Dr. José Luis Soto Ortiz*

Introducción

La Inteligencia Artificial Generativa (IAG) ha incursionado rápidamente al entorno educativo, propiciando que docentes y estudiantes establezcan interacciones mediadas por aplicaciones de este tipo. Nicole Johnson, Jeff Seaman y Julia Seaman (2024) realizaron una encuesta a 1327 profesores y administradores universitarios en EE.UU. y concluyeron que, en los próximos cinco años, la mayoría espera cambios significativos en los procesos de apendizaje derivados del uso de la IAG; sin embargo, también advirtieron sobre una falta generalizada de preparación institucional para afrontar este reto.

Un foco específico ha sido la evaluación académica, en este aspecto Xia et al. (2024) revisaron 32 estudios empíricos y determinaron que la IAG exige rediseñar las didácticas de evaluación para fomentar habilidades como la autorregulación, la integridad académica y el pensamiento crítico, en lugar de centrarse en tareas susceptibles que pueden ser automatizadas. Por su parte, Nigel Francis, Sue Jones y David Smith (2024) advierten un “doble filo” de la IAG: por un lado, mejora la automatización y la eficiencia de las “tareas”, pero por otro, amenaza la integridad y agrava las inequidades digitales. Al respecto, proponen marcos éticos sólidos antes de su adopción generalizada en las aulas.

En EE.UU., el uso de tutores automáticos generativos ha demostrado reducir hasta un 27 % el tiempo de estudio sin afectar negativamente el rendimiento académico, especialmente en entornos de educación a distancia. Un estudio de la IU International University of Applied Sciences reveló que estudiantes que usaron el tutor IA Syntea completaron sus módulos más rápidamente, gracias a la retroalimentación inmediata y personalizada, manteniendo niveles de desempeño similares a los del grupo de control (Möller, Schmid & Braun, 2024). No obstante, otras investigaciones advierten sobre una creciente dependencia tecnológica: estudiantes que acostumbran a recibir apoyo constante de sistemas de IAG tienden a mostrar una disminución en su rendimiento cuando se enfrentan a entornos sin asistencia digital, como lo evidenció un estudio experimental citado por el AI Education Project y desarrollado en la Wharton School (Bastani, 2024).

A nivel docente, el desafío es claro: no basta con incorporar herramientas, sino desarrollar la competencia pedagógica para usarlas críticamente. Según Ogunleye et al. (2024), los profesores necesitan alfabetización en IAG y modelos institucionales que promuevan el pensamiento crítico y la colaboración interdisciplinaria. En este tenor, Veletsianos, Houlden y Johnson (2024) exploraron cómo se percibe la relación entre los estudiantes y la IAG, descubriendo que la IA puede verse como objeto o sujeto pedagógico. Esto implica la necesidad de establecer protocolos éticos y educativos que regulen estas nuevas interacciones.

Para asegurar un uso equilibrado, Perkins, Furze y Roe (2023) presentaron la “AI Assessment Scale”, una herramienta que permite decidir cuándo y cómo integrar la IAG en evaluaciones, asegurando transparencia y equidad. De este modo, si bien la IAG posee un potencial transformador en la docencia, elevando la personalización, eficiencia y calidad educativa; requiere formación docente en competencias digitales y éticas, así como rediseño curricular y evaluativo. Solo así la IAG será una aliada que potencie, no reemplace, la función pedagógica humana, será que ¿La Inteligencia Artificial enriquecerá la docencia o la deshumanizará?

Referencias

Bastani, H., Bastani, O., Süngü, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2024). Generative AI Can Harm Learning. SSRN. https://doi.org/10.2139/ssrn.4895486

Francis, N. J., Jones, S., & Smith, D. P. (2024). Generative AI in Higher Education: Balancing Innovation and Integrity. British Journal of Biomedical Science. https://doi.org/10.3389/bjbs.2024.14048

Johnson, N., Seaman, J., & Seaman, J. (2024). The anticipated impact of artificial intelligence on higher education. Online Learning, 28(3), 9–33. https://doi.org/10.24059/olj.v28i3.4646

Möller, M., Nirmal, G., Fabietti, D., Stierstorfer, Q., Zakhvatkin, M., Sommerfeld, H., & Schütt, S. (2024). Revolutionising Distance Learning: A Comparative Study of Learning Progress with AI‑Driven Tutoring. arXiv. https://doi.org/10.48550/arXiv.2403.14642

Möller, C., Schmid, U., & Braun, C. (2024). AI tutors in higher education: Field evidence on academic performance. arXiv. https://doi.org/10.48550/arXiv.2403.14642

Ogunleye, B., Zakariyyah, K. I., Ajao, O., Olayinka, O., & Sharma, H. (2024). A systematic review of generative AI for teaching and learning practice. arXiv. https://doi.org/10.48550/arXiv.2406.09520

Perkins, M., Furze, L., & Roe, J. (2023). The AI Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. arXiv. https://doi.org/10.48550/arXiv.2312.07086

Veletsianos, G., Houlden, S., & Johnson, N. (2024). Is Artificial Intelligence in Education an Object or a Subject? TechTrends, 68(3), 411–422. https://doi.org/10.1007/s11528-024-00821-y

Xia, Q., Weng, X., Ouyang, F., et al. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21, 40. https://doi.org/10.1186/s41239-024-00468-z