 a unas 1.867 en la actualidad, lo que representa el 13% del total mundial de Instituciones de Educación Superior (IES) (Fernández, 2007; UniRank, 2024). Junto con esta expansión, la Educación Técnica y Profesional (ETP) se ha convertido en un componente crítico del panorama educativo de la región, con un estimado de 5 millones de estudiantes matriculados12 , lo que representa el 17% de la matrícula total de ES según el UIS de UNESCO (2024). Como señala Sevilla (2017) en el informe de CEPAL Panorama de la Educación Técnica Profesional en América Latina y el Caribe, la participación en la ETP ha mostrado tendencias notables, particularmente en contextos donde la oferta técnica es predominantemente mixta o privada, destacando su importancia para diversificar las trayectorias educativas y atender las deman- das del mercado laboral regional. A pesar de la masificación de la ES en América Latina y el Caribe, persisten importantes brechas de acceso y calidad. Según Ferreyra et al. (2017), los estudiantes de los quintiles más bajos representaban solo el 24% de la matrícula total en 2012, lo que muestra una mejora con respecto al 16% de 2000, pero sigue reflejando desigualdades estructurales. Además, estos estudiantes tienden a concentrarse en instituciones menos rigurosas o programas de baja calidad, lo que limita su potencial para alcanzar los mismos beneficios económicos que sus pares de mayores ingresos. La rápida expansión del sistema también ha suscitado dudas sobre la capacidad de las instituciones para mantener los estándares de calidad, especialmente en un contex- to en el que el crecimiento de las instituciones privadas presenta retos y oportunidades únicos para equilibrar la accesibilidad con unos resultados de aprendizaje efectivos. EL financiamiento de la ES ha sido clave para ampliar el acceso, pero también presenta retos como la deuda acumulada y la desigualdad en la progresión académica de los estudiantes de menores in- gresos. Políticas de financiamiento como préstamos y subsidios han permitido a los estudiantes de bajos ingresos acceder a la ES, pero también han incrementado los niveles de endeudamiento entre los graduados, suscitando preocupaciones sobre la sostenibilidad financiera del modelo (Ferreyra et al., 2017). Al mismo tiempo, el impacto en la movilidad social ha sido significativo pero desigual (INACAP, 2023). Los estudiantes de familias de bajos ingresos tienen menos probabilidades de completar sus estudios debido a barreras como una preparación académica inadecuada y la necesidad de combinar los estudios con el trabajo. Estas desigualdades estructurales limitan el potencial de la ES para actuar como un verdadero motor de movilidad social en la región, un papel que ha demostrado ser particularmente valioso en el mundo técnico y profesio- nal (CAF, 2018; Arias Ortiz et al., 2021). 1 Esta cifra contrasta con los datos del IEU de la UNESCO, que informa de casi 2,7 millones de estudiantes matriculados en programas de educación terciaria de nivel CINE 5, típicamente asociados con la educación técnica o profesional. Cabe destacar que el nivel CINE 6 también incluye algunos programas técnicos de cuatro años de duración, como los que se encuentran en el sistema de educación técnica o profesional de Chile, lo que complica aún más la categorización. 2 La estimación de 5 millones de estudiantes de ETP se calculó multiplicando la matrícula total de estudiantes en el IEU de la UNES- CO (2024) por el porcentaje estimado de participación en la educación técnica en América Latina y el Caribe, basado en el análisis de Sevilla (2017) en el informe de la CEPAL. 8 AI Revolution in Higher Education Los resultados de TIMSS y PIAAC revelan bajos resultados de aprendizaje y grandes retos educativos. En la evaluación PIAAC (tabla 2), diseñada para medir las competencias en lectura, matemáticas y resolución de problemas en entornos digitales, países como Perú, Chile, México y Ecuador muestran que la mayoría de su población adulta alcanza niveles básicos en estas áreas. Por otro lado, sólo el 7% y 5% de la población de Perú y Ecuador, respectivamente, alcanza niveles avanzados en resolución de problemas en entornos di- gitales (OCDE, 2020; OCDE, 2024). Esto presenta retos significativos a medida que el desarrollo de diversas tecnologías digitales continúa impactando los mercados laborales y las IES. Tabla 2: Resultados del PIAAC. Nota: Puntuaciones medias de las personas de 16 a 65 años en lectura, escritura y cálculo, y porcentaje de personas de 16 a 65 años que alcanzan el nivel 2 o 3 en resolución de problemas en un entorno tecnológico. Los resultados del TIMSS 2023 confirman el retraso educativo en América Latina. Los estudiantes de octavo básico en Brasil obtuvieron 378 puntos en matemáticas y 420 puntos en ciencias, mientras que Chile logró 416 y 455 puntos, respectivamente, ambos muy por debajo de los promedios internacionales de 478 y 485 puntos, como indica la tabla 3 (IEA, 2024) . Estas puntuaciones ponen de manifiesto las persistentes desigualdades en los sistemas educativos de la región. En contraste, la implementación del Aprendizaje Per- sonalizado Digital (APD) en Kenia demuestra el po- “Casi la mitad de los tencial de las herramientas impulsadas por IA para estudiantes matriculados en abordar tales brechas. Este estudio reveló que el uso del ALC no terminan la carrera APD en las aulas de preescolar condujeron a una mejora estadísticamente significativa en los resultados de apren- a los 29 años, y cerca del dizaje, con un tamaño del efecto de 0,53 desviaciones 50% la abandona durante el estándar (DE) en general, y ganancias específicas de 0,45 primer año” DE en aritmética y 0,45 DE en alfabetización (Major et al., 2024). Estos resultados ponen de relieve cómo las herra- mientas impulsadas por IA, cuando se integran eficaz- mente en las aulas, pueden mejorar los resultados del aprendizaje y ayudar a reducir las desigualdades edu- cativas, ofreciendo una vía prometedora para las regiones que luchan por cumplir los estándares mundiales. AI Revolution in Higher Education 9 Tabla 3: Puntuaciones medias en Matemáticas y Ciencias de los estudiantes de 4º y 8º según los resultados de TIMSS 2023. País Matemáticas Matemáticas Ciencias (4º curso) Ciencias (8º curso) (4º curso) (8º curso) Brasil 400 378 425 420 Chile 444 416 479 455 Estados Unidos 517 488 532 513 La IA puede transformar potencialmente la educación personalizando el aprendizaje y mejorando la eficiencia. La integración de IA es prometedora para los sistemas educativos, ya que ofrece la posibilidad de colmar las brechas de aprendizaje, agilizar los procesos administrativos y mejorar el rendimiento académico. Estas tecnologías pueden mejorar la eficiencia institucional además de permitir una enseñanza personalizada adaptada a las necesidades únicas de cada alumno, lo que ayuda a abordar retos persistentes como el bajo compromiso de los estudiantes y los resultados educativos deficitarios. linea de tiempo de la ia 1950-2025 10 AI Revolution in Higher Education Sin embargo, muchas regiones en desarrollo tienen problemas con la infraestructura necesaria para apoyar la adopción de la IA en la educación. A pesar del potencial de la IA, persisten los problemas de infraestructura básica, sobre todo en las zonas rurales y remotas, donde el acceso confiable a Internet es es- caso. La distribución de tablets y computadores por sí solo no permite sortear las brechas de aprendizaje si se carece de conectividad y mantenimiento a largo plazo (ILIA, 2024, pág. 44). Para subsanar estas deficiencias se requieren estrategias de inclusión digital integrales, que incluyan una sólida formación para docentes y estudiantes y modelos de financiamiento sostenibles. Los docentes ven en la IA tanto una oportunidad como un reto. La encuesta mundial sobre IA realizada en 2025 por el Consejo de Educación Digital a 1.681 profesores de 52 instituciones reveló que, aunque el 61% ha utilizado la IA en la enseñanza y el 65% la considera una oportunidad, sigue habiendo importantes preo- cupaciones. Al 83% le preocupa la capacidad de los estudiantes para evaluar de forma crítica los resultados de la IA, y el 80% afirma que sus instituciones carecen de directrices exhaustivas sobre la IA. Las respuestas de los docentes indican que un mayor acceso a las herramientas de IA y una formación más amplia sobre cono- cimientos y habilidades de IA son factores fundamentales para su adopción (Digital Education Council, 2025). Comprender estas perspectivas del cuerpo docente requiere considerar la larga evolución tecnológica de la inteligencia artificial. Desde el pionero “Test de Turing” de Alan Turing (1950), algunos hitos clave incluyen el perceptrón de Rosenblatt en 1958, la victoria de IBM Deep Blue sobre Garry Kasparov en 1997 (Campbell et al., 2002), la revolución de AlexNet en las redes neuronales en 2012 (Krizhevsky et al., 2012) y el triunfo de AlphaGo sobre el campeón mundial de Go en 2017 (Silver et al., 2017). Los avances recientes en modelos de lenguaje a gran escala, como ChatGPT (2022) y DeepSeek R1 (2024), han acelerado la adopción de la IA en diversos sectores, ejemplificado por el sistema de la Universidad Estatal de California, que en 2025 se convirtió en la red universitaria más grande del mundo impulsada por IA. A medida que el desarrollo de los modelos de lenguaje se vuelve más rentable (DeepSeek-AI, 2024), siguen surgiendo nuevas aplicaciones para abordar desafíos educativos como el “Problema de las 2 Sigmas” de Bloom (Bloom, 1984), mejorando el aprendizaje personalizado a gran escala y re- forzando la integridad académica mediante mecanismos avanzados de monitoreo. Estos avances tecnológicos ya están mostrando un impacto concreto en los entornos educativos. En Chile, la IA ya se está aplicando para abordar desafíos estructurales en la educación, demostrando su poten- cial para mejorar la equidad y la eficiencia en el acceso a la Educación Superior. El proceso de admisión en Chile es parcialmente centralizado, donde los estudiantes postulan a las universidades a través de una plata- forma unificada gestionada por el Ministerio de Educación. Sin embargo, este sistema solo incluye a un sub- conjunto de instituciones, ya que muchas universidades privadas e institutos técnicos operan fuera del marco centralizado, ofreciendo programas de manera independiente. Esta estructura dual complica el proceso de selección, contribuyendo a ineficiencias como que casi el 40% de los estudiantes no seleccionen el programa de su primera opción y que entre el 5% y el 10% pierdan oportunidades de matricularse en programas que podrían mejorar significativamente sus perspectivas académicas y profesionales (Kapor, Karnani, & Neilson, 2022). Estas ineficiencias ponen de relieve la urgente necesidad de herramientas innovadoras y nuevos enfo- ques de política para abordar las barreras sistémicas en el proceso de admisión. Para mitigar estos retos, se introdujo un sistema de asignación centralizado que aprovecha algoritmos avanzados de IA. Este sistema utiliza un algoritmo de aceptación diferida con reglas de desempate para optimizar las preferencias de los estudiantes y las prioridades de las IES. Como resultado, el porcentaje de estudiantes que no seleccionaron los programas de su primera opción se redujo en un 20%, y la asignación de cupos de los estudiantes mal emparejados mejoraron en un 38% (Larroucau et al., 2024). Estos resultados ilustran una forma tangible en que la IA puede contribuir a unos sistemas educativos más inclusivos y eficaces, al tiempo que subrayan la importancia de una aplicación transparente para maximizar su impacto y generar confianza entre las partes interesadas. AI Revolution in Higher Education 11 Objetivos. Este informe pretende explorar el estado actual y el potencial transformador de la IA en la Edu- cación Superior en América Latina y el Caribe (ALC). Si bien la IA ofrece soluciones prometedoras, no es una panacea para los desafíos educativos, sino que puede ser eficaz cuando se aplica cuidadosamente a proble- mas específicos y bien definidos. Es esencial enfatizar que la IA no debe ser vista como un reemplazo de la experiencia humana, sino más bien como una herramienta complementaria para mejorar y escalar el impacto educativo cuando se despliega estratégicamente. La guía examina las aplicaciones actuales de la IA en tres grupos de interesados clave: Para los estudiantes, exploramos cómo la IA permite experiencias de aprendizaje personalizadas a través de sistemas adaptativos y tutorías de IA; para docentes, analizamos cómo la IA puede agilizar las tareas administrativas de , mejorar las prácticas académicas y apoyar las actividades de investigación; y para los administradores, investiga cómo la IA puede optimizar las operaciones institucionales a través de una mejor asignación de recursos y una toma de decisiones basada en datos. Con este análisis se busca ayudar a los sistemas educativos y a las IES a tomar decisiones informadas sobre dónde y cómo integrar la IA de forma efectiva, identificando casos de uso específicos en los que puede tener un impacto significativo, al tiempo que se reconocen sus limitacio- nes y la importancia que sigue teniendo el criterio humano en la educación. Esta guía (Informe N°4, 2025) forma parte de la serie de informes Innovaciones Digitales en la Educación, que tiene como objetivo proporcionar información sobre las formas de mejorar la digitalización de la educa- ción en la región de América Latina y el Caribe (ALC), con un enfoque en las innovaciones que mejoran los resultados del aprendizaje. Al mostrar casos reales de países de ALC y destacar implementaciones exitosas y mejores prácticas, esta serie apoya la asociación estratégica del Banco Mundial y el Banco Interamericano de Desarrollo para acelerar la transformación digital de los sistemas educativos en la región. Los lectores también pueden consultar los informes complementarios de esta serie: La revolución de la IA en la educación (Síntesis nº 1, 2024): Ofrece un amplio panorama del potencial trans- formador de la IA en la educación. Transformar la educación en Uruguay a través de la tecnología (Boletín nº 2, 2024): Examina la experiencia pionera de Uruguay en la integración de la tecnología educativa 100 Students’ Voices on AI in Education (Informe nº 3, 2024): Ofrece las perspectivas de los estudiantes sobre la aplicación de la IA en la educación. Puede obtener más información sobre la serie y acceder a los informes anteriores aquí. 12 AI Revolution in Higher Education III Metodología Guía metodológica. Para desarrollar esta guía práctica sobre Inteligencia Artificial en la ES, se empleó un enfoque de métodos mixtos, combinando la revisión de la literatura, la prueba de las herramientas de IA y estudios de casos de contextos globales y regionales. Se identificó un grupo inicial de 438 herramientas de IA a través de Edtech Insiders, una plataforma que ofrece uno de los repositorios más completos de herramientas educativas. A partir de este grupo, el equipo del Banco Mundial añadió 34 herramientas de IA y llevó a cabo un proceso de selección interno para identificar 20 herramientas que destacaban por pruebas relevantes o casos de uso bien reconocidos. Estas herramientas se clasificaron en cinco áreas clave: Aprendizaje adaptativo (sistemas que ajustan el conteni- do, el ritmo y la retroalimentación en tiempo real a las necesidades individuales de los estudiantes), evalua- ción inteligente (herramientas automatizadas para evaluar el desempeño de los estudiantes), herramientas administrativas (incluidos los sistemas de perfiles y predicción de estudiantes, chatbots, así como sistemas de IA para agilizar las operaciones institucionales), facilitación de la investigación (plataformas que ayudan a la investigación académica) y marcos éticos y regulatorios. Además, una revisión comparativa de los marcos regulatorios internacionales y regionales puso de relieve las brechas en áreas como la protección de datos, la transparencia algorítmica y el uso ético de la IA, enfatizando la necesidad de estrategias regulatorias específicas para cada contexto en América Latina. Esta metodología estructurada asegura que la guía esté basada en la evidencia y sea práctica para avanzar en la adopción de la IA en la Educación Superior. El acceso a la información sigue siendo un reto, ya que algunos datos sobre herramientas desarrolladas internamente por instituciones de Educación Superior (IES) no se publican o están restringidos. Ade- más, faltan pruebas empíricas en América Latina, donde muchas iniciativas prometedoras se encuentran aún en sus primeras fases o carecen de evaluaciones rigurosas para valorar su impacto. Por otra parte, el rápido ritmo de los avances tecnológicos plantea retos a las instituciones a la hora de mantenerse actualizadas e integrar eficazmente las nuevas herramientas en los sistemas existentes. IV. Panorama de las herramientas de IA en la Educación Superior Esta guía sobre IA en la Educación Superior está organizada en cinco categorías y presenta veinte he- rramientas impulsadas por IA diseñadas para beneficiar a estudiantes, docentes y personal administra- tivo. Para los estudiantes, destaca herramientas como los sistemas de aprendizaje adaptativo y los sistemas de tutoría con IA. Las herramientas enfocadas en los docentes incluyen plataformas de evaluación automati- zada, sistemas de retroalimentación personalizada y herramientas de apoyo a la investigación para mejorar la enseñanza y aprendizaje. Para los administradores, la guía presenta soluciones para la gestión institucional y la toma de decisiones basadas en datos, como la planificación de recursos, chatbots impulsados por IA y aná- lisis predictivos para identificar a estudiantes en riesgo. Además, aborda desafíos éticos y operativos clave, incluyendo la transparencia algorítmica, el financiamiento sostenible y la evidencia sobre la efectividad de la IA en la mejora del aprendizaje y la eficiencia institucional. AI Revolution in Higher Education 13 Herramientas centradas Iii en estudiantes A. Sistemas de tutoría IA y aprendizaje adaptativo Las herramientas centradas en el estudiante y potenciadas por la IA en Educación Superior aprovechan las tecnologías avanzadas para mejorar los resultados del aprendizaje y proporcionar experiencias edu- cativas personalizadas. Entre estas herramientas, los sistemas de tutoría y las plataformas de aprendizaje adaptativo basados en IA representan innovaciones clave que permiten personalizar la educación adaptando el contenido, el ritmo y la retroalimentación en tiempo real para satisfacer las necesidades de cada estudiante. Definidos por Du Plooy et al. (2024) como una pedagogía impulsada por la tecnología, estos sistemas utili- zan herramientas como cuestionarios de conocimientos previos, plataformas de gestión del aprendizaje (por ejemplo, Moodle o Connect) y algoritmos adaptativos para crear itinerarios personalizados. Antes de la IA Generativa, estos avances habían dado lugar a mejoras académicas significativas en el 59% de los estudios y a un aumento del compromiso en el 36%, lo que pone de relieve su impacto transformador en el aprendizaje. La integración de la IA Generativa ofrece potencial para un impacto aún mayor, aunque los detalles de implementación resultan críticos. Si bien metaanálisis anteriores hallaron efectos positivos modestos pero significativos de las plataformas digitales (g = 0,278) ( Alshammary y Alhalafawy 2023 ), las pruebas que pre- sentaremos demuestran que los sistemas de IA bien diseñados pueden lograr resultados mucho mayores en entornos de Educación Superior. Sin embargo, estos resultados dependen en gran medida de una aplicación meditada y de una cuidadosa atención a los principios de diseño , ya que tanto los beneficios como los ries- gos potenciales de estos sistemas han crecido con el aumento de sus capacidades. Sistemas de tutoría AI (AITS). La evidencia sobre tutoría con IA en Educación Superior es limitada, pero estudios en preescolar y se- cundaria respaldan su potencial impacto. Cada vez son más las investigaciones que demuestran que los sistemas de tutoría con IA bien diseñados pueden mejorar significativamente los resultados del aprendizaje en la Educación Superior, aunque gran parte de nuestros conocimientos también se basan en la enseñanza preescolar y secundaria y en otros contextos educativos. Aunque la investigación centrada específicamente en las aplicaciones de la Educación Superior es todavía incipiente, la evidencia en todos los niveles educa- tivos proporciona información valiosa sobre el potencial y las limitaciones de los sistemas de tutoría de IA, ayudando a informar sobre su desarrollo e implementación en entornos universitarios. Los primeros datos en Educación Supe- rior muestran resultados prometedores. “La IA puede actuar como un Un estudio de Harvard de 2024 en el que participaron 194 estudiantes universitarios ‘multiplicador de fuerza’ al de física representa una de las pocas evalua- permitir a docentes aplicar ciones rigurosas de la eficacia de la tutoría estrategias de enseñanza basadas con IA en la Educación Superior. El estudio concluyó que los participantes que utiliza- en pruebas que, de otro modo, ban tutores de IA aprendían más del doble requerirían demasiado tiempo” en menos tiempo que los que asistían a cla- ses de aprendizaje activo, y que el 83% de los estudiantes calificaban las explicaciones de la IA como comparables o mejores que las de los instructores humanos. La investigación identificó varios principios de diseño fundamentales para que los sistemas de tutoría con IA sean eficaces, como facilitar el aprendizaje activo, gestionar la carga cognitiva, promover la mentalidad de crecimiento, proporcionar contenidos con andamiaje, garantizar la precisión, ofrecer apoyo personalizado a tiempo y permitir el aprendizaje a ritmo propio (Kestin et al., 2024). 14 AI Revolution in Higher Education Un resultado similar se encontró en la Universitas Muhammadiyah Muara Bungo. El estudio reveló que los estudiantes que utilizaban tutorías con IA obtenían puntuaciones medias significativamente más altas (81,81) que los del grupo de control (70,45). El estudio destacó la importancia de un mayor compromiso de los estudiantes, la interacción con los materiales de aprendizaje y la colaboración entre estudiantes como factores clave que contribuyen a mejorar el rendimiento (Hakiki et al, 2023). Sin embargo, la investigación también revela importantes retos en la forma en que los estudiantes in- teractúan con los sistemas de IA. Un estudio realizado en 2024 con 38 estudiantes universitarios de inglés como segundo idioma comparó detalladamente los comportamientos de búsqueda de ayuda entre estu- diantes que utilizaban tutores de IA y expertos humanos. La investigación descubrió que los estudiantes que utilizaban tutores de IA a menudo se saltaban pasos críticos del aprendizaje, solicitaban respuestas directas en lugar de orientación y no evaluaban de forma crítica la ayuda proporcionada por la IA. En cambio, los estudiantes que trabajaban con expertos humanos seguían un proceso de aprendizaje más estructurado, pe- dían pistas en lugar de soluciones y evaluaban detenidamente los comentarios antes de ponerlos en práctica (Chen et al, 2025). En apoyo de estas conclusiones, otro estudio de 666 participantes que examinaba la rela- ción entre el uso de herramientas de IA y las habilidades cognitivas reveló correlaciones preocupantes. La in- vestigación encontró fuertes correlaciones negativas entre el uso de herramientas de IA y las capacidades de pensamiento crítico, junto con una fuerte correlación positiva con la externalización cognitiva, lo que sugiere que una mayor dependencia de las herramientas de IA puede conducir a una disminución de las capacidades independientes de resolución de problemas (Gerlich, 2025). El diseño y la implementación resultan cruciales para el éxito de los sistemas de tutoría basados en IA. Este creciente conjunto de pruebas sugiere que la eficacia de los sistemas de tutoría de IA depende funda- mentalmente de su diseño e implementación. Bastani et al. (2024) llevaron a cabo un experimento de campo con cerca de mil estudiantes de secundaria, comparando dos enfoques diferentes de tutoría basados en Chat-GPT. Mientras que una integración básica de GPT mostró mejoras iniciales en el rendimiento del 48%, los estudiantes obtuvieron resultados un 17% peores que el grupo de control cuando se eliminó el apoyo de la IA. Sin embargo, un “Tutor GPT” cuidadosamente diseñado con salvaguardas específicas de aprendizaje logró una mejora del 127% en el rendimiento al tiempo que mitigaba en gran medida los efectos negativos del aprendizaje. Estos resultados subrayan la importancia de un diseño cuidadoso del sistema que promueva el aprendizaje activo y evite la dependencia excesiva de la ayuda de la IA. Los sistemas basados en IA pueden superar estos retos mediante implementaciones estratégicas y con un enfoque centrado en los estudiantes. Las pruebas recientes de un estudio de Stanford demuestran que los sistemas de tutoría con IA diseñados cuidadosamente pueden superar estos retos. Wang et al. (2025) llevaron a cabo el primer ensayo controlado aleatorizado de un sistema de tutoría humano e inteligencia artificial en el que participaron 900 tutores y 1.800 estudiantes de primaria y secundaria. Su sistema, Tutor CoPilot representa un enfoque novedoso que aprovecha modelos de pensamiento experto para proporcio- nar orientación en tiempo real a los tutores. El estudio reveló que los estudiantes que trabajaban con tutores asistidos por IA mostraban un aumento de 4 puntos porcentuales en el dominio de los temas, y se observa- ban ganancias aún mayores (9 puntos porcentuales) entre los estudiantes que trabajaban con tutores menos experimentados. Mediante el análisis de más de 550.000 mensajes, los investigadores descubrieron que los tutores con apoyo de IA eran más propensos a utilizar estrategias que fomentaban una comprensión más pro- funda, como formular preguntas orientativas en lugar de dar respuestas directas. Y lo que es más importante, esta mejora se consiguió con un modesto coste de unos 20 dólares anuales por tutor. AI Revolution in Higher Education 15 Datos recientes procedentes de contextos en desarrollo refuerzan aún más el potencial de los sistemas de tutoría basados en IA y aportan ideas para la adopción y despliegue institucional. Aunque se centra en la enseñanza secundaria, un ensayo controlado aleatorizado realizado en 2024 en Nigeria ofrece valiosas lecciones para los entornos de Educación Superior. El estudio evaluó un programa extraescolar que utilizaba IA generativa (Copilot Chat) como tutor virtual y que, tras seis semanas de aplicación, logró notables mejoras de aprendizaje de 0,3 desviaciones estándar, equivalentes a casi dos años de progreso típico de aprendizaje. Esto situó la eficacia de la intervención por encima del 80% de otras intervenciones educativas estudiadas mediante RCTs en países en desarrollo. Los beneficios no se limitaron a los conocimientos de inglés, sino que mejoraron el rendimiento en todas las asignaturas del plan de estudios habitual de los estudiantes, lo que demuestra que una tutoría con inteligencia artificial bien aplicada puede mejorar las capacidades de aprendi- zaje en general y complementar las prácticas institucionales existentes. Las estudiantes –que inicialmente iban rezagadas respecto de los estudiantes– mostraron incluso mayores beneficios, lo que indica el potencial del programa para reducir las diferencias de género en el aprendizaje (De Simone et al., próxima publicación). La comprensión de estos principios allana el camino para una adopción y despliegue institucional efi- caz. Estas pruebas, aunque extraídas de diversos contextos educativos, aportan ideas cruciales para la imple- mentación en la Educación Superior. Jill Watson, Cogniti y Mateo de Chile son ejemplos adicionales que de- muestran cómo se están aplicando estos principios en la práctica. Su implementación subraya la importancia de las herramientas de IA conscientes del contexto que mejoran los resultados del aprendizaje, optimizan el compromiso de los estudiantes y complementan las metodologías de enseñanza existentes. Jill Watson, desarrollada en Georgia Tech y potenciada por ChatGPT, ejemplifica cómo los sistemas de tutores con IA pueden mejorar el aprendizaje ofreciendo un apoyo académico personalizado y eficien- te. Esta herramienta ofrece a los estudiantes respuestas en tiempo real y contextualizadas a consultas espe- cíficas del dominio, con un tiempo medio de respuesta de 6,8 segundos. En una evaluación reciente de 150 preguntas, Jill Watson alcanzó una tasa de éxito del 76,7%, superando a otros sistemas de IA como Legacy Jill Watson (26,0%) y OpenAI Assist (31,3%) (Figura 5). Además, Jill Watson minimiza los resultados perjudiciales (tasa de fallos del 5,7%) y mitiga eficazmente la confusión causada por problemas de recuperación, lo que la posiciona como una herramienta fiable para mejorar los resultados de aprendizaje de los estudiantes (Taneja et al., 2024). Esta innovación aborda uno de los principales retos de la educación a distancia: la falta de presencia docente, que a menudo se traduce en un menor compromiso y rendimiento académico. Gracias al mar- co de IA Retrieval-Augmented Generation (RAG), que combina recuperación de información y generación de texto, Jill Watson garantiza respuestas precisas y contextualizadas basadas en materiales aprobados por el docente, lo que reduce eficazmente las alucinaciones habituales en los grandes modelos lingüísticos. Jill Watson se ha implementado en más de 1.300 instituciones y ha demostrado su capacidad para mejorar los resultados: los usuarios obtienen mejores notas A (66,2% frente a 62,3%) y menos notas C (3,0% frente a 7,4%) que los no usuarios3. Estos resultados ponen de relieve su potencial para salvar la brecha entre el aprendizaje a distancia y en persona, al tiempo que mejora el compromiso y el éxito académico (Kakar et al., 2024). 3 En algunos países de América Latina y el Caribe (ALC), las calificaciones académicas siguen un sistema similar al de EE. UU., donde la ‘A’ representa un desempeño excelente (generalmente equivalente a un 90-100%) y la ‘C’ indica un rendimiento promedio o por debajo del esperado (70-79%, dependiendo del país). Sin embargo, la variabilidad en los sistemas de calificación y los estándares de evaluación en la región pueden influir en la interpretación de estos resultados. 16 AI Revolution in Higher Education Figura 3. Jill Waston y las preguntas y respuestas sobre el programa general de estudios y el calendario. Figura 4.Integración del chat GPT para PersonalAI Teaching Assistant. AI Revolution in Higher Education 17 Figura 5. Respuestas de Jill Watson y chatGPT 3.5 a las preguntas de los estudiantes. Extraído de (Kakar et al., 2024). Cogniti es una solución flexible impulsada por ChatGPT4 diseñada para beneficiar directamente a los estudiantes mediante experiencias de aprendizaje personalizadas y adaptativas. Aunque los educado- res son los responsables de crear y adaptar los Sistemas de Tutoría con IA para satisfacer las necesidades es- pecíficas de sus cursos, son los estudiantes los beneficiarios finales y los usuarios finales de estas herramien- tas. Cogniti permite personalizar el aprendizaje en disciplinas como la biología, la psicología y el periodismo, garantizando que cada estudiante reciba un apoyo específico basado en sus progresos y áreas de mejora. Según el minisimposio de Cogniti (2024), Cogniti ha demostrado su eficacia en diversas instituciones de Educación Superior. Por ejemplo, en la Universidad de Sídney, se utilizaron agentes de IA impulsados por Cogniti en un curso de microbiología para facilitar la práctica personalizada de respuestas cortas a más de 800 estudiantes, generando 1.200 interacciones a mitad del semestre, identificando brechas de conocimien- to en tiempo real. En los tutoriales de química, Cogniti redujo las respuestas incorrectas en un 90% y aumentó la confianza de los estudiantes en las discusiones entre compañeros en un 86%. Además, Cogniti permite a los estudiantes de periodismo jugar a simulaciones de redacciones, lo que mejora sus conocimientos en ma- teria de información judicial y derecho de los medios de comunicación. Esta plataforma escalable y versátil fomenta el compromiso, aumenta la confianza y mejora los resultados del aprendizaje mediante estrategias de enseñanza basadas en datos. Los sistemas de tutoría en cualquiera de sus formas han demostrado sistemáticamente su impacto en el éxito académico. Yana-Salluca et al. (2024) destacan cómo la tutoría personalizada transforma el rendimiento académico en la ES al cerrar las brechas de aprendizaje y reforzar las habilidades clave. Cooper (2010) subra- ya que los centros de tutoría presenciales impulsan las tasas de retención y graduación a través de sesiones de grupo y el acceso a recursos académicos. Durante la era COVID-19, Hardt et al. (2023) informaron de que la tutoría a distancia produjo un aumento del 30% en los créditos obtenidos y redujo las desigualdades aca- démicas. Como complemento, un meta-análisis de Tlili et al. (2023) muestra que los sistemas de tutoría con IA tienen un impacto moderado en la adquisición de conocimientos (g = 0,57), reafirmando el papel de la tecnología como un aliado clave en la ES. 4 https://educational-innovation.sydney.edu.au/teaching@sydney/leveraging-ai-for-enhanced-financial-analysis-a-case-study-with-gpt- 4-through-cogniti/ 18 AI Revolution in Higher Education En América Latina, herramientas como Tutor Mateo (IA), desarrollado por la Universidad Austral de Chile, ejemplifican los esfuerzos de la región por aprovechar la IA en los procesos educativos. Con el apoyo de Fondecyt (Fondo Nacional de Desarrollo Científico y Tecnológico, Chile), Mateo se centra en la nivelación de conocimientos básicos de matemáticas pre-álgebra para estudiantes de ingeniería, ofreciendo retroalimentación en tiempo real y experiencias de aprendizaje personalizadas. Mediante la evaluación de ex- presiones matemáticas y el reconocimiento de patrones, el sistema proporciona información inmediata sobre la corrección del trabajo de los estudiantes. Construye un modelo dinámico del alumno a través del Bayesian Knowledge Tracing (BKT), un método probabilístico que estima el dominio de habilidades específicas anali- zando secuencias de respuestas correctas e incorrectas. Este modelo permite a Mateo adaptar eficazmente la enseñanza seleccionando ejercicios dentro de la Zona de Desarrollo Próximo del alumno, garantizando que las tareas supongan un reto adecuado para optimizar los resultados del aprendizaje. Actualmente en fase de validación, Mateo se ha puesto a prueba en cursos de recuperación, lo que de- muestra su potencial para abordar las brechas académicas. El sistema también incorpora un mecanismo de control compartido que permite a los estudiantes participar en la selección de ejercicios, lo que aumenta la motivación y el compromiso. Además, ofrece un sistema de pistas para ayudar a los estudiantes cuando tienen dificultades, combinando la orientación general y la ayuda específica en caso de error. Aunque aún no hay pruebas de su impacto a largo plazo, la integración de Mateo en entornos académicos demuestra su potencial para mejorar los resultados educativos. Plataformas de aprendizaje adaptativo basadas en IA Las plataformas de aprendizaje adaptativo, como Yellowdig y PackBack, proporcionan experiencias educativas personalizadas ajustando los contenidos y los comentarios en función del progreso y las necesidades individuales de los estudiantes. Estas herramientas aprovechan técnicas de inteligencia arti- ficial, como el procesamiento del lenguaje natural y el aprendizaje automático, para fomentar la interacción, la colaboración y el pensamiento crítico. Según el estudio de Daganzo et al. (2025), los estudiantes perciben que estas plataformas mejoran su motivación y compromiso académico al ofrecer contenidos personaliza- dos y comentarios inmediatos. Además, el mismo estudio descubrió que su uso facilita la comprensión de conceptos complejos y el desarrollo de habilidades para la resolución de problemas, lo que conduce a una mejora del rendimiento académico. Esto refuerza la importancia de una cuidadosa implementación de estos sistemas para maximizar su impacto positivo en el aprendizaje. PackBack, basado en la Taxonomía de Bloom, sirve tanto a los estudiantes como docentes utilizando técnicas de aprendizaje automático y sistemas basados en reglas para promover habilidades de pensa- miento crítico como el análisis y la evaluación. Pruebas recientes muestran una correlación positiva entre su uso y la mejora del rendimiento académico (Zangla & Walton, 2023). Un estudio realizado en 10 institucio- nes y más de 1.000 estudiantes reveló mejoras significativas en el compromiso, la calidad de los debates y los resultados académicos en comparación con los tableros de debate LMS tradicionales. Los estudiantes que utilizaron PackBack publicaron hasta 1,83 veces más, escribieron mensajes con mayor número de palabras e incluyeron citas el doble que el grupo de control. Además, obtuvieron mejores calificaciones, con menos suspensos. Los profesores se mostraron más satisfechos, citando la reducción de la carga administrativa y el mayor compromiso de los estudiantes (Packback, 2021). Yellowdig , por su parte, fomenta las comunidades de aprendizaje conectadas y la colaboración entre estudiantes. Yellowdig sirve tanto a estudiantes (principalmente usuarios) como a facultades, aprovechan- do el Procesamiento del Lenguaje Natural (PLN) y el aprendizaje automático para apoyar comunidades de aprendizaje conectadas y fomentar la colaboración entre estudiantes. Una función destacada, Conversation Insights, emplea IA para analizar interacciones basadas en texto e identificar contenido potencialmente da- ñino o inapropiado, asignando puntuaciones de probabilidad (0-100) a través de categorías como toxicidad, lenguaje obsceno y ataques a la identidad. Esta función pretende mantener un entorno de aprendizaje segu- ro e integrador, fomentando la participación equitativa y el diálogo constructivo entre los estudiantes. AI Revolution in Higher Education 19 Los estudios sobre la implementación de Yellowdig sugieren su potencial para mejorar el compromiso de los estudiantes. Savvides et al. (2019) observaron aumentos significativos en la creación de comunida- des y la participación en la Universidad Estatal de Arizona (ASU, por sus siglas en inglés) a medida que los estudiantes colaboraban activamente entre sí. Las correlaciones entre la participación en Yellowdig y los re- sultados de las calificaciones del curso oscilaron entre 0,2 y 0,4, y la participación predijo hasta el 30% de la variabilidad en las calificaciones en las comunidades que se adhirieron a las mejores prácticas. Mills y Laube- pin (2022) sostienen que dar autonomía a los estudiantes en las simulaciones de juegos de rol condujo a un compromiso más profundo. Los estudiantes que seleccionaron sus papeles consiguieron aproximadamente un 13,8% más de puntos de participación y escribieron un 35,4% más de posts largos y reflexivos en com- paración con los compañeros a los que se asignaron papeles al azar. Estos hallazgos subrayan el valor de las herramientas basadas en IA como Yellowdig para mejorar las estrategias de aprendizaje centradas en el estudiante, aunque se necesita más investigación para validar estos resultados en contextos más amplios y poblaciones diversas. Figura 1. YellowDig y los servicios de aplicaciones con capacidad de respuesta. Figura 2. Características de YellowDig Conversation Insights. 20 AI Revolution in Higher Education Herramientas y practicas iv centradas en docentes Las herramientas centradas en los docentes de la ES pueden beneficiarse enormemente de la integra- ción de la IA para agilizar sus prácticas, mejorar la eficacia y los resultados de aprendizaje y fomentar el diseño innovador de tareas. A medida que se generaliza la IA, los docentes se enfrentan al reto de ser más creativos e intencionados en sus estrategias docentes. No sólo deben dotar a los estudiantes de habilidades de IA, sino también diseñar tareas que evalúen el pensamiento independiente y la capacidad de resolución de problemas de los estudiantes, más allá del alcance de la IA. Este doble reto empuja a los educadores a replantearse los métodos de evaluación tradicionales y fomenta el diseño de tareas que muestren el trabajo original de los estudiantes, sin ayuda de la IA. El creciente reconocimiento del potencial de la IA en la educación no deja indiferente a los docentes. El 86% de los académicos se ven a sí mismos utilizando la IA en el aprendizaje de futuro, y el 66% cree que incorporar la IA es necesario para preparar a los estudiantes para los futuros mercados laborales (Digital Education Council, 2025). Sin embargo, la evolución del papel de la IA también plantea retos, ya que el 54% de los docentes reconoce la necesidad de introducir cambios significativos en los métodos de evaluación de los estudiantes para mantener la integridad académica. Esto pone de manifiesto la complejidad de integrar la IA al tiempo que se garantiza que las evaluaciones reflejan con precisión el aprendizaje y las competencias independientes de los estudiantes. La IA puede actuar como un “multiplicador de fuerzas” al permitir a los docentes aplicar estrategias de enseñanza basadas en pruebas que, de otro modo, requerirían demasiado tiempo o recursos. Según Mollick y Mollick (2023), la IA ayuda a la enseñanza generando múltiples ejemplos para explicar conceptos complejos, proporcionando explicaciones variadas que abordan los conceptos erróneos de los estudiantes y ofreciendo frecuentes oportunidades de pruebas de bajo riesgo, todas ellas prácticas respaldadas por la investigación que son difíciles de implementar a gran escala sin apoyo tecnológico. Para lograrlo, las herramientas centradas en docentes de la Educación Superior utilizan la IA para agi- lizar las responsabilidades, mejorar sus prácticas y ampliar su presencia en el aula. Plataformas como Research Rabbit y Elicit ejemplifican este potencial: Research Rabbit emplea IA basada en gráficos para trazar conexiones en la literatura, fomentando perspectivas interdisciplinares, mientras que Elicit aprovecha los mo- delos lingüísticos para sintetizar los resultados de la investigación y agilizar los procesos de revisión biblio- gráfica. Estas herramientas no sólo aumentan la productividad académica, sino que también permiten a los educadores centrarse más en la enseñanza personalizada y el compromiso de los estudiantes. B. Evaluación de la potencia de la IA Las herramientas de valoración y evaluación de la IA son la piedra angular de las herramientas de IA centra- das en docentes de ES, ya que ofrecen la doble ventaja de mantener la integridad académica y enriquecer la experiencia de aprendizaje de los estudiantes. Estas herramientas no se limitan a salvaguardar los estándares académicos, sino que mejoran activamente el aprendizaje proporcionando información oportuna y personalizada que permite a los estudiantes seguir su progreso e identificar áreas de mejora. Por ejemplo Cadmus, desarrollado en la Universidad de Melbourne, sirve tanto al cuerpo docente (usuarios primarios) como a los estudiantes, inte- grando análisis de aprendizaje y apoyo adaptado para proporcionar una experiencia de evaluación holística. Plataforma de evaluación inteligente. Cadmus destaca como una plataforma de evaluación inteligente que mejora las prácticas de evaluación en la ES mediante la integración de análisis en tiempo real y proporcionan- do apoyo estructural. Diseñado como un editor basado en la nube integrado a los LMS, Cadmus mejora los resultados del aprendizaje ofreciendo experiencias de evaluación respetuosas con la privacidad. Un estudio realizado en la Universidad Charles Sturt puso de manifiesto el potencial de Cadmus: el 92% de los estudiantes utilizaron las funciones de retroalimentación y el 52% accedieron a recursos integrados durante las evaluaciones. El análisis reveló que la revisión de la retroalimentación previa predijo significativamente un mayor rendimiento en las tareas posteriores, destacando la importancia de la reflexión para el éxito académico (Hicks et al., 2021). AI Revolution in Higher Education 21 Plataforma de calificación en línea basada en inteligencia artificial. Gradescope es una plataforma de evalua- ción basada en inteligencia artificial implementada en la Universidad de Stanford, diseñada para facilitar el trabajo tanto docente (su usuario principal) como de los estudiantes. La plataforma mejora los procesos de evaluación al admitir tareas escritas a mano, formularios de selección múltiple, evaluaciones en línea y programación. Gracias a funciones como el reconocimiento de la escritura y las rúbricas dinámicas, la plataforma garantiza una calificación eficaz, justa y coherente, al tiempo que reduce significativamente la carga de trabajo administrativo. Su impacto va más allá de la eficiencia, como demuestra la reducción de las tasas de abandono/reprobación/retiro (DFW), que han pasado del 8% al 3%-4% en Estadística Empresarial y del 39% al 24% en los cursos de Química Orgánica, y la mejora de las calificaciones medias, con aumentos de hasta el 23% en los cursos de Estadística Empresarial (de una media de 74 a 91). Al agilizar la entrega de comentarios y promover la integridad académica mediante herramientas como la detección de similitudes de código, Gradescope permitió mejorar tanto la efica- cia de los docentes como los resultados de aprendizaje de los estudiantes (Hansel et al., 2024). La eficiencia y precisión al centro de los modelos basados en IA. Las pruebas del uso de un sistema de califica- ción basado en IA que utiliza modelos de PNL y ML como BERT lograron una precisión del 91,5 %, muy similar a la de los evaluadores humanos en exámenes abiertos, con una variación de calificación inferior al 5 %. El sistema redujo el tiempo de calificación en un 70%, procesando 1.000 respuestas abiertas en menos de 2 horas, frente a las 6 horas de forma manual. Además, el 83% de los estudiantes consideraron que los comentarios eran detallados y prácticos, lo que mejoró su comprensión de los puntos débiles y fuertes. Estos resultados ponen de relieve cómo las herramientas de IA mejoran la escalabilidad, la responsabilidad y el compromiso académico (Dimari et al., 2024). Sin embargo, es importante señalar que, aunque la IA puede ayudar en la evaluación, debe complementar y no sustituir el juicio humano. Como se subraya en investigaciones recientes, las herramientas de IA deben in- tegrarse cuidadosamente en las prácticas docentes con objetivos pedagógicos claros en mente, en lugar de des- plegarse simplemente porque están disponibles. La experiencia docente sigue siendo crucial a la hora de diseñar las evaluaciones, interpretar los resultados y proporcionar información matizada que tenga en cuenta el contexto completo del aprendizaje de los estudiantes. Integridad académica en la era de la IA. En lugar de confiar en las herramientas de detección, que según las in- “El 86% de los docentes vestigaciones tienen importantes problemas de precisión y pueden afectar injustamente a los hablantes no nativos se ve utilizando la IA en la de inglés (Liang et al., 2023), las instituciones deberían enseñanza en el futuro, y el centrarse en rediseñar las evaluaciones y promover el uso 66% cree que incorporar la responsable de la IA. Como se ha demostrado en investi- IA es necesario para preparar gaciones anteriores, las herramientas de detección de IA tienen altas tasas de falsos positivos y son particularmente a los estudiantes para los problemáticas para los estudiantes de diversos orígenes futuros mercados laborales” lingüísticos. De la limitación al aprovechamiento virtuoso y seguro de las herramientas basadas en IA. En lugar de inten- tar detectar el uso de la IA, los docentes podrían re-imaginar las tareas para hacer hincapié en el pensamiento de orden superior y en una evaluación auténtica que aproveche las herramientas de IA en lugar de prohibirlas. Esto podría incluir que los estudiantes expliquen su proceso de razonamiento, demuestren su trabajo a través de activi- dades en clase, o utilicen la IA como una herramienta de colaboración mientras documentan explícitamente cómo la utilizaron para mejorar su aprendizaje. Integrar la reflexión y los aprendizajes en el uso de la IA en las tareas académicas. Por ejemplo, en lugar de prohibir la IA en las tareas de redacción, los docentes podrían exigir a los estudiantes que presentaran tanto su trabajo final como una reflexión sobre cómo utilizaron las herramientas de IA para mejorar su proceso de redacción, fomentando la transparencia y desarrollando el pensamiento crítico sobre las capacidades y limitaciones de la IA. Este enfoque está en consonancia con las investigaciones que demuestran que la inte- gración reflexiva de la IA puede mejorar la integridad académica en lugar de amenazarla cuando se estructu- ra adecuadamente (Mollick & Mollick, 2023). 22 AI Revolution in Higher Education C. Apoyo a la investigación El apoyo a la investigación se refiere a la integración de tecnologías y herramientas avanzadas que ayudan a los investigadores a optimizar los flujos de trabajo, gestionar los recursos y generar informa- ción práctica para mejorar la productividad y la colaboración. En el contexto de la IA, estas herramientas pueden mejorar los procesos de investigación tradicionales mediante la automatización de tareas complejas como las revisiones bibliográficas automatizadas, la identificación de tendencias y brechas en la investiga- ción, y el análisis y la visualización de datos asistidos por IA. Al aprovechar los algoritmos de aprendizaje automático, el procesamiento del lenguaje natural y el análisis de redes, las plataformas impulsadas por la IA permiten a los investigadores agilizar las búsquedas bibliográficas, descubrir patrones en diversos conjuntos de datos y producir perspectivas visuales convincentes que impulsen la toma de decisiones y la innovación. Estos avances prometen no sólo mejorar la eficiencia, sino también abrir nuevas vías de colaboración y des- cubrimiento en los ámbitos de la investigación académica y profesional. Co-scientist de IA de Google, un sistema multiagente basado en Gemini 2.0, que tiene el potencial para mejorar la productividad en la investigación académica al generar hipótesis novedosas y acelerar el proceso de descubrimiento. Esta herramienta ayuda a los investigadores identificando tendencias emer- gentes (descubrimientos biomédicos, por ejemplo), proponiendo direcciones de investigación innovadoras y simplificando tareas analíticas complejas (figura 6). Cabe destacar que el co-científico de IA supera consis- tentemente a los expertos humanos y otros modelos de IA en la generación de hipótesis, con una calificación Elo que supera los 1700 con el tiempo. Esto indica una mejora significativa en la calidad y originalidad de sus contribuciones, permitiendo que los equipos de investigación trabajen de manera más eficiente y se concen- tren en avances científicos de alto impacto (Gottweis et al., 2025). Revisiones y recomendaciones automatizadas de literatura. Research Rabbit (figura 7), implementado en la Pontificia Universidad Católica de Chile (PUC), sirve tanto a las facultades como a los investigadores al simplificar la búsqueda y organización de la literatura científica. Esta plataforma utiliza inteligencia artificial para ofrecer recomendaciones de artículos personalizadas, sincronizarse con herramientas como Zotero (un gestor de referencias bibliográficas de código abierto desarrollado por la Universidad George Mason) y pro- porcionar visualizaciones interactivas que revelan relaciones entre autores y áreas de investigación. Al hacer- lo, ahorra a los investigadores un tiempo significativo en la revisión de literatura, permitiéndoles construir colecciones organizadas y enfocarse en generar ideas impactantes. Además, Research Rabbit facilita la comunicación institucional e integra dominios adicionales, como redes so- ciales y motores de búsqueda de referencias, creando un ecosistema de investigación colaborativo y enrique- cido que permite ver conexiones entre autores (figura 8) y colecciones de artículos compartidos. Para apoyar su adopción, la PUC desarrolló una guía de usuario completa a través de su Centro de Desarrollo Docente UC, ofreciendo consultas internas y soporte para garantizar que los investigadores puedan maximizar el potencial de la plataforma de manera efectiva. Figura 6. Guía práctica para docentes de la Pontificia Universidad Católica de Chile. AI Revolution in Higher Education 23 Figura 7. Interfaz de ResearchRabbit. Identificación de tendencias y brechas en la investigación. En la Universidad de Calgary, herramientas de IA como Semantic Scholar, diseñadas específicamente para académicos, investigan identificando tendencias y brechas en una base de datos de más de 221 millones de artículos científicos. Al institucionalizar Seman- tic Scholar a través de su sitio web, la universidad ha fomentado su adopción generalizada, permitiendo el descubrimiento de áreas de investigación emergentes y la colaboración. Entre otras herramientas gratuitas (apéndice 1), Semantic Scholar aprovecha tecnologías avanzadas como el procesamiento del lenguaje natu- ral, el aprendizaje automático y la visión por ordenador para agilizar las búsquedas académicas, automatizar las revisiones bibliográficas y revelar tendencias y brechas críticas en la investigación. Aunque la IA tiene limitaciones (Danler et al., 2024), muestra un potencial prometedor para mitigar sesgos como los estadísticos (p. ej., desequilibrio de datos), culturales (p. ej., infrarrepresentación de minorías) y cognitivos (p. ej., sesgo de confirmación) (Reyero Lobo et al., 2023). Análisis y visualización asistidos por IA. Julius se utiliza tan- to en la Universidad de Harvard y Rice para mejorar la ense- ñanza del análisis y la visualización de datos basados en IA. “Estos avances prometen no Esta plataforma integra un amplio conjunto de tecnologías sólo mejorar la eficiencia, de IA, como los modelos de lenguaje de gran tamaño (LLM, sino también abrir nuevas por sus siglas en inglés), el aprendizaje automático, el análisis vías de colaboración y predictivo y los marcos avanzados de procesamiento de da- tos. Al combinar estas capacidades con una interfaz fácil de descubrimiento en los usar, Julius permite a profesionales y estudiantes realizar aná- ámbitos de la investigación lisis de datos complejos y extraer información práctica con académica y profesional” facilidad. En el caso de los investigadores, les permite realizar análisis estadísticos avanzados, como pruebas ANOVA, estu- dios de correlación y análisis demográficos, de una manera accesible, incluso para quienes carecen de una amplia formación en ciencia de datos. Aunque las pruebas actuales del impacto de Julius en los resultados de la investigación siguen siendo limitadas, su integración en entornos académicos como La Universidad de Rice y Harvard ilustra su potencial. Se espera que futuros estudios evalúen cómo estas herramientas mejoran la eficiencia y la calidad de la investigación, en particular para los usuarios con una formación limitada en ciencia de datos. 24 AI Revolution in Higher Education Herramientas y practicasinstitucio- v nales centradas en administrativos Las herramientas centradas en los administrativos y potenciadas por IA están transformando la gestión y el apoyo institucional al agilizar los procesos clave dentro de las IES. Estas herramientas ofrecen soluciones avanzadas como Campus Inteligentes, chatbots de IA para consultas de estudiantes y asignación y programación de recursos, lo que permite operaciones más eficientes y ágiles. Su implementación reduce las cargas operativas, mejora las experiencias de los usuarios y permite a los equipos administrativos centrarse en tareas estratégicas de mayor valor. Mediante la integración de estas tecnologías, las instituciones pueden mejorar significativamente su efectividad y adaptarse rápidamente a las necesidades cambiantes de sus comunidades educativas. D. Apoyo administrativo e institucional En el campo del apoyo administrativo e institucional, la IA ha demostrado un impacto significativo. Esto se evidencia a partir de la gama de herramientas disponibles para gestionar procesos clave como la adminis- tración académica, la gestión de recursos, la toma de decisiones basada en datos y el apoyo a los estudiantes. La integración de estas herramientas en diversos modelos educativos y sistemas institucionales, desde la perspectiva de la planificación estratégica institucional, puede rastrearse en conceptos como Transformación Digital y Educación Digital, entre otros. Este enfoque no sólo refuerza la sostenibilidad institucional, sino que impulsa la innovación educativa, fomentando nuevos enfoques de aprendizaje donde la IA ha aportado valio- sas herramientas en un entorno global dinámico y competitivo. De La Roca et al. (2024) discutieron el impacto de un chatbot en el aprendizaje y la participación de los estudiantes. Los hallazgos sugieren que los estudiantes tienen más probabilidades de percibir los chatbots como valiosos y beneficiosos en su contexto educativo cuando los encuentran fáciles de usar, destacando características como la asistencia 24/7 y una interfaz amigable. Esta investigación aborda la importancia de la utilidad percibida de los chatbots de IA entre los estudiantes cuando se integran de manera efectiva en el proceso de enseñanza. Este enfoque virtuoso puede ofrecer beneficios tangibles a los profesores y al perso- nal, como acceso rápido a la información, mayor participación y experiencias de aprendizaje personalizadas. Chatbots de IA para estudiantes. Un caso notable es el de Penny, un chatbot implementado en la Southern New Hampshire University (SNHU) en colaboración con EdSights. Penny sirve tanto a los miembros del perso- nal como a los estudiantes y se desarrolló para hacer frente a los retos de apoyar a una población estudiantil en crecimiento y mejorar las tasas de retención. Probado a través de un ensayo controlado aleatorio (ECA), Penny utiliza IA conversacional para interactuar de forma proactiva con los estudiantes, abordando barreras como las percepciones académicas, el bienestar emocional y las dificultades financieras. Aunque las pruebas de su impacto a largo plazo siguen siendo limitadas, en este estudio piloto partici- paron más de 3.300 estudiantes y se demostró un aumento del 1,4% en las tasas de persistencia y una mejora del 1,3% en el éxito académico en un trimestre. Además, los grupos subrepresentados obtuvieron beneficios aún mayores, con un aumento del 2,5% en la permanencia de los estudiantes negros o afroameri- canos y del 3,5% en el caso de los hispanos. Al automatizar las tareas rutinarias e identificar a los estudiantes que necesitaban apoyo, Penny permitió a los asesores académicos centrarse en intervenciones más comple- jas, creando un enfoque más eficiente y personalizado del éxito de los estudiantes (EdSights, 2024). AI Revolution in Higher Education 25 Chatbots basados en IA para consultas de estudiantes, docentes y administrativos. TECgpt es un prome- tedor ecosistema impulsado por IA generativa diseñado por el Tecnológico de Monterrey para personalizar la educación, mejorar los procesos de aprendizaje y agilizar las tareas administrativas y académicas. Construi- do sobre el servicio OpenAI de Microsoft Azure5 e incorporando modelos avanzados como GPT-4 y DALL-E, esta herramienta sirve a los miembros del personal y de la facultad junto con los estudiantes y se centra en cuatro áreas clave: procesamiento del lenguaje natural con ChatGPT, generación de imágenes, herramientas ChatTEC y modelos personalizados de IA generativa. A diferencia de herramientas independientes como ChatGPT, TECgpt se adapta a las necesidades institucionales, ofreciendo modelos generativos de IA perso- nalizados y funciones como el TECbot Académico, que proporciona asistencia personalizada a estudiantes, profesores y padres. Los estudiantes se benefician de una asistencia personalizada, como TECbot, que aborda más de 133 temas, au- tomatiza 35 procesos administrativos y ofrece interacciones personalizadas, como asistencia para la matriculación, consultas de saldo e integración con Canvas. Los docentes aprovechan herramientas como Skill Studio para crear materiales didácticos dinámicos, automatizar tareas rutinarias y centrarse en la pedagogía creativa. Mediante la integración de herramientas de IA que dan prioridad a la privacidad, TECgpt garantiza interacciones seguras (Saa- vedra et al., 2024) al tiempo que promueve el crecimiento académico y la eficiencia operativa. Gestión de Campus, Asignación de Recursos y Programación. La Universidad Continental en Perú ha es- tado implementando herramientas uPlanner desde 2015 hasta la actualidad. Upplaner ofrece herramientas principalmente para los miembros del personal para hacer frente a los desafíos en la retención de estudian- tes, la evaluación y la eficiencia operativa. Con una población estudiantil de más de 63.000 estudiantes en cinco campus, la institución se propuso mejorar su capacidad para identificar y apoyar tempranamente a los estudiantes en riesgo. Aprovechando herramientas como Curriculum Management y uAssessment, la univer- sidad ha optimizado sus procesos de evaluación. La reciente inclusión de uBooking permite a los estudiantes reservar fácilmente diversos recursos, mientras que uForecast ha agilizado los procesos de predicción de matriculaciones, permitiendo a la institución planificar con claridad los periodos futuros. Además, uRetention proporciona proyecciones del riesgo de abandono, lo que permite desarrollar estrate- gias de retención específicas. Esta herramienta se basa en la IA tradicional, es decir, en técnicas de aprendi- zaje supervisado, como AdaBoost y Random Forest, para generar información práctica. Juntas, estas herra- mientas permiten intervenciones oportunas, como el asesoramiento y la asignación de recursos, al tiempo que ayudan a mejorar la planificación institucional y los procesos de toma de decisiones. Este caso pone de relieve cómo las herramientas basadas en IA de uPlanner pueden mejorar la gestión institucional y mantener la continuidad académica en entornos educativos complejos (uPlanner, 2015). Como ha sido señalado antes, las pruebas son limitadas y se necesita una investigación más sólida para calibrar con precisión hasta qué punto estas herramientas mejoran los resultados. “Estas herramientas permiten intervenciones oportunas, como el asesoramiento y la asignación de recursos, al tiempo que ayudan a mejorar la planificación institucional y los procesos de toma de decisiones” 5 https://news.microsoft.com/source/latam/features/ai/tecnologico-de-monterrey-ai-ecosystem/?lang=en 26 AI Revolution in Higher Education E. Perfiles y predicción de estudiantes En ALC, casi la mitad de los estudiantes matriculados no terminan su carrera a los 29 años, y alrededor del 50% abandona durante su primer año (Ferreyra et al., 2017). El abandono temprano suele estar vincu- lado a factores institucionales o curriculares, como la necesidad de seleccionar un programa específico desde el primer año, a diferencia de los sistemas más flexibles de países como Estados Unidos. La elaboración de perfiles y la predicción basadas en IA pueden ayudar a abordar esta situación mediante la identificación tem- prana de los estudiantes en riesgo, lo que permite brindarles apoyo y orientación específicos para ayudarlos a sortear los puntos críticos de decisión y adaptarse a las exigencias académicas, lo que en última instancia reduce las tasas de abandono. La IA promete la identificación temprana de los estudiantes en riesgo de bajo rendimiento, desinterés o abandono escolar. Mediante el análisis de datos sobre comportamiento, rendimiento y participación, las herramientas basadas en IA pueden proporcionar intervenciones personalizadas, ayudando a los estudiantes a superar los retos académicos y a tomar decisiones informadas. Este apoyo específico tiene como objetivo mejorar la retención, el éxito académico y la eficiencia administrativa. Los métodos tradicionales de IA, inclui- dos el aprendizaje automático supervisado y los sistemas basados en reglas, han abordado eficazmente estos retos durante años. Con la llegada de la IA generativa, surgen nuevas oportunidades para ampliar y mejorar estas herramientas, reforzando aún más los sistemas de apoyo a los estudiantes y reduciendo las tasas de abandono. Perfiles y predicción de estudiantes: Identificación de estudiantes de riesgo Perfiles y predicción de estudiantes. Se centra en identificar a los estudiantes con riesgo de bajo rendimien- to o abandono, lo que permite intervenciones específicas que aumentan sus probabilidades de éxito. Entre los ejemplos se incluye “Pounce” de Mainstay en la Universidad Estatal de Georgia, que sirve principalmente a los miembros del personal y a los estudiantes que afrontan retos como la “fuga de verano” un fenómeno en el que los estudiantes admitidos no se matriculan debido a barreras como procesos administrativos incom- pletos, dificultades financieras o falta de orientación, guiando a los estudiantes a través de las tareas de matri- culación. Del mismo modo, ConsiliumBots en Chile ayuda a los estudiantes de entornos vulnerables durante el proceso de solicitud universitaria reduciendo los errores y aumentando sus posibilidades de admisión. Al proporcionar apoyo oportuno y personalizado, estas herramientas abordan eficazmente las barreras sistémi- cas y mejoran los resultados educativos. Sistemas de identificación de estudiantes de riesgo. Un ejemplo notable es Mainstay, una herramienta tra- dicional de IA utilizada en la Universidad Estatal de Georgia (GSU) con el nombre de “Pounce”. Este asistente virtual inteligente se probó en un ensayo controlado aleatorizado (ECA) para abordar el “deshielo estival”. AI Revolution in Higher Education 27 Pounce logró un aumento del 3,3% en las tasas de matriculación y una reducción del 21% en el “summer melt” en comparación con el grupo de control. A través de mensajes proactivos y personalizados, Pounce ayudó a los estudiantes a completar tareas clave como los formularios de la Solicitud Gratuita de Ayuda Federal para Estudiantes (FAFSA) y el envío de expedientes académicos, aliviando las cargas administrativas y demostran- do la escalabilidad de este enfoque (Page & Gehlbach, 2017; Page et al., 2020). Caso chileno: Acceso a la Educación Superior Estudiantes en Riesgo de Acceso y Matrícula. En Chile, una intervención innovadora ha demostrado el po- deroso impacto de abordar las barreras de información en el acceso a la educación superior. Los estudiantes de entornos desfavorecidos a menudo enfrentan dificultades con los complejos procesos de solicitud univer- sitaria, careciendo de información crucial sobre sus posibilidades de admisión y los detalles de los progra- mas. Esta brecha de información frecuentemente resulta en errores en las solicitudes que pueden frustrar sus aspiraciones de educación superior. Para hacer frente a este reto, Larroucau et al. (2024) implementaron una solución impulsada por IA a través de ConsiliumBots. El sistema combina el aprendizaje automático con algoritmos de aceptación dife- rida para brindar orientación personalizada a cada solicitante. Los resultados fueron notables: los estudian- tes que anteriormente no habrían sido asignados a ninguna institución vieron aumentar su probabilidad de asignación exitosa en un 20%. Aún más sorprendente, los estudiantes subasignados – aquellos que suelen inscribirse en programas menos selectivos de lo que permitirían sus credenciales académicas – mejoraron sus asignaciones en un 38%. Quizás lo más significativo es que la intervención triplicó las tasas de matrícula entre los estudiantes beneficiarios. Estas mejoras dramáticas tanto en la calidad de las asignaciones como en las tasas de matrícula demuestran cómo las soluciones tecnológicas pueden abordar eficazmente las inequidades sistémicas en el acceso a la educación superior. El caso chileno proporciona evidencia convincente de que el apoyo de información diri- gido, impulsado por la IA, puede transformar la eficiencia y equidad de los sistemas de admisión universitaria. Figura 8. Interfaz de la aplicación ConsiliumBots: La aplicación proporciona apoyo personalizado a los solicitantes de Educación Superior mediante el uso de herramientas basadas en IA para mejorar el proceso de selección. 28 AI Revolution in Higher Education Predicción del rendimiento académico Los sistemas de predicción van más allá de la elaboración de perfiles y utilizan análisis avanzados para pre- decir riesgos académicos y recomendar a los estudiantes un apoyo personalizado. El Monitor de Éxito Aca- démico (ASM) de la UNSW ejemplifica esta capacidad, empleando el aprendizaje automático para detectar signos tempranos de bajo rendimiento y conectar a los estudiantes con recursos para mejorar el compromiso y los resultados. Estos sistemas predictivos permiten a las instituciones abordar los retos de forma proactiva, fomentando entornos de aprendizaje más inclusivos y favorables, al tiempo que mejoran el rendimiento aca- démico general. Predecir el bajo rendimiento en las primeras etapas académicas. La Universidad de Gales del Sur (UNSW), en Australia, ha implementado el Monitor de Éxito Académico (ASM), un sistema basado en el aprendizaje automático que sirve tanto al personal como a docentes, diseñado para identificar y apoyar a los estudiantes en riesgo de bajo rendimiento al principio de su trayectoria académica. En una prueba realizada en 2023 en la que participaron 33 docentes y 25 cursos, ASM identificó con precisión al 79% de los estudiantes en riesgo6 en las primeras semanas. En 2024, un proyecto piloto de mayor envergadura se amplió a 17.000 estudiantes de 80 cursos, en el que se detectó a 284 estudiantes de alto riesgo y se obtuvieron resultados significativos: El 49% de los estudiantes que recibieron recomendaciones personalizadas mejoraron su participación en clase, y el 75% de los académicos informaron de una identificación de riesgos más temprana. Gracias a tec- nologías de Microsoft como Azure Machine Learning Studio, ASM ofrece recomendaciones personalizadas y facilita la participación proactiva de los docentes, reduciendo la carga de trabajo administrativo y mejorando los resultados académicos. Este enfoque innovador basado en datos pone de relieve el compromiso de la UNSW con prácticas de IA escalables, personalizadas y éticas en la Educación Superior, fomentando entornos de aprendizaje más inclusivos y favorables (Wagenaar, 2024). Figura 9. ASM. Monitor de Éxito Académico. 6 El estudiante en riesgo de fracaso académico puede definirse como alguien cuyos patrones de comportamiento y compro- miso en el entorno de aprendizaje digital de la universidad indican posibles dificultades para alcanzar el éxito académico. Algunos parámetros son: Bajo compromiso, incumplimiento de plazos, indicadores de rendimiento deficientes (evaluación temprana y puntua- ciones en pruebas) y participación incoherente. AI Revolution in Higher Education 29 vi retos La implementación de la IA en la Educación Superior en América Latina implica una serie de desafíos complejos. Mientras que algunos países, como Uruguay y Costa Rica, han hecho progresos notables, otros se enfrentan a graves obstáculos que exigen atención para garantizar una integración equitativa y eficaz de la IA. Al mismo tiempo, los patrones globales reflejan muchas de estas mismas tensiones: un estudio reciente de 116 instituciones de investigación estadounidenses descubrió que, aunque el 63% fomenta el uso de la IA y la mitad ofrece planes de estudios basados en GenAI, la mayoría sigue centrándose en la escritura más que en aplicaciones más amplias, y menos de la mitad aborda preocupaciones clave como la privacidad de los datos o la propiedad intelectual (McDonald et al., 2025). Estos resultados ponen de relieve la urgente ne- cesidad de políticas y directrices cuidadosamente elaboradas que vayan más allá de soluciones localizadas y a corto plazo. En América Latina, las disparidades adicionales en la preparación digital, la infraestructura y los recur- sos crean un panorama especialmente intrincado. Las autoridades políticas, los líderes institucionales y los educadores deben coordinarse estrechamente para garantizar que la IA cumpla su promesa de mejorar los resultados educativos en lugar de simplemente añadir nuevas capas de complejidad. Las siguientes seccio- nes examinan estos desafíos en mayor detalle –desde las deficiencias de infraestructura y la preparación de los docentes hasta los obstáculos normativos y el sesgo algorítmico– subrayando la naturaleza multifacética de la implementación de la IA en la región. A. Infraestructura y barreras de acceso El reto más fundamental al que se enfrenta la implementación de la IA en la Educación Superior latinoa- mericana es la persistente brecha digital. Si bien países como Uruguay y Costa Rica han logrado avances significativos en el desarrollo de su infraestructura digital, muchas regiones aún enfrentan serios desafíos en materia de conectividad básica y acceso a la tecnología. La falta de conectividad fiable a Internet, sobre todo en las zonas rurales, supone un obstáculo importante para la adopción de la IA en los centros educativos. Este problema es especialmente grave en las regiones remotas, donde las infraestructuras básicas, como el acceso constante a la electricidad, siguen siendo un reto. La ausencia de tecnologías de red avanzadas preocupa a la hora de pensar en el despliegue equitativo de la IA. La ausencia de redes como el 5G, limita aún más el potencial de implementación de herramientas sofisticadas de IA que requieren conexiones de alta velocidad y baja latencia. Esta brecha tecnológica es especialmente problemática para aplicaciones como la tutoría de IA en tiempo real o los sistemas de apren- dizaje adaptativo que requieren conexiones a internet constantes y estables. Tecnologías emergentes como Starlink presentan soluciones prometedoras para ampliar la conecti- vidad en zonas desatendidas. Estos sistemas basados en satélites ofrecen la posibilidad de proporcionar acceso a Internet de alta velocidad a regiones remotas que tradicionalmente han sido difíciles de atender con infraestructuras convencionales. Sin embargo, siguen existiendo importantes obstáculos para su adopción, como el elevado coste de los dispositivos compatibles y la necesidad de conocimientos técnicos para man- tener y respaldar estos sistemas. Además, el coste total de propiedad, incluido el mantenimiento y la asisten- cia continua, supone una carga financiera considerable para muchas instituciones (Shaengchart & Kraiwanit, 2023; Hallet & Valdivia Lefort, 2023). B. Preparación docente y desarrollo profesional Un reto crítico en la adopción de la IA es preparar a los docentes para integrar eficazmente estas tecnolo- gías en sus prácticas. El panorama actual revela brechas significativas en la alfabetización en IA entre el cuerpo docente y el personal de las instituciones de Educación Superior de América Latina (ILIA, 2024, pág. 85). Este desa- fío se ve agravado por el desarrollo desigual de los programas de capacitación en IA en las diferentes instituciones y regiones, lo que lleva a disparidades en la preparación tecnológica y las capacidades de implementación. 30 AI Revolution in Higher Education Los programas de desarrollo profesional se enfrentan a varios retos fundamentales. En primer lugar, a menudo existe una brecha significativa entre los conocimientos técnicos necesarios para aplicar eficazmente soluciones de IA y las capacidades actuales de los docentes y el personal administrativo. En segundo lugar, el rápido ritmo de desarrollo de la IA implica que los programas de formación deben evolucionar cons- tantemente para seguir siendo pertinentes. Por último, existen disparidades sustanciales en el acceso a los recursos de formación entre las instituciones con recursos y las que tienen una financiación limitada, lo que amenaza con ampliar las desigualdades educativas existentes. C. Marcos normativo y ético El panorama normativo para la IA en la educación varía significativamente en toda América Latina, lo que crea desafíos para la implementación coherente y la colaboración transfronteriza. Mientras que algunos países, como Chile y Uruguay, han establecido estrategias integrales de IA y leyes de protección de datos, otros permanecen en las primeras etapas de desarrollo normativo. Esta disparidad crea incertidumbre y riesgos potenciales en la implementación de la IA, en particular a la luz de las diferentes regulaciones de privacidad de datos, los requisitos inconsistentes para la transparencia algorítmica y las directrices éticas apli- cadas de manera desigual para el uso de la IA en la educación. Avances en la protección de datos y estrategias sectoriales de AI. La mayoría de los países de la región han introducido legislación sobre protección de datos personales y se encuentran en distintas fases de elabo- ración de estrategias nacionales o sectoriales de IA. Como se ilustra en la Tabla 7 (apéndice 3), varias naciones están avanzando con políticas adaptadas a sus contextos: • Perú se centra en el desarrollo de infraestructuras y la creación de ecosistemas para facilitar la adop- ción de la IA. • Chile hace hincapié en el bienestar humano, la seguridad y el respeto de las libertades individuales en sus iniciativas de IA. • Uruguay integra la ética, los derechos humanos y la gobernanza participativa en la elaboración de políticas de IA. • Colombia ve la IA como un acelerador para una transformación digital integral tanto en el ámbito público como en el privado. • Ecuador sigue en fase de diagnóstico y análisis, y trabaja para establecer un marco normativo que favorezca el crecimiento de la IA. • Brasil adopta un enfoque holístico, organizando la estrategia de IA en torno a nueve pilares temáti- cos, entre ellos la legislación, la ética, la seguridad pública y las herramientas sectoriales. A pesar de estos diversos grados de progreso, la falta de marcos armonizados en toda la región plan- tea tres retos críticos. En primer lugar, la fragmentación de las normativas sobre privacidad de datos impide encontrar soluciones a escala regional y compartir las mejores prácticas. En segundo lugar, los requisitos divergentes para la transparencia algorítmica crean obstáculos operativos para las instituciones activas en múltiples jurisdicciones, limitando potencialmente las aplicaciones beneficiosas de la IA. En tercer lugar, las directrices éticas para la IA en la educación difieren sustancialmente en su profundidad y aplicación, lo que plantea preocupaciones en torno a la privacidad de los estudiantes, la imparcialidad y la equidad educativa. Abordar estas inconsistencias a través de políticas más unificadas y estándares compartidos será crucial para maximizar el impacto positivo de la IA en toda América Latina. AI Revolution in Higher Education 31 D. Algorítmica La transparencia algorítmica se refiere a la capacidad de comprender, explicar y justificar cómo fun- cionan los sistemas de IA, especialmente en los procesos automatizados de toma de decisiones. Este concepto es especialmente crucial en sectores como la educación, la salud y la administración pública, donde los algoritmos pueden influir significativamente en los resultados. Uno de los obstáculos insoslayable es la lla- mada “caja negra algorítmica”, que surge de la complejidad técnica, las intenciones ocultas o las limitaciones inherentes al diseño que oscurecen cómo se toman las decisiones. Por lo tanto, la transparencia debe abor- darse en dos etapas clave: ex ante, cuando se informa a los usuarios sobre el diseño y las limitaciones de un sistema, y ex post, cuando se proporcionan explicaciones claras de las decisiones para facilitar las auditorías y las revisiones (Coglianese y Lehr, 2019; Memarian y Doleck, 2023). En América Latina, el panorama normativo en torno a la transparencia algorítmica varía considerable- mente. Como se observa en el Tabla 7 (véase el apéndice 3) y se detalla en el Tabla 9 (véase el apéndice 5), Chile lidera la región con su Instrucción General sobre Transparencia Algorítmica, que establece un marco fundamental para el uso de algoritmos en la administración pública. Uruguay también ha avan- zado al centrarse en directrices y recomendaciones relacionadas con la trazabilidad, la transparencia y la explicabilidad de los datos. Aun así, la revisión revela una falta de orientación específica para ESUP, des- tacando tanto los desafíos como las oportunidades para avanzar en la transparencia algorítmica en el sector educativo en toda la región. E. Sesgo algorítmico y equidad El reto del sesgo algorítmico plantea problemas particulares en contextos educativos, donde los siste- mas de IA pueden perpetuar o amplificar inadvertidamente las desigualdades existentes. Investigacio- nes recientes han demostrado que los sistemas de IA utilizados en la educación a menudo reflejan y refuerzan los prejuicios sociales, en particular cuando hacen predicciones sobre el rendimiento de los estudiantes o automatizan los procesos de evaluación. Un metaanálisis realizado por Thiem et al. (2020) reveló que uno de cada tres estudios de investigación social estaba afectado por sesgos algorítmicos, y que uno de cada diez estudios estaba gravemente comprometido. 32 AI Revolution in Higher Education Estos sesgos se manifiestan de múltiples maneras en los entornos educativos. Los modelos de predicción del rendimiento de los estudiantes suelen mostrar tasas de precisión diferentes según los grupos demográfi- cos, lo que puede perjudicar a los estudiantes de entornos infrarrepresentados (Yu et al., 2021; Baker y Hawn, 2021). Los sistemas de evaluación, en particular los que utilizan la calificación automática, han demostrado sesgos sistemáticos en la forma en que evalúan el trabajo de los estudiantes de diferentes nacionalidades u orígenes lingüísticos. La ubicación geográfica también desempeña un papel, ya que los modelos a menudo funcionan mejor en contextos similares a aquellos en los que fueron formados, lo que puede perjudicar a los estudiantes de instituciones de ALC cuando utilizan sistemas desarrollados en otros lugares. La Tabla 4 revisa una lista de sesgos asociados con el uso de sistemas basados en IA. Tabla 4: Revisión de los sesgos asociados al uso de sistemas basados en inteligencia artificial. Categoría de sesgo Descripción Ejemplos Predicción de los Los algoritmos utilizados para pre- Los modelos de predicción de permanencia y resultados de los decir el rendimiento académico graduación muestran tasas variables de falsos estudiantes revelan desigualdades entre los positivos y negativos en función de la raza y el distintos grupos de estudiantes. sexo (Chouldechova, 2017). Evaluación de Los sistemas automatizados de cali- Los sistemas automatizados de calificación tien- resultados ficación de ensayos asignan puntua- den a subestimar o sobrestimar a los estudiantes ciones que difieren de las otorgadas de determinadas nacionalidades (Li et al., 2021). por los evaluadores humanos. Localización Los modelos funcionan mejor en Los detectores de emociones estudiantiles funcionan geográfica los países en los que fueron en- más eficazmente en poblaciones específicas que en trenados, pero muestran menos poblaciones mixtas (Ocumpaugh et al., 2014). precisión en otros países. Contexto Los modelos predicen peores Los modelos tienden a predecir el bajo rendi- socioeconómico resultados para los estudiantes miento de los estudiantes con bajos ingresos procedentes de entornos desfa- (Yu et al., 2020; Yu et al., 2021). vorecidos o con bajos ingresos. Factores Se observan sesgos en estudian- Los modelos son menos precisos para estu- adicionales tes con discapacidades, lenguas diantes con discapacidades, conexiones mili- no nativas, conexiones militares tares o hablantes no nativos (Guo et al., 2019; o dialectos regionales. Baker et al., 2020). Recolección y La forma en que se colectan y pre- Los conjuntos de datos no representativos crean preparación de paran los datos puede introducir sesgos de evaluación, y el uso inadecuado de datos sesgos sistemáticos en el modelo. modelos añade más sesgos (Barocas et al., 2019). Definición del pro- La selección de la variable objeti- Definir el “éxito” únicamente por la nota media pue- blema vo y de las características puede de pasar por alto otros logros, mientras que caracte- reflejar sesgos previos y sesgar rísticas como el acceso a clases avanzadas pueden los resultados. sesgar los resultados (Kleinberg et al., 2017). El estudio de caso holandés de la Agencia Ejecutiva de Educación (DUO) ofrece un claro ejemplo de cómo el sesgo algorítmico puede afectar a los sistemas educativos. Su sistema de perfiles de riesgo mar- caba de forma desproporcionada a los estudiantes de origen inmigrante no europeo como de alto riesgo, lo que dio lugar a prácticas discriminatorias en las evaluaciones de elegibilidad para la financiación de los estudios. Este caso demuestra la importancia crítica de aplicar estrategias sólidas de detección y mitigación de sesgos en los sistemas educativos de IA (Algorithm Audit, 2024). AI Revolution in Higher Education 33 Bias Detection Tool es una herramienta diseñada para identificar grupos de usuarios que pueden ser tratados injustamente por los sistemas de IA, utilizando métodos estadísticos de aprendizaje no super- visado como el clustering. Esta herramienta forma parte del catálogo de la OCDE Tools & Metrics for Trus- tworthy AI7 , que permite detectar la discriminación indirecta o interseccional sin necesidad de datos sensi- bles como el sexo, la nacionalidad o el origen étnico. También permite a los usuarios seleccionar una métrica de rendimiento para definir el sesgo. La herramienta utiliza el algoritmo Hierarchical Bias-Aware Clustering (HBAC) para procesar datos numéricos y categóricos preservando la privacidad al ejecutarse íntegramente en el dispositivo del usuario sin que transmita información a terceros. Los resultados incluyen informes en PDF o JSON que destacan las agrupaciones con mayor sesgo, describiendo sus características para que los expertos humanos puedan evaluar posibles casos de discriminación o desigualdad. Este enfoque combina privacidad, análisis detallado y visualización de resultados, proporcionando una base sólida para abordar los sesgos en los sistemas basados en IA. F. Cuestiones de privacidad y seguridad A medida que aumenta la adopción de la IA en Educación Superior, la protección de datos y la seguri- dad se han convertido en preocupaciones cada vez más críticas. Las instituciones latinoamericanas deben sortear complejos requisitos para proteger los datos de los estudiantes y, al mismo tiempo, aprovechar los beneficios de las herramientas educativas impulsadas por IA. Este desafío es particularmente agudo dada la naturaleza sensible de los datos educativos, que a menudo incluyen información personal, registros académi- cos y datos de comportamiento. Varios países de la región han avanzado significativamente en el establecimiento de marcos de pro- tección de datos. La Ley 21.719 de Chile se centra en la creación de una Agencia de Protección de Datos, mientras que Uruguay mantiene desde 2008 un amplio marco normativo que regula el almacenamiento, pro- cesamiento y uso de datos personales en aplicaciones de IA. Estos marcos deben equilibrar la necesidad de protección de datos con los beneficios potenciales de la innovación educativa impulsada por la IA. La implementación de una gobernanza de datos eficaz requiere varias medidas clave. Las evaluacio- nes de impacto se han convertido en herramientas esenciales para identificar y mitigar los riesgos antes de desplegar soluciones de IA. Los registros de algoritmos ayudan a garantizar la trazabilidad y la transparencia de los sistemas algorítmicos. El nombramiento de responsables de protección de datos ha surgido como un paso fundamental para salvaguardar los datos y garantizar el cumplimiento de la normativa. Sin embargo, mu- chas instituciones tienen dificultades para aplicar estas medidas con eficacia debido a la escasez de recursos y a la complejidad técnica. G. Desarrollo de los ecosistemas ALC se enfrenta a importantes desafíos en la construcción de un sólido ecosistema de innovación de IA para la educación. La limitada producción de patentes de IA de la región, que representaba solo el 0,21% de las patentes globales de IA en 2022, refleja una lucha más amplia para desarrollar y escalar soluciones de IA (Universidad de Stanford, 2024). Esta limitación se debe a múltiples factores, como un financiamiento insu- ficiente para la investigación y el desarrollo, la coordinación limitada entre las instituciones académicas y los socios de la industria, y la escasez de nuevas empresas centradas en soluciones educativas de IA. La región muestra una especial debilidad en el desarrollo de competencias avanzadas en IA. Aunque las competencias básicas en aprendizaje automático están aumentando, los conocimientos especializados en áreas prioritarias como los modelos de lenguaje de gran tamaño y la formación de modelos de IA son limitados (ILIA, 2024, pág. 110). Esta carencia se ve agravada por la fuga de capital humano avanzado, ya que los profesionales cualificados en IA suelen abandonar la región en busca de oportunidades en mercados más desarrollados. La situación crea un problema circular en el que la falta de conocimientos locales dificulta el desarrollo y la aplicación de soluciones eficaces de IA, lo que a su vez limita el crecimiento de las capacidades locales de IA. 7 https://oecd.ai/en/catalogue/overview 34 AI Revolution in Higher Education El desarrollo de herramientas de IA centradas en el estudiante se enfrenta a retos particulares en la región. Mientras que países como Brasil, Chile y Uruguay han avanzado en la construcción de infraestructura y marcos regulatorios, sigue habiendo una brecha significativa en la creación y escalamiento de soluciones que aborden las necesidades específicas de las instituciones educativas latinoamericanas. El Índice Latinoa- mericano de Inteligencia Artificial (ILIA) destaca cómo esta falta de inversión restringe la capacidad de escalar proyectos prometedores y limita la innovación en el sector de la tecnología educativa. Además, el ecosistema adolece de un enfoque fragmentado de la innovación y el desarrollo. La desco- nexión entre la investigación académica, las necesidades de la industria y los requisitos educativos a menudo da lugar a soluciones que no abordan los retos específicos a los que se enfrentan las instituciones latinoa- mericanas. Esta situación se ve agravada por las limitadas oportunidades de financiamiento para las nuevas empresas de tecnología educativa y la insuficiencia de mecanismos para compartir las mejores prácticas y las implementaciones exitosas en toda la región. H. Retos de aplicación e integración La aplicación práctica de la IA en los centros educativos plantea importantes retos operativos. Las institucio- nes deben afrontar el complejo proceso de integrar las herramientas de IA en los planes de estudios, los sistemas administrativos y las prácticas docentes existentes. Esta integración requiere una cuidadosa consideración de la preparación institucional, las capacidades del cuerpo docente y las necesidades de los estudiantes. Muchas instituciones tienen dificultades con los aspectos técnicos de la implementación de la IA. Entre ellos destaca la compatibilidad de sistemas, la integración de datos y los requisitos de mantenimiento. El costo de implementación va más allá de la inversión inicial en tecnología e incluye gastos continuos de forma- ción, asistencia y actualizaciones del sistema. Además, las instituciones deben desarrollar nuevos protocolos y procedimientos para gestionar los procesos educativos mejorados por la IA, garantizando al mismo tiempo la integridad académica y manteniendo la calidad educativa. El éxito de la integración de la IA también requiere un cambio cultural significativo en las instituciones educativas. Los docentes y el personal administrativo deben adaptarse a nuevas formas de enseñar y traba- jar, mientras que los estudiantes necesitan apoyo para desarrollar las habilidades de alfabetización digital necesarias para beneficiarse de la educación mejorada por la IA. Esta transformación cultural representa un reto importante que requiere un esfuerzo sostenido y cuidadosas estrategias de gestión del cambio. I. Asignación de recursos y sostenibilidad La asignación de recursos para la implementación de la IA en la Educación Superior representa un desafío significativo en toda América Latina. Si bien los beneficios potenciales de la IA son claros, las instituciones en- frentan decisiones difíciles para equilibrar las inversiones en tecnología de IA con otras necesidades apremiantes. El desafío es particularmente agudo para las instituciones públicas que operan bajo estrictas restricciones presu- puestarias y deben justificar las inversiones tecnológicas frente a los gastos educativos tradicionales. La sostenibilidad presenta otra dimensión crítica del reto de los recursos. Más allá de los costes iniciales de implementación, las instituciones deben planificar el mantenimiento continuo, las actualizaciones de y la asistencia de los sistemas de IA. Esto incluye no sólo el mantenimiento técnico, sino también el desarrollo pro- fesional continuo de docentes y el personal administrativo, la actualización periódica de los contenidos y las evaluaciones periódicas del sistema. Muchas instituciones luchan por desarrollar modelos de financiamiento sostenibles que puedan cubrir estas necesidades a largo plazo y, al mismo tiempo, garantizar un acceso equi- tativo a la educación mejorada por la IA. La disparidad de recursos entre instituciones amenaza con exacerbar las desigualdades educativas existentes. Las instituciones bien financiadas pueden invertir en soluciones sofisticadas de IA y proporcionar un apoyo integral para su aplicación, mientras que las instituciones con recursos limitados pueden tener difi- cultades para ofrecer incluso oportunidades básicas de aprendizaje mejorado por IA. Esta brecha de recursos puede crear un sistema educativo de dos niveles en el que el acceso a la educación mejorada por la IA se convierta en un privilegio y no en una herramienta educativa estándar. AI Revolution in Higher Education 35 Conclusiones: Aprovechar la IA para un sistema vii de Educacion Superior inclusivo y transformador La IA está redefiniendo rápidamente el panorama de la educación superior, ofreciendo oportunidades sin precedentes para mejorar el acceso, los resultados de aprendizaje y la eficiencia institucional. Des- de plataformas de aprendizaje adaptativo impulsadas por IA hasta herramientas administrativas inteligentes, estas innovaciones tienen el potencial de abordar ineficiencias de larga data y desigualdades estructurales. Evidencia empírica reciente demuestra el impacto concreto de la IA: los estudiantes que utilizan tutores de IA bien diseñados aprenden más del doble en menos tiempo en comparación con los métodos tradicionales, mientras que los sistemas de admisión impulsados por IA han aumentado la eficiencia de la asignación en un 20% y mejorado los resultados para estudiantes desatendidos en un 38%. Estos resultados subrayan la capacidad de la IA para optimizar las admisiones, personalizar las experiencias de aprendizaje y agilizar los procesos institucionales, fomentando así un sistema educativo más resiliente e inclusivo. Sin embargo, aprovechar todo el potencial de la IA en América Latina requiere un enfoque adaptado a los desafíos y oportunidades únicos de la región. Los niveles actuales de adopción siguen siendo des- iguales, obstaculizados por déficits de infraestructura, bajas contribuciones de patentes de IA (sólo el 0,21% a nivel mundial) y una escasez de innovaciones educativas locales impulsados por IA. Las encuestas realizadas entre docentes revelan importantes brechas: mientras que el 61% ha utilizado la IA en la enseñanza, el 80% afirma carecer de directrices institucionales para su aplicación. Para colmar estas brechas, es necesario un esfuerzo concertado para aumentar las inversiones en investigación sobre IA, reforzar los ecosistemas locales de innovación y desarrollar sólidos mecanismos de financiación público-privados. Iniciativas como las incuba- doras de tecnología educativa y los consorcios regionales de IA podrían catalizar el desarrollo de soluciones de IA escalables y adaptadas al contexto. Más allá de la inversión, el desarrollo de capacidades es primordial. La integración efectiva de la IA depende de la capacitación oportuna de docentes, administradores y autoridades políticas. Los estudios demuestran que la aplicación cuidadosa es fundamental: aunque la integración básica de la IA puede mostrar mejoras iniciales en el rendimiento, los sistemas cuidadosamente diseñados que promueven el aprendizaje activo y evitan la depen- dencia excesiva logran resultados significativamente mejores. Programas como los talleres de pensamiento com- putacional para profesores de Uruguay sirven de modelo para dotar a los docentes de las competencias técnicas necesarias para aprovechar las herramientas basadas en IA (González, 2021). Sin embargo, estos esfuerzos deben ir acompañados de estrategias para retener el talento, abordando la fuga de capital humano avanzado en curso que limita la capacidad de la región para sostener y ampliar las innovaciones de IA. Igualmente, crítico es el imperativo de reducir la brecha digital. El potencial de la IA seguirá sin apro- vecharse si amplios segmentos de la población, especialmente en zonas rurales y desatendidas, carecen de acceso a infraestructuras digitales esenciales. Las pruebas obtenidas de las implementaciones con éxito demuestran que la combinación de herramientas de IA con sistemas de apoyo integrales puede triplicar las tasas de matriculación y mejorar significativamente los resultados de los estudiantes, pero estos beneficios dependen de un acceso fiable. Ampliar la conectividad de banda ancha, garantizar un acceso asequible a las herramientas de IA e integrar la alfabetización en IA en los planes de estudio son pasos fundamentales hacia la adopción de la IA impulsada por la equidad. 36 AI Revolution in Higher Education La gobernanza ética de la IA en la Educación Superior no puede pasarse por alto. Cuestiones como el sesgo algorítmico, la privacidad de los datos y la opacidad de la toma de decisiones impulsada por la IA exigen una atención urgente. La investigación revela patrones preocupantes de sesgo que afectan a los ha- blantes no nativos y a los estudiantes de orígenes subrepresentados, lo que pone de relieve la necesidad de salvaguardias sólidas. Marcos regulatorios como la Instrucción General sobre Transparencia Algorítmica de Chile proporcionan precedentes útiles para garantizar la equidad y la rendición de cuentas en el despliegue de la IA, pero se necesitan enfoques más integrales en toda la región. La consecución de estos objetivos requiere un enfoque multisectorial. Los gobiernos, las universidades, el sector privado y la sociedad civil deben colaborar para desarrollar “Los estudiantes que políticas que equilibren la innovación con salvaguardias éti- utilizan tutores de IA bien cas. Las iniciativas exitosas demuestran cómo las asociacio- nes estratégicas pueden impulsar un cambio significativo: diseñados aprenden más desde sistemas de apoyo a los estudiantes impulsados por del doble en menos tiempo IA que reducen las tasas de abandono hasta plataformas de en comparación con los admisión centralizadas que mejoran la equidad en el acce- métodos tradicionales” so. Mediante el fomento de la cooperación regional e inter- nacional, América Latina no sólo puede adoptar la IA, sino también configurar su desarrollo para que refleje las prio- ridades educativas y los imperativos sociales de la región. La revolución de la IA en la Educación Superior no es un futuro abstracto, sino una realidad en desarrollo que exige una atención inmediata y una acción meditada. El momento de actuar es ahora. A través de inver- siones estratégicas, políticas inclusivas y una gobernanza ética de la IA, América Latina tiene la oportunidad de aprovechar la IA como catalizador para la transformación educativa. Las pruebas presentadas en este informe de- muestran que, cuando se implementan cuidadosamente, las herramientas de IA pueden mejorar significativamen- te los resultados educativos, al tiempo que promueven la equidad y el acceso. El éxito requerirá el compromiso sostenido de todas las partes interesadas, una cuidadosa atención a los detalles de implementación y un enfoque inquebrantable en las consideraciones éticas y las necesidades de los estudiantes. Al tomar medidas decisivas hoy, la región de América Latina y el Caribe puede garantizar que todos los estudiantes –independientemente de su origen– se beneficien del potencial transformador de la IA en la educación. AI Revolution in Higher Education 37 viii Referencias Introducción Stockard, J., Wood, T. W., Coughlin, C., & Khoury, C. R. (2018). The effectiveness of direct instruction cu- rricula: A meta-analysis of a half century of research. Review of Educational Research, 88(4). https://doi. org/10.3102/0034654317751919 Guryan, J., Ludwig, J., Bhatt, M. P., Cook, P. J., Davis, J. M. V., Dodge, K., Farkas, G., Fryer, R. G., Jr., et al. (2021). Not too late: Improving academic outcomes among adolescents (Working Paper No. 28531). National Bureau of Economic Research. https://doi.org/10.3366/w28531 Fernández Lamarra, N. (2007). La universidad en América Latina y Argentina: Problemas y desafíos políticos y de gestión. Revista Gestão Universitária na América Latina - GUAL, 1(1), 1-25. Universidade Federal de Santa Catarina. Retrieved from: http://www.redalyc.org/articulo.oa?id=319327571005 UniRank. (2024). Universities in Latin America. Higher Education in Latin America. UniRank University Rankings. Retrieved from: https://4icu.org/cl/ UNESCO Institute for Statistics (UIS). (2024). UIS Statistics Database. UIS Data Centre. Retrieved from: https:// data.uis.unesco.org/ Sevilla, M. P. (2017). Panorama de la educación técnica profesional en América Latina y el Caribe. Serie Políticas Sociales. CEPAL. Retrieved from: https://repositorio.cepal.org/server/api/core/bitstreams/590b373a-7ba4- 4675-8136-0b5a43277614/content Ferreyra, M. M., Avitabile, C., Botero Álvarez, J., Haimovich Paz, F., & Urzúa, S. (2017). At a Crossroads: Higher Education in Latin America and the Caribbean. World Bank. Retrieved from: https://documents1.worldbank. org/curated/en/271781495774058113/pdf/114771-PUB-PUBLIC-PUBDATE5-2-17.pdf Inacap. (2023). Beneficio económico de la educación superior Técnico Profesional respecto a la Educación Universitaria. Retrieved from: https://digital.inacap.cl/documentos/Beneficioeconomico.pdf CAF. (2018). Educación técnica y formación profesional en América Latina y el Caribe: desafíos y oportuni- dades. CAF, Vicepresidencia de Desarrollo Sostenible. ISBN: 978-980-422-104-0. Retrieved from: https:// ikels-dspace.azurewebsites.net/bitstream/handle/123456789/1345/CAF_EducacionTecnica.pdf?sequen- ce=1&isAllowed=y Arias Ortiz, E., Elacqua, G., López, Á., Téllez Fuentes, J., Peralta Castro, R., Ojeda, M., Blanco Morales, Y., Pedró, F., Vieira do Nascimento, D., & Roser Chinchilla, J. F. (2021). Educación superior y COVID-19 en América Latina y el Caribe: financiamiento para los estudiantes. Inter-American Development Bank. Retrieved from: https:// publications.iadb.org/en/node/30501 OECD. (2020). Skills Matter: Additional Results from the Survey of Adult Skills. OECD Publishing. Retrieved from: https://www.oecd.org/en/publications/skills-matter_1f029d8f-en.html OECD. (2024). Evaluación de Competencias de la Población Adulta 2023 – Nota País: Chile. Organización para la Cooperación y el Desarrollo Económico. Retrieved from: https://www.oecd.org/es/publications/eva- luacion-de-competencias-de-la-poblacion-adulta-2023_f79f56e3-es/chile_dbf64059-es.html IEA. (2024). TIMSS 2023 International Results in Mathematics and Science. Boston College, TIMSS & PIRLS In- ternational Study Center. Retrieved from: https://doi.org/10.6017/lse.tpisc.timss.rs6460 38 AI Revolution in Higher Education Major, L., Daltry, R., Otieno, M., Otieno, K., Zhao, A., Hinks, J., Sun, C., & Friedburg, A. (2023). Digital persona- lised learning to improve literacy and numeracy outcomes in early grade Kenyan classrooms. EdTechHub. Re- trieved from: https://docs.edtechhub.org/lib/JNH4277Z Digital Education Council. (2025). Digital Education Council Global AI Faculty Survey. Retrieved from https:// www.digitaleducationcouncil.com/post/digital-education-council-global-ai-faculty-survey Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433-460. Retrieved from: https:// phil415.pbworks.com/f/TuringComputing.pdf Rosenblatt, F. (1958). The perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386. Retrieved from: https://www.ling.upenn.edu/courses/cogs501/Rosenblatt1958.pdf Campbell, M., Hoane, A. J., Jr., & Hsu, F.-h. (2002). Deep Blue. Artificial Intelligence, 134(1-2), 57–83. https:// doi.org/10.1016/S0004-3702(01)00129-1 Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105. https://papers.nips.cc/pa- per/4824-imagenet-classification-with-deep-convolutional-neural-networks Silver, D., et al. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354-359. Retrieved from: https://www.nature.com/articles/nature24270 DeepSeek-AI. (2023).  DeepSeek-V3 Technical Report. DeepSeek-AI. Retrieved from: https://arxiv.org/ pdf/2412.19437 Bloom, B. S. (1984). The 2 sigma problem: The search for methods of group instruction as effective as one-to- one tutoring. Educational Researcher, 13(6), 4–16. https://doi.org/10.3102/0013189X013006004 Kapor, A., Karnani, M., & Neilson, C. (2022). Aftermarket frictions and the cost of off-platform options in centra- lized assignment mechanisms (Working Paper No. 30257). National Bureau of Economic Research. Retrieved from: https://www.nber.org/system/files/working_papers/w30257/w30257.pdf Larroucau, T., Ríos, I., Fabre, A., & Neilson, C. (2024). College application mistakes and the design of infor- mation policies at scale. National Bureau of Economic Research. Retrieved from: https://tlarroucau.github.io/ Information_Policies_at_Scale_LRFN_2024.pdf Student-centered tools Tutoring systems Kestin, G., Choi, J., & Schwartz, D. L. (2024). AI Tutoring Outperforms Active Learning. Research Square. https:// doi.org/10.21203/rs.3.rs-4243877/v1 Hakiki, M., Fadli, R., Samala, A. D., Fricticarani, A., Dayurni, P., Rahmadani, K., Astiti, A. D., & Sabir, A. (2023). Ex- ploring the impact of using Chat-GPT on student learning outcomes in technology learning: The comprehen- sive experiment. Advances in Mobile Learning Educational Research, 3(2), 859-872. https://doi.org/10.25082/ AMLER.2023.02.013 Chen, A., Xiang, M., Zhou, J., Jia, J., Shang, J., Li, X., Gašević, D. and Fan, Y., (2025). Unpacking help-seeking process through multimodal learning analytics: A comparative study of ChatGPT vs Human expert. Computers & Education, 226, p.105198. https://doi.org/10.1016/j.compedu.2024.105198 Gerlich, M., (2025). AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking. So- cieties, 15(1), p.6. AI Revolution in Higher Education 39 https://doi.org/10.3390/soc15010006 Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, O., & Mariman, R. (2024). Generative ai can harm lear- ning. Available at SSRN, 4895486. Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., & Demszky, D. (2024). Tutor CoPilot: A human-AI approach for scaling real-time expertise. arXiv preprint arXiv:2410.03017. Taneja, K., Maiti, P., Guruprasad, P., Rao, S., Kakar, S., & Goel, A. K. (2024). Jill Watson: A Virtual Teaching Assis- tant powered by ChatGPT. arXiv. https://arxiv.org/abs/2405.11070v1 Kakar, S., Maiti, P., Taneja, K., Nandula, A., Nguyen, G., Zhao, A., Nandan, V., & Goel, A. (2024). Jill Watson: Sca- ling and deploying an AI conversational agent in online classrooms. Georgia Institute of Technology. Procee- dings of the 20th International Conference on Intelligent Tutoring Systems (ITS2024). Retrieved from: https:// dilab.gatech.edu/test/wp-content/uploads/2024/05/ITS2024_JillWatson_paper.pdf Yana-Salluca, V., Quispe-Churata, R., & Mamani-Pinto, A. (2024). Tutoría universitaria y su relación con el des- empeño académico en estudiantes universitarios. Revista de Investigación Educativa, 33(1), 45-58. Retrieved from: http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S2616-79642024000100080 Cooper, E. (2010). Tutoring center effectiveness: The effect of drop-in tutoring. Learning Assistance Review, 15(2), 17-25. Retrieved from: https://files.eric.ed.gov/fulltext/EJ887303.pd Hardt, M., Smith, J., & Tran, L. (2023). The role of tutoring in online higher education: Evidence from remote lear- ning environments. Journal of Educational Technology, 49(3), 231-245. Retrieved from https://www.science- direct.com/science/article/pii/S0272775722001236#:~:text=The%20treatment%20improved%20study%20 behavior,the%20program%20reduced%20outcome%20inequality. Tlili, A., Salha, S., Wang, H., & Huang, R. (2023). Intelligent tutoring systems examined in social experiments—Is the magic gone? A meta-analysis. 2023 IEEE International Conference on Advanced Learning Technologies (ICALT). https://doi.org/10.1109/ICALT58122.2023.00020 Adaptive learning. Daganzo, J. A. C., Jardin, P. I. A., Azogue, C. A., Bush, R. I. I., Tizon, G. C., & Banate, R. M. (2025). Impact of AI-dri- ven learning platforms on the academic engagement and achievement of Business Administration students at Cavite State University. Retrieved from: https://ijrehc.com/uploads2025/ijrehc06_32.pdf Du Plooy, E., Casteleijn, D., & Franzsen, D. (2024). Personalized adaptive learning in higher education: A sco- ping review of key characteristics and impact on academic performance and engagement. Heliyon, 10(21), e39630. Retrieved from: https://doi.org/10.1016/j.heliyon.2024.e39630 Alshammary, F. M., & Alhalafawy, W. S. (2023). Digital platforms and the improvement of learning outcomes: Evidence extracted from meta-analysis. Sustainability, 15(2), 1305. https://doi.org/10.3390/su15021305 Zangla, K., & Walton, R. (2023). Packback interaction in an introduction to psychology course. Poster presented at SOURCE 2023, Winthrop University. Retrieved from: https://digitalcommons.winthrop.edu/source/allpre- sentationsandperformances/185 Packback. (2021). Impact of online discussion platform and pedagogy on student outcomes: Examining the impact of the use of Packback compared to LMS discussion. Internal report. Retrieved from: https://shorturl.at/4N09d Savvides, P., Ye, S., Verdine, B., & Kampa, S. (2019). Yellowdig usage and relations to ASU online class grade & completion outcomes. Arizona State University & Yellowdig. Retrieved from: https://f.hubspotusercontent00. 40 AI Revolution in Higher Education net/hubfs/6960003/Case%20Studies/Yellowdig%20Usage%20and%20Relations%20to%20ASU%20Onli- ne%20Class%20Grade%20%26%20Completion%20Outcomes%20(Final%20-%202019-09-30)%20(1)%20 (1).pdf Mills, M. L., & Laubepin, F. (2022). The effect of autonomy and choice on learner engagement in an online role-playing simulation. Presented at the Distance Teaching and Learning Conference, Madison, WI. Retrie- ved from: https://www.researchgate.net/publication/362456922_The_Effect_of_Autonomy_and_Choice_on_ Learner_Engagement_in_an_Online_Role-Playing_Simulation Faculty-centered tools Intelligent assessment evaluation tools Digital Education Council. (2025). AI Meets Academia: What Faculty Think. Digital Education Council. Retrie- ved from: https://www.digitaleducationcouncil.com/post/digital-education-council-global-ai-faculty-survey Mollick, E., & Mollick, L. (2023). Using AI to implement effective teaching strategies in classrooms: Five strate- gies, including prompts. Wharton School of the University of Pennsylvania & Wharton Interactive. Retrieved from https://ssrn.com/abstract=4391243 Gottweis, J., Weng, W.-H., Daryin, A., Tu, T., Palepu, A., Sirkovic, P., Myaskovsky, A., Weissenberger, F., Rong, K., Tanno, R., Saab, K., Popovici, D., Blum, J., Zhang, F., Chou, K., Hassidim, A., Gokturk, B., Vahdat, A., Kohli, P., Ma- tias, Y., ... Natarajan, V. (2025). Towards an AI co-scientist. Google Cloud AI Research, Google Research, Google DeepMind, Houston Methodist, Sequoia, Fleming Initiative and Imperial College London, Stanford University. Retrieved from: https://storage.googleapis.com/coscientist_paper/ai_coscientist.pdf Hicks, B., Linden, K., & Van Der Ploeg, N. (2021). Opportunities to improve learning analytics for student su- pport when using online assessment tools. ASCILITE 2021: Back to the Future. University of New England. Retrieved from: https://publications.ascilite.org/index.php/APUB/article/view/353/328 Hansel, C. A., Quick, J. D., Reck, C. E., Greene, A. H., Ricci, M., & Ottenbreit-Leftwich, A. (2024). Gradescope in large lecture classes: A case study at Indiana University. Journal of Teaching and Learning with Technology, 13(Special Issue), 33-48. Retrieved from: https://scholarworks.iu.edu/journals/index.php/jotlt/article/down- load/38519/42880/108830 Díaz Arce, D. (2015). El uso de Turnitin con retroalimentación mejora la probidad académica de estudiantes de bachillerato. Ciencia, Docencia y Tecnología, 26(51), 197-216. Universidad Nacional de Entre Ríos. Recupera- do de https://www.redalyc.org/pdf/145/14542676009.pdf Daoud, S., Alrabaiah, H., & Zaitoun, E. (2019). Technology for promoting academic integrity: The impact of using Turnitin on reducing plagiarism. Proceedings of the 2019 International Arab Conference on Information Technology (ACIT). Retrieved from: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8991046 Dimari, A., Tyagi, N., Davanageri, M., Kukreti, R., Yadav, R., & Dimari, H. (2024). AI-Based Automated Grading Systems for open book examination system: Implications for Assessment in Higher Education. 2024 Internatio- nal Conference on Knowledge Engineering and Communication Systems (ICKECS). Retrieved from: https:// ieeexplore.ieee.org/document/10616490 Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. Retrieved from: https://www.sciencedirect.com/science/article/pii/ S2666389923001307 Research Support Danler, M., Hackl, W. O., Neururer, S. B., & Pfeifer, B. (2024). Quality and effectiveness of AI tools for students and researchers for scientific literature review and analysis. Studies in Health Technology and Informatics, 313, 203–208. Retrieved from: https://pubmed.ncbi.nlm.nih.gov/38682531/ Reyero Lobo, P., Daga, E., Alani, H., & Fernandez, M. (2023). Semantic Web technologies and bias in artificial intelligence: A systematic literature review. Semantic Web, 14(4), 745–770. Retrieved from: https://content. iospress.com/download/semantic-web/sw223041?id=semantic-web%2Fsw223041 Staff-Centered Tools Campus Management De La Roca, M., Chan, M. M., Garcia-Cabot, A., Garcia-Lopez, E., & Amado-Salvatierra, H. (2024). The impact of a chatbot working as an assistant in a course for supporting student learning and engagement. Computer Applications in Engineering Education. https://doi.org/10.1002/cae.22750 AI Revolution in Higher Education 41 Edsights. (2024). How AI enables more human connections for SNHU academic advisors. A randomized contro- lled trial on the impact of EdSights’ AI framework on persistence and advisor efficiency. Retrieved from: https:// docsend.com/view/cnsc5m3kudkssbqf Saavedra Gastélum, V., Román Jiménez, O. R., González Almaguer, C. A., Zubieta Ramírez, C., Castellanos Saa- vedra, C., & Frías Reid, N. (2024). The ethical use of artificial intelligence in higher education in TEC21 model. Retrieved from: https://www.designsociety.org/publication/47299/THE+ETHICAL+USE+OF+ARTIFICIAL+IN- TELLIGENCE+IN+HIGHER+EDUCATION+IN+TEC21+MODEL Uplanner (2015). Student Success ha sido la solución ideal para prevenir la deserción estudiantil en la Univer- sidad Continental. Case study: Universidad Continental del Perú. Retrieved from: https://1533000.fs1.hubspo- tusercontent-na1.net/hubfs/1533000/Casos%20de%20%C3%A9xitos%20-%20ebook/CustomerContinen- tal-Espanol%20(2).pdf Profiling and prediction Page, L. C., & Gehlbach, H. (2017). How an artificially intelligent virtual assistant helps students navigate the road to college. AERA Open, 3(4), 1–12. https://doi.org/10.1177/2332858417749220 Page, L. C., Lee, J., & Gehlbach, H. (2020). Conditions under which college students can be responsive to nud- ging (EdWorkingPaper: 20-242). Annenberg Institute at Brown University. https://doi.org/10.26300/vjfs-kv29 Wagenaar, R. (2024). A class above: UNSW Sydney uses AI to power personalised paths to student success. Microsoft News. https://news.microsoft.com/en-au/features/a-class-above-unsw-sydney-uses-ai-to-power- personalised-paths-to-student-success/ McDonald, N., Johri, A., Ali, A., & Collier, A. H. (2025). Generative artificial intelligence in higher education: Evidence from an analysis of institutional policies and guidelines.  Computers in Human Behavior: Artificial Humans. Retrieved from: https://www.sciencedirect.com/science/article/pii/S2949882125000052 Challenges Centro Nacional de Inteligencia Artificial (CENIA). (2024). Índice Latinoamericano de Inteligencia Artificial (ILIA). Santiago, Chile: CENIA. Retrieved from: https://indicelatam.cl/wp-content/uploads/2024/12/ILIA_2024_com- pressed.pdf Stanford University. (2024). The AI Index 2024 Annual Report. Stanford Institute for Human-Centered Artificial Intelligence (HAI), Stanford University. Retrieved from: https://aiindex.stanford.edu/report/ Organisation for Economic Co-operation and Development (OECD). (2025). Going Digital Toolkit. Retrieved January 7, 2025, from https://goingdigital.oecd.org Shaengchart, Y., & Kraiwanit, T. (2023). Starlink satellite project impact on the Internet provider service in emer- ging economies. Research in Globalization, 6, 100132. Retrieved from: https://www.sciencedirect.com/scien- ce/article/pii/S2590051X23000229 Hallet, L. L., & Valdivia Lefort, M. (2023). Democracy through connectivity: How satellite telecommunication can bridge the digital divide in Latin America. In A. Froehlich (Ed.), Space fostering Latin American societies: Deve- loping the Latin American continent through space, Part 4 (pp. 37–54). Springer. https://doi.org/10.1007/978- 3-031-20675-7_3 González, J. (2021). Pensamiento computacional y robótica educativa en formación docente del Uruguay. UTEC-FURG. Unión Europea. (2016). Reglamento General de Protección de Datos (Reglamento UE 2016/679). Diario Ofi- cial de la Unión Europea. Retrieved from: https://www.consilium.europa.eu/es/policies/data-protection/da- ta-protection-regulation/ 42 AI Revolution in Higher Education Ethical Considerations Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2024). Generative AI can harm learning. University of Pennsylvania. Retrieved from: https://hamsabastani.github.io/education_llm.pdf Transparency and Explainability of AI Systems Coglianese, C., & Lehr, D. (2019). Transparency and algorithmic governance. Administrative Law Review, 71(1), 1–56. https://www.jstor.org/stable/27170531 Memarian, B., & Doleck, T. (2023). Fairness, accountability, transparency, and ethics (FATE) in artificial intelligen- ce (AI) and higher education: A systematic review. Computers and Education: Artificial Intelligence, 5, 100152. https://doi.org/10.1016/j.caeai.2023.100152 Data Privacy and Security Yu, R., Lee, H., & Kizilcec, R. F. (2021). Should college dropout prediction models include protected attributes?. In Proceedings of the Eighth ACM Conference on Learning@ Scale (pp. 91–100). Retrieved from: https://arxiv. org/pdf/2103.15237 Baker, R. S., & Hawn, A. (2021). Algorithmic bias in education. International Journal of Artificial Intelligence in Education, 32(4), 1052–1092. https://doi.org/10.1007/s40593-021-00285-9 Algorithmic Bias and Fairness Thiem, A., Mkrtchyan, L., Haesebrouck, T., & Sanchez, D. (2020). Algorithmic bias in social research: A me- ta-analysis. PLoS ONE, 15(6), e0233625. https://doi.org/10.1371/journal.pone.0233625 Chouldechova, A. (2017). Fair prediction with disparate impact: A study of Bias in recidivism prediction instru- ments. Big Data, 5(2), 153–163. Retrieved from: https://doi.org/10.1089/big.2016.0047 Li, X., Song, D., Han, M., Zhang, Y., & Kizilcec, R. F. (2021). On the limits of algorithmic prediction across the globe. Retrieved from: https://arxiv.org/pdf/2103.15212 Ocumpaugh, J., Baker, R., Gowda, S., Heffernan, N., & Heffernan, C. (2014). Population validity for educatio- nal data mining models: A case study in affect detection. British Journal of Educational Technology, 45(3), 487–501. Retrieved from: https://www.learntechlib.org/p/148344 Yu, R., Li, Q., Fischer, C., Doroudi, S., & Xu, D. (2020). Towards Accurate and Fair Prediction of College Success: Evaluating Different Sources of Student Data. Retrieved from: https://files.eric.ed.gov/fulltext/ED608066.pdf Guo, A., Kamar, E., Vaughan, J. W., Wallach, H., & Morris, M. R. (2019). Toward fairness in AI for people with disabilities: A research roadmap. Retrieved from: https://arxiv.org/abs/1907.02227 Baker, R. S., Berning, A., & Gowda, S. M. (2020). Differentiating military-connected and non-military connected students: Predictors of graduation and SAT score. Retrieved from: https://doi.org/10.35542/osf.io/cetxj Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness and Machine Learning. Retrieved from: https://www. myecole.it/biblio/wp-content/uploads/2020/11/2020-Fairness-book.pdf Kleinberg, J., Mullainathan, S., & Raghavan, M. (2017). Inherent trade-offs in the fair determination of risk sco- res. Retrieved from: https://doi.org/10.4230/LIPIcs.ITCS.2017.43 Algorithm Audit. (2024). Preventing prejudice: Higher-dimensional bias in a risk profiling system for student finance. Education Executive Agency of The Netherlands (DUO). Retrieved from: https://algorithmaudit.eu/ pdf-files/algoprudence/TA_AA202402/TA_AA202402_Addendum_Preventing_prejudice.pdf AI Revolution in Higher Education 43 ix Anexo Anexo 1. Nombre Precios Categoría scite.at Cuota mensual Buscar, resumir, analizar Asistente de scite Gratis (Beta) Buscar, resumir, analizar Iris.ai Cuota mensual Visualizar, resumir, gestionar, analizar Conejo de investigación Gratis Visualizar, resumir, gestionar Scispace Gratis Buscar, resumir ChatGPT Gratuito y cuota mensual Escribir, resumir, analizar Consenso Gratis Buscar, resumir Solicitar Gratuito y cuota mensual Buscar, resumir ChatPDF Gratis Resuma Google Bard Gratis (Beta) Escribir, resumir Jenni AI Gratuito y cuota mensual Escribir, resumir Semantic scholar Gratis Buscar, resumir AbrirLeer Gratuito y cuota mensual Buscar, resumir Trinka Gratuito y cuota mensual Escriba a Microsoft Copilot Gratis Escribir, resumir Becario GPT Gratis Buscar, resumir Tabla 5. Herramientas para la investigación basadas en el artículo “Calidad y eficacia de las herramientas de IA para estudiantes e investigadores para la revisión y el análisis de la literatura científica” (Danler et al., 2023). Elaboración propia. 44 AI Revolution in Higher Education Anexo 2. Clasifica- Argentina Brasil Chile Costa Rica ción 1 Análisis del senti- Reconocimiento Reconocimiento de Inteligencia Artificial miento de voz patrones (IA) 2 Inteligencia Artificial Análisis del sen- Aprendizaje no su- Reconocimiento de (IA) timiento pervisado patrones 3 Reconocimiento de Inteligencia Arti- Inferencia estadís- Modelización predic- patrones ficial (IA) tica tiva 4 Árboles de decisión Aprendizaje no Inteligencia Artificial Redes neuronales supervisado (IA) 5 Redes neuronales Árboles de Árboles de decisión Aprendizaje profundo convolucionales decisión (CNN) 6 Aprendizaje no su- Reconocimiento Redes neuronales Redes neuronales pervisado de patrones 7 Análisis de algorit- Algoritmos de Aprendizaje super- Aprendizaje supervi- mos aprendizaje au- visado sado tomático 8 Redes neuronales Clasificación Redes neuronales Redes neuronales artificiales convolucionales convolucionales (CNN) (CNN) 9 Aprendizaje super- Inferencia esta- Modelización pre- Modelización predic- visado dística dictiva tiva 10 Redes neuronales Aprendizaje su- Procesamiento del Procesamiento del pervisado lenguaje natural lenguaje natural (PLN) (PLN) Tabla 6: Competencias en ingeniería de IA con mayor crecimiento interanual, por país (2023). Elabora- ción propia a partir de ILIA, 2024. Anexo 3. País Políticas sectoriales y estrategias Leyes y marcos reglamentarios pertinentes nacionales Chile Política Nacional de Inteligencia Arti- Proyecto de ley 15869-19: En discusión desde ficial implementada en 2021, busca abril de 2023, regula los sistemas de IA, robótica promover el desarrollo y uso ético de y tecnologías afines. Ley 21.719 de protección de la IA en diversos sectores. Enfoque en datos personales de 2024 armoniza la norma con la educación TP y articulación universi- la Unión Europea. taria. Perú Estrategia Nacional de Inteligencia Ar- Ley de Protección de Datos Personales: Regula el tificial: En desarrollo para impulsar la tratamiento de datos, relevante para las herramien- adopción de la IA en el país. tas de IA. Ley 31.814 que promueve el uso de la inteligencia artificial para el desarrollo económico. Bolivia No existe una estrategia nacional espe- Ley 1.080 de Ciudadanía Digital: El artículo 12 pre- cífica: Actualmente, Bolivia no cuenta vé la protección de los datos personales. No existe con una estrategia nacional de IA. una ley de protección de datos personales. Ecuador Diagnóstico de situación sobre la IA: Se Ley de protección de datos personales : Aprobada ha realizado un diagnóstico inicial para en 2021. Proyecto de Ley Orgánica de Regulación evaluar la situación de la IA en el país. y Fomento de la IA. Uruguay Estrategia Nacional de Inteligencia Arti- La Ley 18.331 sobre protección de datos persona- ficial 2024-2030. les, en vigor desde 2008, sirve para regular el tra- tamiento de datos personales en contextos de IA. Colombia Política Nacional de Transformación El proyecto de ley 059/23 pretende regular las Digital e Inteligencia Artificial Estable- directrices de política pública para el desarrollo, cida en 2019, sienta las bases éticas y uso y aplicación de la IA. estratégicas de la IA. Brasil Estrategia Brasileña de Inteligencia Arti- Ley General de Protección de Datos (LGPD): En ficial:Lanzada en 2021, orienta el desa- vigor desde 2020, regula el tratamiento de datos rrollo y uso de la IA en el país. personales, esencial para las herramientas de IA. Proyecto de ley 2338/23 : Propone un marco nor- mativo específico para la IA, basado en un enfo- que de riesgos. Tabla 7: Revisión del marco jurídico y normativo de la IA en América Latina. 46 AI Revolution in Higher Education Anexo 4. País Número de inversiones Valor total estimado de la inversión recibidas recibida Argentina (ARG) 16,35 27,42 Bolivia (BOL) 4,69 0,36 Brasil (BRA) 35,39 46,56 Chile (CHL) 100 100 Colombia (COL) 26,57 38,97 Costa Rica (CRI) 0,68 0 Cuba (CUB) 35,08 60,13 Ecuador (ECU) 4,5 0,32 El Salvador (SLV) 4,69 0,46 Guatemala (GTM) 0 0,8 Honduras (HND) 4,69 0,36 Jamaica (JAM) 5,34 0 México (MEX) 26,36 20,29 Panamá (PAN) 3,21 0,65 Paraguay (PRY) 0,74 0 Perú (PER) 8,6 0,76 Rep. Dominicana (DOM) 4,6 0 Uruguay (URY) 40,18 92,74 Venezuela (VEN) 0,68 0,1 LAC 16,97 20,52 Tabla 8. Número de inversiones recibidas y valor estimado de las inversiones recibidas en IA. AI Revolution in Higher Education 47 Anexo 5. País Nivel de avance en la Consideraciones sobre la transparencia algorítmica transparencia algorítmica Perú Nivel inicial: En esta fase, se reco- Pretende adoptar directrices éticas para el uso sosteni- noce la importancia de la transpa- ble, transparente y reproducible de la IA. Se hace hin- rencia en el uso de la IA. capié en una definición clara de las responsabilidades en relación con el uso adecuado de los datos y la pro- tección de la intimidad y la identidad de las personas. Promueve la transparencia de la información salvaguar- dando al mismo tiempo la intimidad de los ciudadanos (véase el anexo 4). Uruguay Nivel intermedio. Se han estable- La transparencia y la explicabilidad son cruciales para cido principios y directrices para el uso ético y responsable de la IA. Es esencial garanti- la transparencia en el uso de la IA8 zar la trazabilidad de los conjuntos de datos utilizados , pero su aplicación aún está en por los sistemas de IA. Estos sistemas deben ser trans- curso. parentes para que el público pueda entender cómo se gestionan. El objetivo es garantizar el uso ético y res- ponsable de los sistemas de IA. Chile Líder regional: Ha desarrollado Establecer normas y recomendaciones para la transpa- una Instrucción General (IG) sobre rencia algorítmica en herramientas fundamentales del Transparencia Algorítmica para la sector público. administración pública9 , convir- Garantizar la identificación de sesgos en algoritmos y tiéndose en el primer país de la bases de datos, así como mitigar los riesgos para los región en establecer una directriz derechos fundamentales. de este tipo. Proporcionar información sobre el funcionamiento de los algoritmos y los datos que utilizan. 8 https://www.gub.uy/agencia-gobierno-electronico-sociedad-informacion-conocimiento/comunicacion/publicaciones/recomenda- ciones-sobre-transparencia-algoritmica 9 https://www.consejotransparencia.cl/wp-content/uploads/instruccion/2024/09/Informe-recomendaciones-congreso-CPLT.pdf 48 AI Revolution in Higher Education País Nivel de avance en la Consideraciones sobre la transparencia algorítmica transparencia algorítmica Colombia Del nivel inicial al intermedio: Se subraya la importancia de la transparencia estatal y Aunque se han adoptado políti- la participación ciudadana. Se reconoce la necesidad cas públicas y marcos éticos, su de servicios digitales fiables y de alta calidad. Se han aplicación y el cumplimiento de la creado repositorios públicos de algoritmos, aunque su transparencia siguen siendo limi- uso y actualización son aún limitados. Se están realizan- tados. do esfuerzos para garantizar la rendición de cuentas en relación con las decisiones automatizadas. Ecuador Nivel inicial: Comienza a abor- Se hace hincapié en la transparencia en la formación y el dar la transparencia algorítmica, desarrollo de herramientas de IA, acompañada de princi- centrándose en la necesidad de pios éticos claros. Los sistemas de IA deben basarse en la marcos regulatorios claros. transparencia y la comunicación efectiva con los ciudada- nos. Es necesario desarrollar normativas claras y específi- cas para la transparencia algorítmica. Brasil Nivel intermedio: Promueve la Fomenta el compromiso con la transparencia y la di- transparencia y la explicabilidad vulgación responsable. Se subraya la importancia de en los sistemas de IA10 , centrán- la explicabilidad de las decisiones tomadas por los dose en el uso ético y responsa- sistemas automatizados. Las decisiones automatizadas ble. deben ser explicables e interpretables. Se fomenta el uso de datos abiertos en el desarrollo de la IA. Se reco- noce la necesidad de adherirse a principios éticos en el desarrollo y uso de la IA, incluidas la transparencia y la responsabilidad. Tabla 9: Revisión del desarrollo de la transparencia algorítmica en América Latina. 10 https://www.transparencia.org.br/downloads/publicacoes/Recomendacoes_Governanca_Uso_IA_PoderPublico.pdf AI Revolution in Higher Education 49