Vol 1 No. 1 Año 2026
142
REVISTA ECUATORIANA DE DESARROLLO
SOCIAL Y AMBIENTAL
ISSN: 3151-8303
Inteligencia articial en la personalización del aprendizaje
universitario
Articial Intelligence in the personalization of university learning.
1
Edwin José Pelayo Loaiza
Universidad Autónoma de Chile; Talca - Chile;
edwinpelayo@hotmail.com
https://orcid.org/000-
0002-7809-687X
2
Catalina Consuelo Vega De La Torre
Ministerio de Educación, Deporte y Cultura; Playas - Ecuador;
catalina.vega@docente.educacion.edu.ec
https://orcid.org/0009-
0009-6264-8252
3
Wilson Gerardo Sigcha Chiguano
Institución Ejército Ecuador; Quito - Ecuador;
sigchawilson6@gmail.com
https://orcid.org/0009-
0000-7903-6513
Enviado: 17/04/2026 Aceptado: 04/05/2026 Publicado: 31/05/2026
Tipo de Investigación: Artículo de Original Páginas: 142 - 157
DOI: https://doi.org/10.66646/redsa/r6h7gz35
Cítese:
Pelayo Loaiza, E. J., Vega De La Torre, C. C., Sigcha Chiguano, W. G., (2026).
Inteligencia articial en la personalización del aprendizaje universitario. REDSA
Revista Ecuatoriana de Desarrollo Social y Ambiental, 1(1). 142 - 157. https://doi.
org/10.66646/redsa/r6h7gz35
Todo el contenido de REDSA Revista Ecuatoriana de Desarrollo Social y Ambiental,
publicado en este sitio esta disponibles bajo Licencia Creative Commons.
© REDSA: Editorial Educa Plus, 2026
Vol 1 No. 1 Año 2026
143
RESUMEN
Analizar las percepciones, usos y desafíos pedagógicos asociados a la implementación de herramientas de
inteligencia articial para la personalización del aprendizaje en docentes y estudiantes de universidades
públicas ecuatorianas durante el período académico 2025-2026. Se desarrolló un estudio de enfoque
mixto convergente paralelo, de tipo descriptivo-correlacional con diseño no experimental transversal. La
muestra estuvo conformada por 42 participantes de tres universidades públicas ecuatorianas, seleccionados
mediante muestreo intencional por criterios. Se aplicaron un cuestionario validado con escala Likert
de cinco puntos y una guía de entrevista semiestructurada a una submuestra de 12 participantes. Los
datos cuantitativos fueron analizados mediante estadística descriptiva e inferencial. El 72,7% de los
docentes y el 90,0% de los estudiantes reportaron usar herramientas de IA al menos ocasionalmente; sin
embargo, solo el 31,8% de los docentes lo hace de forma sistemática y pedagógicamente planicada.
Los estudiantes mostraron percepciones más favorables que los docentes. Se identicó una correlación
positiva moderada-alta entre el nivel de formación docente en IA y la frecuencia de uso pedagógico
planicado. Los principales desafíos fueron la falta de formación docente especíca, la ausencia de
políticas institucionales explícitas y la brecha digital. La IA presenta un potencial signicativo para
personalizar el aprendizaje universitario en Ecuador; sin embargo, su implementación efectiva requiere
programas de formación docente continua, marcos regulatorios institucionales claros y políticas
públicas que garanticen el acceso equitativo a la tecnología educativa en contextos de alta diversidad
socioeconómica.
Palabras clave:
aprendizaje adaptativo, desafíos pedagógicos, educación superior, Ecuador, inteligencia articial,
personalización del aprendizaje, tecnología educativa
ABSTRACT
To analyze the perceptions, uses, and pedagogical challenges associated with the implementation of
articial intelligence tools for learning personalization among university teachers and students in Ecuador
during the 2025–2026 academic period. A convergent parallel mixed-methods study was conducted, with
a descriptive-correlational type and non-experimental cross-sectional design. The sample consisted of
42 participants from three Ecuadorian public universities selected through intentional criterion-based
sampling. A validated questionnaire with a ve-point Likert scale and a semi-structured interview guide
applied to a subsample of 12 participants were used. Quantitative data were analyzed using descriptive
and inferential statistics. 72.7% of teachers and 90.0% of students reported using AI tools at least
occasionally; however, only 31.8% of teachers do so in a systematic and pedagogically planned manner.
Students showed more favorable perceptions than teachers. A moderate-to-high positive correlation was
identied between the level of teacher training in AI and the frequency of planned pedagogical use. The
main challenges were lack of specic teacher training, absence of explicit institutional policies, and the
digital divide. AI presents signicant potential for personalizing university learning in Ecuador; however,
its eective implementation requires continuous teacher training programs, clear institutional regulatory
frameworks, and public policies that guarantee equitable access to educational technology in contexts of
high socioeconomic diversity.
Keywords:
adaptive learning, articial intelligence, educational technology, Ecuador, higher education, learning
personalization, pedagogical challenges
Vol 1 No. 1 Año 2026
144
INTRODUCCIÓN
La irrupción de la inteligencia articial en
los sistemas educativos representa uno de los
fenómenos más disruptivos y prometedores de
la primera mitad del siglo XXI. A nivel global,
organismos internacionales como la UNESCO
(2023) han reconocido que las tecnologías
basadas en IA tienen el potencial de transformar
radicalmente los modelos de enseñanza-
aprendizaje, particularmente en lo que respecta a
la personalización de los itinerarios formativos, la
retroalimentación en tiempo real y la adaptación de
contenidos a las necesidades individuales de cada
estudiante. Esta transformación no es meramente
instrumental; implica una reconguración
profunda de los roles docentes, las metodologías
pedagógicas y las estructuras curriculares que han
dominado la educación superior durante décadas.
En el contexto latinoamericano, la adopción de
IA en las universidades ha experimentado un
crecimiento sostenido, aunque marcadamente
desigual. Países como Brasil, México, Colombia y
Argentina han avanzado en la implementación de
plataformas de aprendizaje adaptativo y sistemas
de tutoría inteligente, apoyados en políticas
públicas de digitalización educativa y en la
expansión de la infraestructura tecnológica. Sin
embargo, la región enfrenta desafíos estructurales
que condicionan severamente el aprovechamiento
de estas tecnologías: la brecha digital entre zonas
urbanas y rurales, la insuciente formación
docente en competencias digitales avanzadas, y la
escasa producción de contenidos educativos en IA
adaptados a los contextos culturales y lingüísticos
locales (Acevedo Carrillo et al., 2026; Valderrama
Barragán et al., 2025).
Ecuador no escapa a esta realidad. El sistema de
educación superior ecuatoriano, regulado por la Ley
Orgánica de Educación Superior y supervisado por
el Consejo de Educación Superior, ha incorporado
progresivamente lineamientos de transformación
digital en sus políticas institucionales. No
obstante, la integración efectiva de la IA en
las prácticas pedagógicas universitarias sigue
siendo fragmentaria, dependiente de iniciativas
individuales de docentes innovadores más que de
estrategias institucionales sistemáticas (Jara Vaca
et al., 2025).
Para los propósitos de este estudio, se adoptan las
siguientes deniciones operacionales:
La personalización del aprendizaje se entiende
como el proceso mediante el cual los contenidos,
ritmos, estrategias y rutas formativas se adaptan a
las características, necesidades, intereses y estilos
de aprendizaje individuales de cada estudiante
(Beltrán Arcos et al., 2025).
El aprendizaje adaptativo hace referencia a los
sistemas tecnológicos que ajustan dinámicamente
la secuencia, el nivel de dicultad y el tipo de
recursos educativos en función del desempeño y las
respuestas del estudiante en tiempo real (Coronado
& Benalcázar, 2025).
La inteligencia articial educativa comprende
el conjunto de tecnologías basadas en algoritmos
de aprendizaje automático, procesamiento del
lenguaje natural, analítica del aprendizaje e
inteligencia articial generativa que se aplican con
nes pedagógicos en entornos de educación formal
(Holmes et al., 2022; Luckin & Cukurova, 2019).
Vol 1 No. 1 Año 2026
145
La literatura cientíca reciente sobre IA en
educación superior ha experimentado un
crecimiento exponencial, particularmente a partir
de 2022 con la masicación de los modelos
de lenguaje de gran escala. Cuatro líneas de
investigación son especialmente relevantes para
este estudio.
Coronado y Benalcázar (2025) identicaron que los
sistemas adaptativos basados en redes neuronales
logran mejoras signicativas en el rendimiento
académico y la motivación intrínseca de los
estudiantes universitarios, aunque su efectividad
depende críticamente de la calidad de los datos
de aprendizaje disponibles y de la capacidad
institucional para interpretar los resultados de la
analítica educativa.
Tumbaico (2025) encontró que herramientas
como ChatGPT, Gemini y Claude son utilizadas
por más del 60% de los estudiantes universitarios
latinoamericanos para actividades de estudio,
aunque su uso pedagógico planicado por parte
de los docentes es considerablemente menor.
El estudio señala tensiones éticas importantes
relacionadas con la autoría académica y la
dependencia tecnológica.
Jara Vaca et al. (2025) concluyeron que, si bien
existe una disposición favorable hacia la adopción
tecnológica entre los docentes universitarios
ecuatorianos, persisten barreras estructurales
relacionadas con la infraestructura, la formación
y la cultura institucional. Valderrama Barragán et
al. (2025) identicaron que la falta de formación
especíca en IA constituye el principal obstáculo
para su integración pedagógica efectiva, seguida
por la resistencia al cambio y la ausencia de
incentivos institucionales. Beltrán Arcos et al.
(2025) destacaron la importancia de diseñar
entornos de aprendizaje híbridos que integren la
IA de manera pedagógicamente fundamentada en
la Universidad de las Fuerzas Armadas ESPE.
Acevedo Carrillo et al. (2026) identicaron cinco
dimensiones críticas para la integración de la IA
en las universidades latinoamericanas: formación
docente, equidad de acceso, ética del dato, evaluación
de competencias y gobernanza institucional. Seis
(2025) propone estrategias pedagógicas basadas
en IA para reducir las desigualdades digitales,
enfatizando que la capacitación continua y las
políticas institucionales robustas son condiciones
necesarias para que la IA contribuya a la inclusión
educativa. Proaño y Zamora (2025) analizaron
los dilemas éticos de la IAG en la educación
ecuatoriana, proponiendo un marco de “innovación
glocal” que articule las posibilidades globales de
la IA con los valores educativos locales. Ortega
et al. (2025) identicaron que la transformación
del perl profesional del docente universitario
constituye uno de los retos más complejos de la
integración de la IA.
A pesar del creciente interés académico, se identica
un vacío cientíco especíco en el contexto
ecuatoriano: la ausencia de estudios empíricos
originales de metodología mixta que exploren
simultáneamente las percepciones de docentes y
estudiantes universitarios sobre la IA, sus patrones
reales de uso pedagógico y los desafíos concretos
que enfrentan en el proceso de integración. Los
estudios existentes se limitan mayoritariamente a
revisiones de literatura o análisis de casos únicos,
sin proporcionar datos primarios representativos de
la diversidad institucional del sistema universitario
ecuatoriano. Este vacío limita la capacidad de
los tomadores de decisiones para fundamentar
Vol 1 No. 1 Año 2026
146
sus acciones en evidencia empírica sólida y
contextualmente pertinente.
El presente estudio tiene como objetivo general
analizar las percepciones, usos y desafíos
pedagógicos asociados a la implementación de
herramientas de inteligencia articial para la
personalización del aprendizaje en docentes y
estudiantes de universidades públicas ecuatorianas
durante el período académico 2025-2026. Para
alcanzar dicho propósito, se plantean cuatro
objetivos especícos: en primer lugar, describir
las percepciones de docentes y estudiantes
universitarios ecuatorianos sobre el potencial
de la IA para personalizar el aprendizaje; en
segundo lugar, identicar los patrones de uso de
herramientas de IA en las prácticas pedagógicas
universitarias ecuatorianas; en tercer lugar,
determinar los principales desafíos pedagógicos,
técnicos e institucionales que enfrentan los actores
educativos en la integración de la IA; y, nalmente,
establecer la relación entre el nivel de formación
docente en IA y la frecuencia e intencionalidad
pedagógica de su uso.
En coherencia con estos objetivos, la investigación
sostiene dos hipótesis centrales: la primera postula
que existe una correlación positiva y estadísticamente
signicativa entre el nivel de formación docente
en inteligencia articial y la frecuencia de uso
pedagógico planicado de herramientas de IA en
el aula universitaria ecuatoriana; mientras que la
segunda plantea que las percepciones favorables de
los estudiantes universitarios ecuatorianos hacia la
IA están positivamente asociadas con experiencias
previas de uso de estas herramientas en contextos
educativos formales.
METODOLOGÍA
El presente estudio adoptó un enfoque mixto de
tipo convergente paralelo, en el que las vertientes
cuantitativa y cualitativa se desarrollaron de ma-
nera simultánea e independiente para luego ser in-
tegradas en la fase de interpretación de resultados
(Creswell & Creswell, 2023). La vertiente cuanti-
tativa posibilitó la medición precisa de variables
como la frecuencia de uso, el nivel de percepción
y el grado de formación docente, mientras que la
vertiente cualitativa permitió explorar los signi-
cados, experiencias y narrativas de los participan-
tes en torno a la inteligencia articial educativa,
ofreciendo así una comprensión más profunda y
contextualizada del fenómeno estudiado.
El estudio fue de tipo descriptivo-correlacional
con diseño no experimental transversal. Su
carácter descriptivo radicó en la caracterización
de las percepciones, usos y desafíos relacionados
con la IA en el contexto universitario ecuatoriano,
mientras que su dimensión correlacional permitió
explorar las relaciones entre variables clave: el
nivel de formación docente en IA y la frecuencia
de uso pedagógico, así como las percepciones
estudiantiles y las experiencias previas de uso
de herramientas de IA en contextos educativos
formales. La recolección de datos se efectuó en
un único momento temporal correspondiente al
segundo semestre del año académico 2025-2026,
lo cual resulta adecuado para estudios orientados
a la percepción y caracterización de prácticas
en contextos naturales (Hernández-Sampieri &
Mendoza Torres, 2023).
La población de referencia estuvo conformada por
docentes universitarios y estudiantes de pregrado de
tres universidades públicas ecuatorianas ubicadas
Vol 1 No. 1 Año 2026
147
en Quito, Guayaquil y Cuenca, seleccionadas
por su relevancia en el sistema de educación
superior del país, su diversidad disciplinar y su
diferente grado de avance en la implementación
de tecnologías educativas digitales. La muestra
nal estuvo compuesta por 42 participantes,
distribuidos de la siguiente manera: 22 docentes
universitarios, equivalentes al 52,4% del total, de
los cuales 8 pertenecían a la Universidad Central
del Ecuador, 8 a la Universidad de Guayaquil y
6 a la Universidad de Cuenca; y 20 estudiantes
de pregrado, correspondientes al 47,6% restante,
seleccionados de las mismas instituciones con
representación de las áreas de ciencias sociales,
ciencias exactas, ingeniería y humanidades.
El tamaño muestral se determinó considerando
los criterios de saturación teórica para la vertiente
cualitativa (Patton, 2015) y la potencia estadística
mínima requerida para detectar correlaciones de
magnitud moderada en la vertiente cuantitativa. La
selección de los participantes se realizó mediante
muestreo intencional por criterios (purposive
sampling), estrategia apropiada para estudios
mixtos de carácter exploratorio-descriptivo en los
que se busca la representatividad informacional
(Creswell & Creswell, 2023).
En cuanto a los criterios de inclusión, para los
docentes se estableció que debían ejercer docencia
universitaria activa durante el período académico
2025-2026, contar con un mínimo de dos años
de experiencia en docencia universitaria, impartir
asignaturas en modalidad presencial, híbrida
o virtual, y haber rmado el consentimiento
informado correspondiente. Para los estudiantes,
se requirió estar matriculados en el segundo
año de carrera o en un nivel superior, haber
cursado al menos una asignatura en modalidad
virtual o híbrida, y haber suscrito igualmente
el consentimiento informado. Por su parte, los
criterios de exclusión comprendieron a los docentes
en período de licencia o comisión de servicios, a los
estudiantes con menos del 70% de asistencia en el
período en curso, y a todos aquellos participantes
que no completaron el instrumento de recolección
de datos en su totalidad.
Tabla 1
Distribución de la muestra por institución, rol y género
Institución Doc. H Doc. M Est. H Est. M Total
Universidad Central del Ecuador 5 3 6 4 18
Universidad de Guayaquil 4 4 5 5 18
Universidad de Cuenca 3 3 3 2 11
Total
12 10 14 11 42
Nota 1 Doc. = Docente; Est. = Estudiante; H = Hombre; M = Mujer. Fuente: elaboración propia.
Técnicas de recolección de datos
Para la recolección de información se emplearon dos
técnicas complementarias acordes con el enfoque
mixto del estudio. En la vertiente cuantitativa, se
aplicó el Cuestionario sobre Percepciones y Usos
de la IA en Educación Superior a la totalidad de
los 42 participantes mediante formulario digital
administrado a través de Google Forms durante
el mes de febrero, 2026. Dicho cuestionario
incluyó ítems con escala Likert de cinco puntos
así como preguntas cerradas de selección múltiple
orientadas a identicar las herramientas de IA
Vol 1 No. 1 Año 2026
148
utilizadas y la frecuencia de su uso. En la vertiente
cualitativa, se realizaron entrevistas individuales
presenciales y semiestructuradas a una submuestra
de 12 participantes, conformada por 7 docentes y
5 estudiantes, seleccionados mediante muestreo
por variación máxima con el n de garantizar
la diversidad de perspectivas. Las entrevistas
tuvieron una duración promedio de 45 minutos y
fueron grabadas con el consentimiento explícito de
cada participante.
El Cuestionario sobre Percepciones y Usos de la IA
en Educación Superior fue un instrumento diseñado
ad hoc, compuesto por 38 ítems organizados en
cinco dimensiones: percepciones generales sobre la
IA en educación, usos actuales de herramientas de
IA, potencial percibido para la personalización del
aprendizaje, desafíos pedagógicos e institucionales,
y formación y competencias en IA. La validez de
contenido fue establecida mediante juicio de cinco
expertos en tecnología educativa e inteligencia
articial, obteniéndose un índice de validez de
contenido de 0,89. La conabilidad fue evaluada a
través del coeciente alfa de Cronbach (α = 0,87),
lo que indicó una consistencia interna alta. Se
llevó a cabo una prueba piloto con 8 participantes
no incluidos en la muestra nal, a raíz de la cual
tres ítems fueron reformulados para mejorar su
comprensión y el tiempo de aplicación se redujo
de 25 a 18 minutos.
El segundo instrumento consistió en una guía de
entrevista semiestructurada compuesta por 18
preguntas orientadoras organizadas en cuatro
bloques temáticos: experiencias con IA en el
aula, percepciones sobre personalización del
aprendizaje, desafíos y barreras identicadas,
y visión prospectiva sobre el rol de la IA en la
educación universitaria ecuatoriana. Esta guía fue
validada mediante revisión por pares académicos
y sometida igualmente a prueba piloto antes de su
aplicación denitiva.
El análisis de los datos cuantitativos se realizó
con el software SPSS v. 29.0 e incluyó estadística
descriptiva, análisis de correlación mediante el
coeciente de Spearman dado que los datos no
cumplieron el supuesto de normalidad según la
prueba de Shapiro-Wilk (p < 0,05), y comparación
de grupos a través de la prueba U de Mann-Whitney
para el contraste entre docentes y estudiantes, y la
prueba de Kruskal-Wallis para las comparaciones
entre instituciones. El nivel de signicancia
adoptado fue α = 0,05 para todas las pruebas
inferenciales.
En cuanto al análisis cualitativo, las entrevistas
fueron transcritas verbatim y procesadas mediante
análisis de contenido temático con codicación en
tres niveles siguiendo el enfoque de Strauss y Corbin
(1998, citado en Hernández-Sampieri & Mendoza
Torres, 2023), con apoyo del software Atlas.ti v.
23. La conabilidad del proceso de codicación
fue vericada mediante el acuerdo entre dos
codicadores independientes, obteniéndose un
coeciente Kappa de Cohen de 0,82, valor que
indica un nivel de acuerdo muy bueno. Finalmente,
la integración de los resultados cuantitativos y
cualitativos se realizó mediante triangulación
metodológica, identicando convergencias,
complementariedades y divergencias entre ambas
fuentes de datos durante la fase de discusión.
El estudio fue conducido en estricto apego a los
principios de la Declaración de Helsinki y al Código
de Ética de la Investigación Cientíca del Ecuador
(SENESCYT, 2022). Todos los participantes
rmaron un formulario de consentimiento
Vol 1 No. 1 Año 2026
149
informado en el que se explicaban los objetivos
del estudio, los procedimientos empleados, el
carácter voluntario de la participación, el derecho
a retiro en cualquier momento y las medidas
de condencialidad adoptadas. En materia de
anonimato, los datos fueron anonimizados
mediante códigos alfanuméricos, y los registros
de audio fueron destruidos una vez concluida
su transcripción y análisis. El protocolo de
investigación fue aprobado por los Comités de
Ética de Investigación de las tres universidades
participantes. Asimismo, en cumplimiento del
principio de benecencia, los resultados obtenidos
serán devueltos a las instituciones con el propósito
de contribuir a la mejora de sus políticas de
integración tecnológica.
RESULTADOS
Los resultados se presentan organizados en función
de los cuatro objetivos especícos del estudio.
Los resultados del cuestionario revelaron
percepciones predominantemente favorables en
ambos grupos, con diferencias estadísticamente
signicativas en algunas dimensiones.
Tabla 2
Estadísticos descriptivos de las percepciones sobre IA por dimensión y grupo
Dimensión Docentes
(n=22) M (DE)
Estudiantes
(n=20) M (DE)
Total (n=42)
M (DE)
U de
Mann-Whitney
p
Percepción
general sobre IA
3,71 (0,68) 3,95 (0,61) 3,82 (0,66) 178,5 0,142
Potencial para
personalización
3,84 (0,74) 4,12 (0,58) 3,97 (0,68) 162,0 0,063
Utilidad
pedagógica
percibida
3,56 (0,81) 3,88 (0,72) 3,71 (0,78) 155,5 0,041*
Conanza en
uso de IA
3,12 (0,93) | 3,65 (0,84) |3,37 (0,91) 143,0 0,018*
Puntuación
global
3,56 (0,79) 3,90 (0,69) 3,72 (0,76) 151,0 0,031
Nota 2 M = Media; DE = Desviación estándar. *p < 0,05. Escala de 1 a 5. Fuente: elaboración propia
La puntuación global de percepción fue de
3,72/5,0 (DE = 0,76) para el total de la muestra.
Los estudiantes mostraron percepciones
signicativamente más favorables que los docentes
en las dimensiones de utilidad pedagógica percibida
(p = 0,041) y conanza en el uso de IA (p = 0,018).
No se encontraron diferencias estadísticamente
signicativas entre instituciones en la puntuación
global (Kruskal-Wallis, H = 3,42; p = 0,181). La
dimensión “Potencial para personalización” no
alcanzó signicancia estadística entre grupos
(p = 0,063), aunque la diferencia de medias fue
clínicamente relevante (0,28 puntos).
El 85,0% de los estudiantes y el 72,7% de
los docentes manifestaron estar de acuerdo o
totalmente de acuerdo con la armación “La IA
puede adaptar los contenidos educativos a las
necesidades individuales de cada estudiante”. El
ítem con menor puntuación en ambos grupos fue
“Confío plenamente en las evaluaciones realizadas
por sistemas de IA” (M = 2,84; DE = 1,02).
Vol 1 No. 1 Año 2026
150
Tabla 3
Ítems con mayor y menor puntuación media en la escala de percepciones
Ítem
Grupo M DE
La IA puede personalizar el ritmo de aprendizaje Estudiantes 4,35 0,61
La IA facilita el acceso a recursos educativos variados Estudiantes 4,20 0,69
La IA puede mejorar la retroalimentación al estudiante Docentes 4,05 0,72
La IA complementa (no reemplaza) al docente Docentes 3,95 0,78
La IA garantiza la equidad en el aprendizaje Total 2,91 0,98
Confío en las evaluaciones realizadas por IA Total 2,84 1,02
Nota 3 Fuente: elaboración propia
Tabla 4
Frecuencia de uso de herramientas de IA según grupo
Frecuencia de uso Docentes (n=22) f (%) Estudiantes (n=20) f (%)
Nunca 6 (27,3%) 2 (10,0%)
Ocasionalmente 9 (40,9%) 5 (25,0%)
Frecuentemente 5 (22,7%) 8 (40,0%)
Muy frecuentemente 2 (9,1%) 5 (25,0%)
Uso total 16 (72,7%) 18 (90,0%)
Nota 4 Fuente: elaboración propia
El 72,7% de los docentes y el 90,0% de los
estudiantes reportaron usar herramientas de IA
al menos ocasionalmente. El uso sistemático y
pedagógicamente planicado fue reportado por
el 31,8% de los docentes (7 de 22). Entre los
estudiantes, el uso frecuente o muy frecuente
alcanzó al 65,0% (13 de 20).
Tabla 5
Herramientas de IA más utilizadas por docentes y estudiantes
Herramienta Docentes f (%) Estudiantes f (%)
ChatGPT / GPT-4 14 (63,6%) 17 (85,0%)
Google Gemini 8 (36,4%) 12 (60,0%)
Grammarly / correctores IA 7 (31,8%) 9 (45,0%)
Canva IA / herramientas de diseño 6 (27,3%) 9 (45,0%)
Plataformas adaptativas 5 (22,7%) 7 (35,0%)
Herramienta Docentes f (%) Estudiantes f (%)
Microsoft Copilot 4 (18,2%) 6 (30,0%)
Herramientas de analítica 3 (13,6%) 2 (10,0%)
Sistemas de tutoría inteligente 2 (9,1%) 3 (15,0%)
Nota 5 Los porcentajes no suman 100% por ser respuesta múltiple. Fuente: elaboración propia
ChatGPT fue la herramienta más utilizada en
ambos grupos, seguida por Google Gemini.
Las plataformas de aprendizaje adaptativo y los
sistemas de tutoría inteligente mostraron los
índices de uso más bajos.
Vol 1 No. 1 Año 2026
151
Tabla 6
Finalidades de uso de la IA reportadas por los docentes (n=22)
Finalidad de uso f %
Preparación de materiales didácticos 14 63,6%
Generación de ejemplos y ejercicios 12 54,5%
Retroalimentación a estudiantes 8 36,4%
Evaluación formativa 6 27,3%
Personalización de itinerarios de aprendizaje 4 18,2%
Nota 6 Fuente: elaboración propia
Desafíos pedagógicos, técnicos e institucionales
Tabla 7
Principales desafíos identicados en la integración de IA (n=42)
Desafío f % Rango
Falta de formación docente especíca en IA 35 83,3% 1
Ausencia de políticas institucionales explícitas 32 76,2% 2
Brecha digital (conectividad y dispositivos) 26 61,9% 3
Preocupaciones éticas (plagio, privacidad) 24 57,1% 4
Resistencia al cambio pedagógico 21 50,0% 5
Falta de tiempo para aprender nuevas herramientas 19 45,2% 6
Costos de acceso a herramientas premium 17 40,5% 7
Dicultad para evaluar aprendizajes con IA 16 38,1% 8
Desconanza en la calidad de los contenidos generados 14 33,3% 9
Falta de soporte técnico institucional 12 28,6% 10
Nota 7 Fuente: elaboración propia.
La falta de formación docente especíca en IA
fue identicada como el principal desafío por el
83,3% de los participantes, seguida por la ausencia
de políticas institucionales explícitas (76,2%) y la
brecha digital (61,9%). Los docentes priorizaron
los desafíos relacionados con la formación y
las políticas institucionales, mientras que los
estudiantes enfatizaron más los aspectos éticos y
los costos de acceso.
Relación entre formación docente en IA y frecuencia de uso pedagógico
Tabla 8
Correlación de Spearman entre formación docente en IA y variables de uso (n=22 docentes)
Variables rho IC 95% p Interpretación
Formación en IA — Frecuencia de uso total 0,61 [0,23;
0,83]
0,003** Correlación positiva moderada
Formación en IA — Uso pedagógico planicado 0,68 [0,34;
0,87]
0,001** Correlación positiva moderada-alta
Formación en IA — Diversidad de herramientas 0,54 [0,13;
0,79]
0,009** Correlación positiva moderada
Vol 1 No. 1 Año 2026
152
Formación en IA — Percepción global de IA 0,47 [0,04;
0,75]
0,027* Correlación positiva moderada
Nota 8 IC 95% = Intervalo de conanza al 95% calculado por bootstrap (1000 iteraciones). *p < 0,05; **p < 0,01. Fuente:
elaboración propia
Se encontró una correlación positiva y
estadísticamente signicativa entre el nivel de
formación docente en IA y la frecuencia de uso
pedagógico planicado (rho = 0,68; IC 95% [0,34;
0,87]; p = 0,001), lo que conrma la hipótesis
H1. Respecto a H2, se encontró una correlación
positiva moderada entre las experiencias previas
de uso de IA en contextos educativos formales y las
percepciones favorables de los estudiantes (rho =
0,59; IC 95% [0,20; 0,82]; p = 0,006), conrmando
también esta hipótesis.
DISCUSIÓN
Interpretación de los resultados principales
Los hallazgos de este estudio revelan una realidad
compleja sobre la integración de la IA en las
universidades públicas ecuatorianas. La alta
prevalencia de uso de herramientas de IA evidencia
que la IA ya no es una tecnología emergente, sino
una realidad presente en las prácticas cotidianas
de los actores educativos. Sin embargo, la
brecha entre el uso espontáneo e informal y el
uso pedagógicamente planicado y sistemático
constituye el hallazgo más relevante del estudio.
El hecho de que solo el 31,8% de los
docentes utilice la IA de manera planicada y
pedagógicamente fundamentada sugiere que la
mayoría se encuentra en una fase de exploración
o adopción incipiente, caracterizada por el uso
instrumental y reactivo más que por su integración
reexiva en el diseño curricular. Este hallazgo es
coherente con los resultados de Jara Vaca et al.
(2025), quienes identicaron que la disposición
favorable hacia la adopción tecnológica no se
traduce automáticamente en prácticas pedagógicas
transformadoras, y con los de Valderrama Barragán
et al. (2025), quienes señalaron que la falta de
formación especíca es el principal obstáculo para
la integración efectiva de la IA en las universidades
ecuatorianas.
Las percepciones favorables de los estudiantes
(M = 3,90/5,0) son consistentes con la literatura
internacional que documenta actitudes positivas
de los jóvenes universitarios hacia las tecnologías
digitales (Macedo et al., 2025; Tumbaico, 2025).
No obstante, los datos cualitativos matizan estas
percepciones: varios estudiantes expresaron una
valoración predominantemente instrumental de la
IA más que una comprensión de su potencial para
transformar la profundidad de sus aprendizajes.
Como señaló un estudiante de ingeniería de la
Universidad de Guayaquil: “Uso ChatGPT para
entender los temas más rápido, pero a veces siento
que me da las respuestas sin que yo tenga que pensar
mucho” (E07, comunicación personal, 2026). Esta
observación apunta al riesgo de “dependencia
cognitiva” (Proaño & Zamora, 2025), que podría
comprometer el desarrollo de competencias de
pensamiento crítico y resolución autónoma de
problemas.
Los resultados presentan tanto convergencias
como divergencias con la literatura existente. La
identicación de la falta de formación docente
como el principal desafío (83,3%) es consistente
con los hallazgos de Acevedo Carrillo et al.
Vol 1 No. 1 Año 2026
153
(2026) y Ortega et al. (2025). La correlación entre
formación docente y uso pedagógico planicado
(rho = 0,68) conrma lo reportado por Seis (2025),
quien encontró que la capacitación continua es la
variable más predictiva del uso efectivo de la IA.
En cuanto a divergencias, los niveles de uso
reportados son considerablemente más altos que
los documentados en investigaciones ecuatorianas
anteriores a 2024, lo que reeja la aceleración
en la adopción impulsada por la masicación
de herramientas de IAG de acceso gratuito. Las
preocupaciones éticas (57,1%) son también más
prominentes que en estudios previos de la región,
posiblemente por la mayor conciencia pública
sobre los dilemas éticos de la IA.
La ausencia de diferencias estadísticamente
signicativas entre instituciones (p = 0,181) diverge
de estudios previos que documentan variaciones
importantes entre universidades (Beltrán Arcos et
al., 2025). Esta homogeneidad podría explicarse
por el perl similar de las tres instituciones como
universidades públicas de gran tamaño, o por la
inuencia homogeneizadora de herramientas de
acceso masivo como ChatGPT.
Explicación de hallazgos inesperados
Un hallazgo inesperado fue el bajo índice de uso de
plataformas de aprendizaje adaptativo (22,7% en
docentes) y sistemas de tutoría inteligente (9,1%),
que representan las aplicaciones más sosticadas
de la IA para la personalización del aprendizaje.
Los datos cualitativos ofrecen una explicación: la
mayoría de los docentes no tienen acceso a estas
plataformas y su conocimiento sobre las mismas
es limitado. Como expresó una docente de la
Universidad Central del Ecuador: “Sé que existen
plataformas adaptativas muy buenas, pero no las
hemos podido implementar porque requieren una
inversión institucional que no tenemos, y además
están en inglés” (D04, comunicación personal,
2026).
La baja valoración del ítem “La IA garantiza
la equidad en el aprendizaje” (M = 2,91/5,0)
también fue inesperada, dado que la equidad es
frecuentemente citada como uno de los principales
benecios potenciales de la IA educativa.
Este resultado indica que los participantes son
conscientes de las limitaciones de la IA en
contextos de alta desigualdad socioeconómica,
donde la brecha digital condiciona el acceso
diferencial a las tecnologías educativas. Este
hallazgo es coherente con las advertencias de Seis
(2025) sobre el riesgo de que la IA profundice las
desigualdades existentes si no se implementa en el
marco de políticas de inclusión digital robustas.
Desde una perspectiva teórica, los resultados
contribuyen a la comprensión de la brecha entre
adopción tecnológica e integración pedagógica
de la IA en contextos universitarios de países en
desarrollo. Los datos sugieren que el modelo
de adopción tecnológica lineal es insuciente
para explicar la complejidad de este proceso. Se
requieren marcos teóricos que incorporen variables
contextuales como la formación docente, las
políticas institucionales, la cultura organizacional
y las condiciones socioeconómicas. El modelo
TPACK y el marco SAMR ofrecen herramientas
conceptuales útiles, pero deben ser adaptados al
contexto latinoamericano especíco.
Desde una perspectiva práctica, los hallazgos
tienen implicaciones para tres niveles:
Nivel docente: Se evidencia la necesidad urgente
de programas de formación continua en IA
Vol 1 No. 1 Año 2026
154
educativa que aborden no solo la dimensión técnica,
sino también el diseño pedagógico de actividades
que aprovechen el potencial de la IA para la
personalización sin comprometer el desarrollo de
competencias cognitivas de orden superior.
Nivel institucional: Las universidades ecuatorianas
deben desarrollar políticas explícitas sobre el
uso de la IA en la docencia, la investigación y la
evaluación, que establezcan marcos éticos claros,
criterios de uso responsable y mecanismos de
apoyo técnico y pedagógico para los docentes.
Nivel de política pública: Los resultados subrayan
la necesidad de que el CES y el SENESCYT
desarrollen una política nacional de integración de
la IA en la educación superior que incluya inversión
en infraestructura, formación docente a escala
nacional, desarrollo de plataformas adaptativas en
español y marcos regulatorios para la protección
de datos estudiantiles.
Limitaciones del estudio
Este estudio presenta limitaciones que deben
considerarse al interpretar sus resultados. En primer
lugar, el tamaño muestral (n = 42), aunque adecuado
para los objetivos exploratorios del estudio,
limita la generalización al conjunto del sistema
universitario ecuatoriano; la transferibilidad de
los hallazgos cualitativos se restringe a contextos
institucionales con características similares a las
tres universidades participantes. En segundo lugar,
el diseño transversal proporciona una fotografía
de la situación en un momento especíco, sin
capturar la dinámica evolutiva de la integración de
la IA, que avanza a una velocidad sin precedentes.
En tercer lugar, el sesgo de deseabilidad social
inherente a los instrumentos de autoinforme
podría haber inuido en las respuestas de los
participantes, particularmente en lo relativo a la
frecuencia y la intencionalidad pedagógica del uso
de la IA. Finalmente, la selección intencional de
la muestra podría sobrerepresentar a docentes y
estudiantes con mayor interés y familiaridad con la
tecnología, lo que debe considerarse al extrapolar
los resultados.
Líneas futuras de investigación
Los resultados abren diversas líneas de
investigación prioritarias. En primer lugar,
estudios de intervención que evalúen el impacto
de programas especícos de formación docente en
IA sobre la calidad y la intencionalidad pedagógica
del uso de estas herramientas. En segundo lugar,
investigaciones longitudinales que documenten
los cambios en percepciones y prácticas a lo largo
del tiempo, capturando la dinámica evolutiva de
la integración de la IA. En tercer lugar, estudios
comparativos entre universidades públicas y
privadas, y entre diferentes áreas del conocimiento,
para identicar factores contextuales que facilitan
u obstaculizan la integración de la IA. Finalmente,
investigaciones sobre las implicaciones éticas de
la IA en la evaluación universitaria ecuatoriana
constituyen una línea de trabajo urgente, dado
el creciente uso de herramientas de IAG en la
elaboración de trabajos académicos.
CONCLUSIONES
El presente estudio analizó las percepciones,
usos y desafíos pedagógicos asociados a la
implementación de herramientas de IA para la
personalización del aprendizaje en universidades
públicas ecuatorianas, respondiendo de manera
directa a los cuatro objetivos especícos planteados.
Vol 1 No. 1 Año 2026
155
Respecto al primer objetivo, tanto docentes como
estudiantes mostraron percepciones favorables
hacia la IA (M global = 3,72/5,0), con los
estudiantes signicativamente más favorables en
las dimensiones de utilidad pedagógica y conanza
en el uso (p < 0,05). No obstante, ambos grupos
manifestaron escepticismo respecto al potencial de
la IA para garantizar la equidad educativa, lo que
reeja una conciencia crítica sobre las limitaciones
tecnológicas en contextos de alta desigualdad
socioeconómica.
Respecto al segundo objetivo, se identicó un
patrón de uso extendido pero predominantemente
informal: el 72,7% de los docentes y el 90,0%
de los estudiantes usan herramientas de IA al
menos ocasionalmente, aunque solo el 31,8%
de los docentes lo hace de manera sistemática y
pedagógicamente planicada. Las herramientas
de IAG de acceso gratuito (ChatGPT, Gemini)
dominan el uso, mientras que las plataformas
adaptativas y los sistemas de tutoría inteligente son
las menos adoptadas.
Respecto al tercer objetivo, los principales desafíos
identicados fueron la falta de formación docente
especíca en IA (83,3%), la ausencia de políticas
institucionales explícitas (76,2%) y la brecha
digital en conectividad y dispositivos (61,9%),
congurando un escenario en el que la voluntad
de adopción tecnológica no encuentra los soportes
estructurales necesarios para materializarse en
prácticas pedagógicas transformadoras.
Respecto al cuarto objetivo, se conrmó la
hipótesis H1: existe una correlación positiva y
estadísticamente signicativa entre la formación
docente en IA y el uso pedagógico planicado (rho
= 0,68; p = 0,001), lo que proporciona evidencia
empírica sólida para priorizar la formación docente
como estrategia de política educativa. Se conrmó
también la hipótesis H2: las experiencias previas
de uso de IA en contextos educativos formales se
asocian positivamente con percepciones favorables
en los estudiantes (rho = 0,59; p = 0,006).
Estos hallazgos tienen implicaciones directas para
la política educativa ecuatoriana. Se recomienda
que las universidades desarrollen políticas
institucionales explícitas sobre el uso ético y
pedagógico de la IA; que los departamentos de
formación docente diseñen programas de desarrollo
profesional continuo que integren dimensiones
técnicas, pedagógicas y éticas; y que el CES y el
SENESCYT elaboren una política nacional de
integración de la IA en la educación superior que
incluya inversión en infraestructura, plataformas
adaptativas en español y marcos regulatorios para
la protección de datos estudiantiles.
BIBLIOGRAFÍA
Acevedo Carrillo, M., Cabezas Torres, N. M.,
La Serna La Rosa, P. A., & Araujo Rossel,
S. A. (n.d.). Desafíos y oportunidades de
la inteligencia articial en la educación
superior latinoamericana: una revisión
sistemática de la literatura. https://doi.
org/10.5281/ZENODO.15508755
CES – Consejo de Educación Superior. (n.d.).
Retrieved May 29, 2026, from https://www.
ces.gob.ec/
Creswell, J. W., & Creswell, J. D. (2017). Diseño
de investigación. Enfoques cualitativos,
cuantitativos y mixtos. Book, 304. https://
books.google.com/books/about/Research_
Vol 1 No. 1 Año 2026
156
Design.html?hl=es&id=335ZDwAAQBAJ
Fernández-Batanero, J. M., Montenegro-Rueda,
M., Fernández-Cerero, J., & García-
Martínez, I. (2022). Digital competences
for teacher professional development.
Systematic review. European Journal of
Teacher Education, 45(4), 513–531. https://
doi.org/10.1080/02619768.2020.1827389
García-Peñalvo, F. J. (2023). La percepción de la
Inteligencia Articial en contextos educativos
tras el lanzamiento de ChatGPT: disrupción
o pánico. Education in the Knowledge
Society (EKS), 24, e31279–e31279. https://
doi.org/10.14201/EKS.31279
González Mares, M. (2019). Hernández-Sampieri,
R. & Mendoza, C (2018). Metodología
de la investigación. Las rutas cuantitativa,
cualitativa y mixta. Revista Universitaria
Digital de Ciencias Sociales (RUDICS),
10(18), 92–95. https://doi.org/10.22201/
FESC.20072236E.2019.10.18.6
Holmes, W., Porayska-Pomsta, K., Holstein,
K., Sutherland, E., Baker, T., Shum, S. B.,
Santos, O. C., Rodrigo, M. T., Cukurova,
M., Bittencourt, I. I., & Koedinger, K. R.
(2022). Ethics of AI in Education: Towards a
Community-Wide Framework. International
Journal of Articial Intelligence in
Education, 32(3), 504–526. https://doi.
org/10.1007/S40593-021-00239-1
Japón-Chavez, C., Robles-Bykbaev, V., Parra-
Astudillo, A., Lema-Condo, E., Sánchez-
Noboa, D., & Robles-Bykbaev, Y. (2026).
Stimulation of Spatial Reasoning in Children
Aged 6 to 7 Using Assistive Technology,
Computer Vision, and Elements of Inca
and Cañari Cultures. Communications in
Computer and Information Science, 2392
CCIS. https://doi.org/10.1007/978-3-031-
98287-3_16
Karina, J., Coronado, A., Arias Benalcázar, D.
V., José Muñoz Herrera, E., Campos Ortiz,
J. M., Marisol, E., García, L., Elizabeth, F.,
& Cabrera, G. (2025). Personalización del
aprendizaje mediante sistemas de inteligencia
articial adaptativa en entornos virtuales
educativos. Revista Latinoamericana de
Calidad Educativa, 2(2), 69–76. https://doi.
org/10.70625/RLCE/159
Luckin, R., & Cukurova, M. (2019). Designing
educational technologies in the age of
AI: A learning sciences-driven approach.
British Journal of Educational Technology,
50(6), 2824–2838. https://doi.org/10.1111/
BJET.12861
Marisol, M., Ortega, B., Marcela, A., Castillo, M.,
Estefanía, E., Luzuriaga, L., Carolina, H.,
Altamirano, Z., Manuel, M., & Nazareno,
C. (2025). Desafíos y retos de la inteligencia
articial en la educación ecuatoriana: Una
mirada desde la enseñanza y el rol del docente.
Arandu UTIC, 12(1), 1551–1566. https://doi.
org/10.69639/ARANDU.V12I1.694
Niño-Carrasco, S. A., Castellanos-Ramírez, J. C.,
Perezchica Vega, J. E., & Sepúlveda Rodríguez,
J. A. (2025). Percepciones de estudiantes
universitarios sobre los usos de inteligencia
articial en educación. Revista Fuentes,
27(1), 94–106. https://doi.org/10.12795/
REVISTAFUENTES.2025.26356
Patton, M. Q. (2015). Four triangulation processes
for enhancing credibility. Qualitative
Vol 1 No. 1 Año 2026
157
Research and Evaluation Methods:
Integrating Theory and Practice, 1303–
1333. https://uk.sagepub.com/en-gb/eur/
qualitative-research-evaluation-methods/
book232962
Proaño, A. F. C., Zamora, S. L. L., Baquerizo,
C. A. M., & Padilla, B. A. M. (2025).
Inteligencia articial generativa en la
educación arquitectónica ecuatoriana:
innovación glocal, dilemas éticos y la tensión
entre lo analógico y lo digital. Revista Social
Fronteriza, 5(2). https://doi.org/10.59814/
RESOFRO.2025.5(2)631
Teresa, M., Arcos, B., Minoska, A., Ribadeneira,
A., David, W., Arellano, V., Fscal, U. E.,
Bouguer -Ecuador, P., Gissella, G., Quimis,
B., Santiago, E., Amanda, A.-E., Sánchez, V.,
Escuela, N., & Apostol -Ecuador, S. (2025).
Integración de la Inteligencia Articial y el
Aprendizaje Adaptativo para Personalizar
la Experiencia Educativa. Revista Cientíca
de Salud y Desarrollo Humano , 6(1),
1882–1914. https://doi.org/10.61368/
R.S.D.H.V6I1.567
Vaca, F. L. J., Heredia, S. P. R., Escudero, I. C.
V., & Orozco, C. E. G. (2025). Inteligencia
Articial y tecnologías TIC-TAC-TEP en
la educación superior ecuatoriana. Revista
Cientíca Arbitrada Multidisciplinaria
PENTACIENCIAS, 7(5), 68–86. https://
doi.org/10.59169/PENTACIENCIAS.
V7I5.1640
