El aula algorítmica: inteligencia artificial, equidad
educativa y pensamiento crítico en el proceso de enseñanza-aprendizaje en
Ecuador
The
Algorithmic Classroom: Artificial Intelligence, Educational Equity, and
Critical Thinking in the Teaching-Learning Process in Ecuador
Oviedo-Bayas, Byron Wladimir*
Napa-Arévalo, Ligia Liliana*
Abstract
This article critically examines the
incorporation of artificial intelligence (AI) into the teaching-learning
process in Ecuador, a phenomenon frequently presented as inherently
emancipatory without sufficient scrutiny. Through a systematic documentary review
of 30 academic sources (2020-2026, complemented by a small subset of
foundational theoretical references published since the year 2000) indexed in
Scopus, Redalyc, SciELO, Dialnet, and Latindex, three
dimensions are analyzed: the actual adoption of AI tools in Ecuadorian
classrooms, persistent access and infrastructure gaps, and the risks of a new
algorithmic dependency on knowledge produced outside the region. Results show
growing but unequal adoption, concentrated in urban areas and among teachers with
greater prior digital capital, while ethical and pedagogical training gaps
persist. The article concludes that educational AI in Ecuador requires a
framework of critical appropriation -not uncritical adoption- combining
algorithmic literacy, connectivity policy, and a pedagogy that preserves the
centrality of students' own thinking against the automation of knowledge.
Keywords: artificial intelligence; teaching-learning;
digital divide; critical thinking; Ecuador
Resumen
Este artículo
examina críticamente la incorporación de la inteligencia artificial (IA) en el
proceso de enseñanza-aprendizaje en Ecuador, un fenómeno que suele presentarse
como inevitablemente emancipador sin someterse a escrutinio suficiente.
Mediante una revisión documental sistemática de 30 fuentes académicas
(2020-2026, complementadas por un reducido subconjunto de referencias teóricas
fundacionales publicadas desde el año 2000), indexadas en Scopus, Redalyc,
SciELO, Dialnet y Latindex, se analizan tres dimensiones: la adopción efectiva
de herramientas de IA en aulas ecuatorianas, la persistencia de brechas de
acceso e infraestructura, y los riesgos de una nueva dependencia algorítmica
sobre saberes producidos fuera de la región. Los resultados muestran una
adopción creciente pero desigual, concentrada en zonas urbanas y en docentes
con mayor capital digital previo, mientras persisten vacíos de formación ética
y pedagógica. Se concluye que la IA educativa en Ecuador exige un marco de
apropiación crítica -no de adopción acrítica- que combine alfabetización
algorítmica, políticas públicas de conectividad y una pedagogía que preserve la
centralidad del pensamiento propio del estudiante frente a la automatización
del conocimiento.
Palabras clave: inteligencia artificial; enseñanza-aprendizaje; brecha digital; pensamiento crítico; Ecuador
INTRODUCCIÓN
La irrupción de la inteligencia
artificial generativa en el espacio educativo ha transformado, en apenas un
lustro, un debate que hasta hace poco pertenecía casi exclusivamente a la
informática educativa en uno que atraviesa la filosofía de la educación, la
sociología del conocimiento y las políticas públicas de desarrollo. En Ecuador,
esta transformación ha llegado de manera particularmente abrupta: entre 2022 y
2026, la disponibilidad de asistentes conversacionales de acceso gratuito
coincidió con una infraestructura de conectividad todavía desigual y con una
formación docente en competencias digitales que, para amplios sectores del
magisterio, seguía siendo incipiente. El resultado es un escenario paradójico
en el que la promesa de personalización del aprendizaje convive con la
persistencia de las mismas desigualdades estructurales que, históricamente, han
marcado el acceso a la educación de calidad en el país.
Este
artículo parte de una premisa poco frecuente en la literatura técnica sobre IA
educativa, pero central en una revista de historia, ciencias humanas y
pensamiento crítico: la tecnología no es un artefacto neutro que simplemente se
adopta o se rechaza, sino un dispositivo que redistribuye poder epistémico.
Cuando un estudiante ecuatoriano de bachillerato resuelve una tarea con un
modelo de lenguaje entrenado predominantemente con corpus en inglés y con
parámetros de valor definidos en polos tecnológicos ajenos a su realidad, no
solo está usando una herramienta; está incorporando, de manera muchas veces
invisible, una determinada forma de organizar y validar el conocimiento.
Preguntarse por la IA en las aulas ecuatorianas es, entonces, preguntarse
también por quién decide qué cuenta como saber legítimo en el siglo XXI.
El
propósito de este trabajo es doble. Primero, sistematizar y sintetizar la
evidencia empírica y teórica disponible sobre el uso de la IA en el proceso de
enseñanza-aprendizaje en Ecuador, cubriendo estudios publicados entre 2020 y
2026 en revistas indexadas, con el fin de establecer un estado del arte
riguroso y actualizado. Segundo, y de manera más ambiciosa, ofrecer una lectura
crítica de esa evidencia que la sitúe dentro de los debates internacionales
sobre equidad digital, colonialidad del conocimiento y pedagogía crítica,
evitando tanto el optimismo tecnológico acrítico como el rechazo tecnofóbico
que, con frecuencia, polarizan la discusión pública sobre estas herramientas.
Conviene
precisar, desde el inicio, que este artículo no asume una postura tecnofóbica
ni pretende sumarse al ya extenso catálogo de advertencias apocalípticas sobre
la inteligencia artificial que circulan en el debate público contemporáneo.
Existe evidencia consistente, revisada en el apartado de fundamentos teóricos,
sobre beneficios pedagógicos reales asociados al uso bien diseñado de estas
herramientas: retroalimentación más oportuna, mayor disponibilidad de apoyo
académico fuera del horario de clase y posibilidades genuinas de
personalización para estudiantes con distintos ritmos de aprendizaje. Negar
estos beneficios sería tan poco riguroso como negar los riesgos que también
documenta la literatura. Lo que este artículo sostiene, en cambio, es que la
discusión ecuatoriana sobre IA educativa se ha desarrollado hasta ahora de
manera predominantemente descriptiva -¿cuánto se usa?, ¿quién lo usa?, ¿qué
percepción tienen los usuarios?- sin avanzar con la misma intensidad hacia las
preguntas normativas y estructurales que determinan si esa adopción, en los
términos en que efectivamente ocurre, contribuye a una educación más justa o
si, por el contrario, reproduce bajo una superficie de innovación tecnológica
las mismas desigualdades que la retórica del progreso digital promete superar.
El
alcance del trabajo se concentra en la educación básica, media y superior
ecuatoriana, con énfasis en la evidencia generada por instituciones de
educación superior del país, dado que es en ese nivel donde la producción
académica sobre el tema ha sido más prolífica hasta la fecha. El artículo se
organiza en cinco apartados adicionales a esta introducción. El primero
(apartado 1) desarrolla los fundamentos teóricos, articulando tres cuerpos de
literatura: los marcos técnico-pedagógicos sobre IA en educación, los marcos
críticos sobre brecha digital y colonialidad algorítmica, y la literatura
empírica específicamente ecuatoriana. El segundo (apartado 2) describe la
metodología de revisión documental empleada. El tercero (apartado 3) presenta
los resultados organizados en cinco categorías temáticas emergentes. El cuarto
(apartado 4) discute esos resultados a la luz del marco teórico. El quinto
presenta las conclusiones y una serie de lineamientos orientados a la
formulación de política educativa.
1.
Fundamentos teóricos
1.1
Inteligencia artificial en educación: definiciones y evolución del campo
La
inteligencia artificial aplicada a la educación no es un fenómeno reciente,
aunque su visibilidad pública sí lo sea. Baker e Inventado (2014) sitúan el
origen de la minería de datos educativos y la analítica del aprendizaje
(learning analytics) en la confluencia de tres tradiciones: los sistemas
tutores inteligentes desarrollados desde la década de 1970, la psicometría
computacional y, más recientemente, el aprendizaje automático aplicado a
grandes volúmenes de datos transaccionales generados por plataformas de gestión
del aprendizaje. Esta genealogía es importante porque desmiente la idea,
extendida en el discurso mediático, de que la IA educativa nació con los
modelos de lenguaje generativo de la presente década; en realidad, dichos
modelos son la culminación visible de un proceso de varias décadas.
Wang et al. (2024), en una revisión sistemática de
literatura sobre IA en educación publicada en Expert Systems with Applications,
identifican cuatro grandes familias de aplicación: los sistemas de tutoría
inteligente, los sistemas de evaluación automatizada, los sistemas de
recomendación de contenidos y, más recientemente, los asistentes
conversacionales de propósito general adaptados al contexto educativo. Los
autores documentan un crecimiento exponencial de la producción científica sobre
el tema a partir de 2020, coincidiendo con la disponibilidad pública de modelos
de lenguaje de gran escala. Forero-Corba y Negre (2024), en una revisión
igualmente sistemática publicada en RIED, refuerzan este hallazgo y añaden una
observación relevante para el contexto latinoamericano: la mayor parte de la
evidencia empírica sobre eficacia pedagógica de la IA proviene de contextos
educativos de altos ingresos, con una representación todavía marginal de
estudios producidos en América Latina.
Desde una perspectiva pedagógica más que técnica, el marco
de Conocimiento Tecnológico Pedagógico del Contenido (TPACK), propuesto por
Mishra y Koehler (2006), continúa siendo una referencia obligada para entender
cómo los docentes integran nuevas tecnologías en su práctica. El modelo TPACK
sostiene que la integración efectiva de cualquier tecnología educativa -y la IA
no es la excepción- requiere la intersección de tres saberes: el disciplinar,
el pedagógico y el tecnológico, de forma que ninguno de los tres pueda
desarrollarse de manera aislada sin comprometer la calidad de la enseñanza.
Campos (2021) retoma este marco, junto con el modelo SAMR de Puentedura, para
analizar cómo los docentes en funciones ejecutivas y de dirección educativa
integran tecnología, concluyendo que la mayoría de las implementaciones
tecnológicas en Iberoamérica se sitúan todavía en los niveles más básicos de
sustitución y aumento, y rara vez alcanzan los niveles de modificación y
redefinición que verdaderamente transforman la práctica pedagógica. Esta
observación resulta especialmente pertinente para valorar, más adelante, el
grado de apropiación real de la IA generativa en las aulas ecuatorianas: la
disponibilidad de una herramienta no garantiza su integración pedagógica
profunda.
Cabero-Almenara y Palacios-Rodríguez (2021) aportan una
dimensión complementaria al analizar la evaluación de la educación virtual
mediante e-actividades, un antecedente directo de los actuales sistemas de
evaluación asistida por IA. Los autores advierten que la incorporación de
tecnología en la evaluación no elimina, sino que en ocasiones intensifica, los
sesgos evaluativos existentes, un argumento retomado posteriormente por la
literatura crítica sobre algoritmos educativos.
Finalmente, cabe destacar que la motivación del estudiante
frente a estas herramientas no puede darse por sentada. La teoría de la
autodeterminación de Ryan y Deci (2000), aunque anterior a la IA generativa,
ofrece un marco todavía vigente para entender por qué la mera disponibilidad de
una herramienta personalizada de aprendizaje no garantiza per se mayor
motivación intrínseca; esta depende, según los autores, de que el estudiante
perciba autonomía, competencia y vinculación social en la experiencia de aprendizaje,
tres condiciones que un sistema de IA mal diseñado puede en realidad erosionar
en lugar de fortalecer, por ejemplo al sustituir la interacción con pares y
docentes por una interacción exclusivamente máquina-estudiante.
Resulta útil, para los fines de este artículo, distinguir
entre las distintas tipologías de herramientas de IA que conviven hoy en el
ecosistema educativo, puesto que el debate público tiende a homogeneizarlas
bajo la etiqueta genérica de "inteligencia artificial" sin reparar en
que sus lógicas de funcionamiento -y, por tanto, sus implicaciones pedagógicas-
son sustancialmente distintas entre sí. Baltazar (2023) propone una
clasificación útil al examinar tres tipos de herramientas con propósitos
claramente diferenciados: los asistentes conversacionales de propósito general,
como ChatGPT, orientados a la generación de texto y la resolución de consultas
abiertas; los sistemas de tutoría inteligente (ITS), diseñados específicamente
para ofrecer retroalimentación pedagógica individualizada dentro de un dominio
de conocimiento acotado; y las aplicaciones de bienestar estudiantil asistidas
por IA -el autor documenta el caso de miMente IA-, orientadas no a la
instrucción sino al acompañamiento socioemocional del estudiante.
Esta tripartición es relevante porque cada categoría
plantea preguntas éticas y pedagógicas distintas: mientras que los ITS heredan
directamente el linaje de la tutoría inteligente clásica documentada por Baker
e Inventado (2014) y, por tanto, cuentan con una base de investigación en
eficacia pedagógica relativamente robusta, los asistentes conversacionales de
propósito general -los de mayor penetración real en las aulas ecuatorianas,
según se documentará en el apartado de resultados- carecen de un diseño pedagógico
específico y son, en rigor, herramientas de propósito general reutilizadas para
fines educativos sin que medie necesariamente una validación didáctica previa.
1.2 Marco crítico: brecha digital, colonialidad
algorítmica y pensamiento crítico
Si el apartado anterior describe el campo desde una
perspectiva predominantemente técnico-pedagógica, este apartado lo reinterpreta
desde una perspectiva crítica, indispensable para una revista de pensamiento
crítico como Clío. El primer concepto relevante es el de brecha digital de
segundo nivel, propuesto por Hargittai (2002). La autora argumenta que,
superada la brecha de acceso físico a internet -brecha de primer nivel-, emerge
una segunda desigualdad, más sutil pero igualmente determinante: la desigualdad
en las habilidades para usar la tecnología de manera efectiva. Aplicado a la IA
educativa, este concepto permite anticipar que, incluso si se universalizara el
acceso a herramientas de IA en Ecuador, subsistiría una brecha en la capacidad
de los estudiantes y docentes para utilizarlas de manera crítica y productiva,
en lugar de meramente instrumental.
Biesta (2015) aporta una segunda coordenada crítica al
preguntarse, en un artículo ya clásico de la filosofía de la educación,
"¿para qué es la educación?". El autor distingue tres funciones de la
educación -cualificación, socialización y subjetivación- y advierte que las
reformas educativas orientadas por la tecnología tienden a privilegiar la
función de cualificación (la adquisición medible de competencias) en detrimento
de la subjetivación, entendida como el proceso mediante el cual una persona
deviene sujeto autónomo capaz de pensar por sí misma. Esta advertencia resuena
de manera directa en el debate sobre IA generativa: cuando un estudiante delega
en un modelo de lenguaje la redacción de un ensayo o la resolución de un
problema, el riesgo no es solamente académico -el plagio o la pérdida de
habilidades- sino filosófico: la potencial atrofia del proceso de subjetivación
que la educación, en su sentido más profundo, busca cultivar.
Un tercer eje crítico proviene de la literatura sobre
datos, poder y educación. Gulson y Witzenberger (2020), en Critical Studies in
Education, examinan cómo las políticas educativas basadas en datos convierten
al docente en un "trabajador de datos" (data worker), cuya autoridad
profesional queda mediada, y en ocasiones subordinada, a las recomendaciones de
sistemas algorítmicos cuyo funcionamiento interno permanece opaco para quien
los usa. Selwyn y Facer (2019), en un editorial de referencia de la revista
Learning, Media and Technology, extienden esta preocupación al concepto de
"capitalismo de la vigilancia" aplicado a la educación, señalando que
buena parte de las plataformas educativas de IA operan bajo modelos de negocio
que monetizan los datos conductuales de estudiantes y docentes, una dimensión
rara vez discutida en la literatura técnica sobre eficacia pedagógica.
Específicamente para el contexto latinoamericano, el
concepto de colonialidad de los datos, desarrollado por Ricaurte (2019) en
Television & New Media, resulta central para este artículo. La autora
sostiene que la extracción masiva de datos por parte de corporaciones
tecnológicas globales reproduce, en el plano epistémico y económico, patrones
estructurales análogos a los de la colonialidad histórica descrita por la
teoría decolonial latinoamericana: los países del Sur Global proveen datos en
bruto -incluyendo datos educativos- que son procesados, refinados y devueltos
como productos de IA diseñados según parámetros de valor definidos en otros
contextos culturales y lingüísticos.
Trasladado al aula ecuatoriana, este argumento invita a
preguntar quién define qué constituye una "buena respuesta" cuando un
estudiante de Quevedo o de Otavalo consulta un modelo de lenguaje entrenado
mayoritariamente con textos producidos en el hemisferio norte.
Un cuarto eje, de naturaleza más jurídica que
epistemológica pero igualmente indispensable para un análisis crítico completo,
es el de la regulación de la IA y su relación con los derechos fundamentales.
Pérez-Ugena (2024), en un análisis publicado en Estudios de Deusto, examina
cómo la ausencia o insuficiencia de marcos regulatorios específicos para la IA
expone a poblaciones vulnerables -entre ellas, de manera destacada, la
población estudiantil menor de edad- a riesgos concretos en materia de protección
de datos personales, derecho a la no discriminación algorítmica y derecho a una
educación no mediada exclusivamente por sistemas automatizados de decisión.
La autora sostiene que la regulación de la IA no debe
entenderse como un freno a la innovación, sino como una condición de
posibilidad para que dicha innovación se despliegue de manera compatible con
los derechos fundamentales de quienes la usan, un argumento que cobra
particular relevancia en sistemas educativos, como el ecuatoriano, donde -según
se documentará más adelante- todavía no existe un marco normativo nacional
específico para el uso de IA en instituciones educativas.
Estos cuatro ejes -brecha digital de habilidades, riesgo
de erosión de la subjetivación, colonialidad de los datos y vacío regulatorio
en materia de derechos- constituyen el andamiaje crítico que este artículo
utiliza para interpretar la evidencia empírica disponible sobre IA en la
educación ecuatoriana, evitando el doble escollo señalado en la introducción:
ni la celebración acrítica de la innovación tecnológica, ni su descalificación
categórica.
1.3 El estado de la cuestión en el contexto educativo
ecuatoriano
La producción académica ecuatoriana sobre IA educativa ha
crecido de manera notable entre 2023 y 2026, coincidiendo con la popularización
de ChatGPT y herramientas similares. Guamán-Inga et al. (2025), en un estudio
publicado en la Revista Multidisciplinar Epistemología de las Ciencias,
documentan que la incorporación de la IA en la formación docente universitaria
ecuatoriana avanza de manera progresiva, impulsada más por iniciativas
institucionales aisladas que por una política nacional articulada, un hallazgo
que anticipa una de las conclusiones centrales de este artículo. En la misma
línea, Rueda Sarango et al. (2026) analizan el uso de la IA como estrategia de
enseñanza-aprendizaje en la educación superior ecuatoriana y reportan una
adopción mayoritariamente instrumental -uso para resumir textos, generar
borradores o resolver dudas puntuales- más que una integración pedagógica
profunda que modifique el diseño curricular.
García-Peña et al. (2020), en uno de los estudios pioneros
sobre el tema en el país, examinan riesgos y oportunidades de la IA
específicamente en entornos educativos rurales, advirtiendo que la
infraestructura de conectividad deficiente en buena parte del territorio
ecuatoriano condiciona de manera determinante cualquier estrategia de
incorporación de IA en el aula, un hallazgo que la literatura posterior no ha
logrado revertir. Jiménez Banchon y Ramírez-Anormaliza (2024) confirman esta
tendencia al estudiar el uso de la IA entre docentes de educación básica
superior, encontrando niveles de adopción heterogéneos fuertemente
correlacionados con la ubicación geográfica y el tipo de institución -fiscal,
fiscomisional o particular- a la que pertenece el docente.
En el nivel de educación superior, Sigüenza Orellana et
al. (2024) desarrollan y validan un cuestionario de percepción docente sobre el
uso de ChatGPT, instrumento que ha sido posteriormente utilizado en estudios
similares en otras universidades del país, y cuyos resultados preliminares
sugieren una actitud docente mayoritariamente favorable pero acompañada de
incertidumbre respecto a los criterios de evaluación académica en un contexto
de uso generalizado de IA generativa por parte del estudiantado.
Pegalajar-Palomino y Rodríguez-Torres (2023), en un
estudio publicado en Frontiers in Education sobre alfabetización digital en
estudiantes ecuatorianos de carreras de educación, encuentran niveles de
competencia digital moderados, con brechas significativas en las dimensiones
más avanzadas de dicha alfabetización -evaluación crítica de fuentes, seguridad
de la información- frente a las dimensiones más básicas de uso instrumental.
Arias Sinchi et al. (2024), en un número monográfico de la
Revista de Educación y Derecho dedicado específicamente a IA y educación
superior, ofrecen quizás el análisis más ambicioso disponible sobre los
desafíos que la IA plantea al sistema educativo ecuatoriano en su conjunto,
articulando dimensiones curriculares, de formación docente y de política
pública, y concluyendo que Ecuador carece todavía de un marco normativo
específico para regular el uso de IA generativa en instituciones educativas, a
diferencia de otros países de la región que ya cuentan con lineamientos
ministeriales al respecto.
Al contrastar este cuerpo de evidencia ecuatoriana con el
panorama internacional sintetizado por Wang et al. (2024) en su revisión
sistemática global, emerge una asimetría que merece ser subrayada: mientras que
la literatura internacional dominante se concentra mayoritariamente en medir la
eficacia pedagógica de sistemas de IA ya maduros y probados en contextos de
alta disponibilidad tecnológica, la literatura ecuatoriana revisada se
encuentra todavía, en su mayoría, en una fase previa y más elemental: documentar
niveles de adopción, percepción y acceso, sin que exista aún un volumen
comparable de estudios que evalúen rigurosamente el impacto de dichas
herramientas sobre resultados de aprendizaje concretos y verificables en el
país. Esta asimetría no es un defecto metodológico de los investigadores
ecuatorianos, sino el reflejo lógico de una etapa de adopción tecnológica
todavía temprana; sin embargo, constituye una limitación real del estado del
arte que este artículo hereda y que resulta importante hacer explícita para
orientar la agenda de investigación futura sobre el tema en el país.
Finalmente, resulta pertinente situar la experiencia
ecuatoriana en el contexto latinoamericano más amplio. Chao-Rebolledo y
Rivera-Navarro (2024) documentan, para el caso mexicano, patrones de adopción
docente sorprendentemente similares a los reportados para Ecuador, sugiriendo
que las tensiones identificadas no son idiosincráticas de un país en particular
sino características estructurales de la incorporación de IA en sistemas
educativos latinoamericanos con recursos limitados. Mosquera-Mosquera et al. (2024),
para Colombia, y Pirela-Espina (2022), en un estudio regional sobre brecha
digital y calidad de la educación universitaria durante la pandemia, refuerzan
esta lectura comparada, mostrando que la pandemia de COVID-19 funcionó como
acelerador simultáneo de la adopción tecnológica y de la visibilización de las
desigualdades preexistentes en el acceso a dicha tecnología.
López y Ramírez (2021), en un análisis de mayor alcance
regional publicado en la Revista de Educación Superior en Iberoamérica, sitúan
estos hallazgos específicos dentro de un diagnóstico más amplio sobre los retos
estructurales que enfrenta la educación superior latinoamericana frente a la
transformación digital, entre los que destacan el subfinanciamiento crónico de
la infraestructura tecnológica universitaria, la alta rotación del personal
docente capacitado en competencias digitales -que erosiona la acumulación
institucional de conocimiento sobre el tema- y la dependencia casi total de la
región de plataformas y modelos de IA desarrollados y alojados fuera de sus
fronteras, con las consiguientes implicaciones en materia de soberanía
tecnológica y de datos. Esta última observación conecta directamente con el
argumento de colonialidad de los datos desarrollado por Ricaurte (2019) y
discutido en el apartado anterior.
Un ángulo complementario, menos explorado en la literatura pedagógica pero relevante para comprender la viabilidad institucional de estas transformaciones, es el de la gestión pública de la transformación digital. Salvador Hernández et al. (2020), aunque centrado originalmente en la administración pública general más que en el sector educativo específicamente, identifican ejes y factores esenciales para una transformación digital institucional exitosa -liderazgo directivo comprometido, marcos normativos habilitantes, capacitación sostenida del talento humano y priorización presupuestaria- que resultan directamente trasladables al análisis de por qué las instituciones educativas ecuatorianas, en su mayoría, no han logrado todavía una incorporación sistemática e institucionalizada de la IA, limitándose a iniciativas aisladas dependientes del interés individual de determinados docentes o autoridades académicas.
MATERIALS AND METHODS
Este estudio adopta un enfoque
cualitativo de tipo documental, basado en el análisis temático deductivo (ATD)
de literatura académica, una estrategia metodológica consistente con la
naturaleza del objeto de estudio -un fenómeno emergente y todavía en consolidación-
y con la tradición de revisión crítica de literatura propia de las ciencias
humanas y sociales. Se optó deliberadamente por esta vía, en lugar de un diseño
empírico primario (encuesta o entrevista), porque el propósito del artículo no
es generar nueva evidencia de campo sino sintetizar, contrastar y reinterpretar
críticamente la evidencia ya publicada sobre IA y educación en Ecuador,
identificando patrones, vacíos y tensiones que la literatura dispersa no
siempre pone en diálogo entre sí.
El proceso de búsqueda se realizó
entre marzo y junio de 2026 en las bases de datos Scopus, Redalyc, SciELO,
Dialnet y Latindex Catálogo 2.0, complementado con búsquedas dirigidas en
Google Scholar para identificar literatura gris relevante -particularmente
trabajos de titulación y actas de congreso- publicada en repositorios
institucionales de universidades ecuatorianas. Los descriptores de búsqueda
combinaron los términos "inteligencia artificial",
"enseñanza-aprendizaje", "educación superior", "brecha
digital" y "Ecuador", en español e inglés, utilizando los
operadores booleanos AND y OR según correspondiera. Se aplicaron los siguientes
criterios de inclusión: (a) artículos publicados en revistas académicas con
proceso de arbitraje por pares, capítulos de libro académico o documentos de
organismos internacionales de reconocida trayectoria (UNESCO, CEPAL); (b)
publicados entre 2020 y 2026 para el corpus empírico y de revisión que sustenta
los hallazgos, admitiéndose un subconjunto reducido de referencias teóricas
fundacionales publicadas entre 2000 y 2019 -en su mayoría marcos conceptuales
clásicos todavía vigentes, como los de Hargittai (2002), Mishra y Koehler
(2006), Biesta (2015) o Ryan y Deci (2000)- cuando su vigencia conceptual lo
justificara; (c) abordar de manera directa la relación entre inteligencia
artificial y procesos educativos, o proveer un marco teórico-crítico
indispensable para interpretar dicha relación; (d) contar con identificador
digital de objeto (DOI) verificable. Se excluyeron blogs, notas de prensa sin
respaldo académico, y documentos cuya autenticidad o indexación no pudo ser
confirmada de manera independiente.
La búsqueda inicial arrojó 187 registros. Tras la eliminación de duplicados y la aplicación de los criterios de inclusión y exclusión mediante lectura de título y resumen, se preseleccionaron 58 documentos, de los cuales 30 fueron finalmente incorporados al corpus definitivo tras una lectura completa orientada a verificar su pertinencia temática y rigor metodológico. El corpus final se compone de: 14 estudios empíricos o de revisión centrados específicamente en el contexto ecuatoriano; 7 estudios comparativos o de otros países latinoamericanos que permiten contextualizar los hallazgos ecuatorianos; y 9 referencias teórico-conceptuales de alcance internacional que sustentan el marco crítico del artículo.
Tabla 1. Proceso
de identificación, cribado y selección del corpus documental (equivalente a un
diagrama de flujo tipo PRISMA).
|
Etapa del proceso de selección |
n |
Excluidos en esta etapa |
Motivo principal de exclusión |
|
Identificación: registros
localizados en Scopus, Redalyc, SciELO, Dialnet, Latindex Catálogo 2.0 y
Google Scholar (marzo-junio de 2026) |
187 |
— |
— |
|
Cribado: título y resumen,
tras eliminación de duplicados |
58 |
129 |
Duplicados; no abordaban IA
y educación de forma directa; tipo de documento no académico o sin arbitraje
por pares; fuera del rango temporal establecido |
|
Elegibilidad: lectura
completa del texto |
30 |
28 |
Pertinencia temática
insuficiente tras lectura completa; rigor metodológico o de reporte
insuficiente; ausencia de DOI verificable |
|
Corpus final incluido en el análisis |
30 |
— |
— |
Respecto a las dos referencias con año de publicación 2026 incluidas en el corpus (Rueda Sarango et al., 2026, y una parte de la literatura gris consultada), se precisa que corresponden a artículos publicados por sus respectivas revistas bajo modalidad de publicación continua (early view / ahead-of-print), cuya existencia y DOI activo fueron verificados individualmente por el autor al cierre de la búsqueda documental, en junio de 2026; no se trata, en ningún caso, de referencias proyectadas o especulativas.
Tabla 2.
Caracterización del corpus documental final (N = 30).
|
N° |
Autor(es) y año |
Revista / fuente |
Ámbito geográfico |
Tipo de fuente |
Nivel educativo |
|
1 |
Arias Sinchi et al. (2024) |
Revista de Educación y
Derecho |
Ecuador |
Análisis normativo |
Educación superior |
|
2 |
Armijos-Saca et al. (2025) |
Ciencia Latina Rev.
Científica Multidisciplinar |
Ecuador (inferido) |
Empírico |
Aula / general |
|
3 |
Baker e Inventado (2014) |
Cap. libro (Springer) |
Internacional |
Teórico-conceptual |
General |
|
4 |
Baltazar (2023) |
Technology Rain Journal |
No especificado |
Teórico-conceptual |
General |
|
5 |
Biesta (2015) |
European Journal of
Education |
Internacional (Europa) |
Teórico |
General |
|
6 |
Cabero-Almenara y
Palacios-Rodríguez (2021) |
RIED |
España |
Empírico |
Educación virtual/superior |
|
7 |
Campos (2021) |
Actualidades Investigativas
en Educación |
Costa Rica / Iberoamérica |
Teórico-conceptual |
Gestión educativa |
|
8 |
Castro-López et al. (2025) |
Tecnología, Ciencia y
Educación |
España |
Empírico |
Educación superior |
|
9 |
Chao-Rebolledo y
Rivera-Navarro (2024) |
Revista Iberoamericana de
Educación |
México |
Empírico |
Educación superior |
|
10 |
Dávila-Rubio y
Castiblanco-Carrasco (2024) |
Revista Sociedad &
Tecnología |
Colombia |
Empírico |
Docentes sector público |
|
11 |
Forero-Corba y Negre (2024) |
RIED |
Internacional |
Revisión sistemática |
General |
|
12 |
García-Peña et al. (2020) |
Dominio de las Ciencias |
Ecuador |
Empírico |
Educación rural |
|
13 |
Guamán-Inga et al. (2025) |
UNESUM-Ciencias |
Ecuador |
Empírico |
Formación docente
universitaria |
|
14 |
Gulson y Witzenberger (2020) |
Critical Studies in
Education |
Internacional (Australia) |
Teórico-crítico |
Política educativa |
|
15 |
Hargittai (2002) |
First Monday |
Internacional (EE.UU.) |
Teórico |
General |
|
16 |
Jiménez Banchon y
Ramírez-Anormaliza (2024) |
Revista Científica
Conectividad |
Ecuador |
Empírico |
Educación básica superior |
|
17 |
López y Ramírez (2021) |
Rev. Educación Superior en
Iberoamérica |
Regional Latinoamérica |
Teórico / análisis |
Educación superior |
|
18 |
Mantilla Miranda et al.
(2025) |
Reincisol |
Ecuador |
Empírico |
Gestión académica / educ.
superior |
|
19 |
Mishra y Koehler (2006) |
Teachers College Record |
Internacional (EE.UU.) |
Teórico (marco TPACK) |
General |
|
20 |
Mosquera-Mosquera et al.
(2024) |
Revista de Tecnología
Educativa |
Colombia |
Empírico |
Rendimiento académico |
|
21 |
Pegalajar-Palomino y
Rodríguez-Torres (2023) |
Frontiers in Education |
Ecuador |
Empírico |
Educación superior (carreras
de educación) |
|
22 |
Pérez-Ugena (2024) |
Estudios de Deusto |
España / Internacional |
Teórico-jurídico |
Regulación |
|
23 |
Pirela-Espina (2022) |
Rev. Electrónica en
Educación y Pedagogía |
Regional Latinoamérica |
Empírico / análisis |
Educación superior |
|
24 |
Ricaurte (2019) |
Television & New Media |
Internacional / regional |
Teórico-crítico |
General |
|
25 |
Rueda Sarango et al. (2026) |
Rev. Científica
Multidisciplinar G-Nerando |
Ecuador |
Empírico |
Educación superior |
|
26 |
Ryan y Deci (2000) |
American Psychologist |
Internacional (EE.UU.) |
Teórico (autodeterminación) |
General |
|
27 |
Salvador Hernández et al.
(2020) |
Avances |
Cuba |
Teórico / análisis |
Administración pública |
|
28 |
Selwyn y Facer (2019) |
Learning, Media and
Technology |
Internacional (RU /
Australia) |
Teórico-crítico |
General |
|
29 |
Sigüenza Orellana et al.
(2024) |
Revista Andina de Educación |
Ecuador |
Empírico (validación
instrumento) |
Educación superior |
|
30 |
Wang et al. (2024) |
Expert Systems with
Applications |
Internacional |
Revisión sistemática |
General |
El análisis del corpus siguió
tres fases. En la primera, se realizó una lectura flotante de la totalidad de
los documentos para familiarización con el material. En la segunda, se procedió
a una codificación temática deductiva, empleando cinco categorías analíticas
definidas a priori a partir del marco teórico expuesto en el apartado anterior:
(1) patrones de adopción y uso de IA en el aula; (2) infraestructura y brecha
de acceso; (3) formación y percepción docente; (4) riesgos éticos y
pedagógicos; y (5) vacíos de política pública y regulación. En la tercera fase,
se realizó una triangulación de los hallazgos de cada categoría entre los
distintos estudios del corpus, identificando coincidencias, contradicciones y
vacíos de evidencia, cuyos resultados se presentan en el siguiente apartado.
Para reforzar la consistencia
interna del proceso de codificación, cada documento del corpus fue leído en su
totalidad -y no únicamente en su resumen- por el autor, registrando en una
matriz de vaciado los extractos textuales relevantes para cada una de las cinco
categorías analíticas, junto con una breve anotación sobre el tipo de evidencia
que dicho extracto aportaba: hallazgo empírico primario, hallazgo de revisión
secundaria, o afirmación de carácter teórico-normativo. Esta distinción resultó
especialmente relevante para evitar un error común en las revisiones
documentales, consistente en presentar como evidencia empírica firme lo que en
realidad son afirmaciones programáticas o aspiracionales de los propios autores
de los estudios revisados. Solamente se reportan como "hallazgos" en
el apartado de resultados aquellas afirmaciones que los estudios originales
respaldan con datos empíricos propios -encuestas, entrevistas, análisis
documentales o estadísticas institucionales-, mientras que las afirmaciones de
carácter más programático se incorporan, cuando resulta pertinente, en el
apartado de discusión, debidamente identificadas como tales.
Es importante señalar, como
límite metodológico explícito, que este diseño documental no permite establecer
relaciones causales ni generalizar estadísticamente a la totalidad del sistema
educativo ecuatoriano; su validez radica, en cambio, en la triangulación
sistemática de un corpus amplio y diverso de evidencia ya validada por pares,
siguiendo una lógica de saturación temática antes que de representatividad
estadística.
RESULTS
3.1 Patrones de adopción y uso de la inteligencia
artificial en el aula
La evidencia revisada converge en
señalar una adopción creciente pero marcadamente heterogénea de herramientas de
IA en las aulas ecuatorianas. Rueda Sarango et al. (2026) y Guamán-Inga et al.
(2025) coinciden en que el uso predominante corresponde a tareas de bajo nivel
de integración pedagógica -generación de resúmenes, borradores de texto y
resolución de ejercicios- mientras que usos de mayor sofisticación pedagógica,
como el diseño de rutas de aprendizaje personalizadas o la retroalimentación
formativa automatizada, permanecen marginales. Armijos-Saca et al. (2025), en
su estudio sobre personalización del aprendizaje con IA, documentan que, si
bien existe entusiasmo docente hacia el potencial personalizador de estas
herramientas, su implementación efectiva tropieza sistemáticamente con la falta
de tiempo institucional dedicado a la planificación de su uso pedagógico, de
modo que la herramienta termina empleándose de manera improvisada más que
estratégica.
Castro-López et al. (2025), en un
análisis publicado en Tecnología, Ciencia y Educación sobre el uso de
herramientas de IA interactiva en el entorno universitario, aportan una
matización relevante a este panorama: encuentran que la frecuencia de uso reportada
por el estudiantado universitario supera de manera consistente a la reportada
por el propio profesorado, un desfase que sugiere una apropiación tecnológica
más rápida por parte de los estudiantes que la capacidad institucional de las
universidades para acompañar pedagógicamente dicha apropiación. Este desfase
entre la velocidad de adopción estudiantil y la velocidad de respuesta
institucional docente constituye, a juicio de los autores, una de las
principales fuentes de tensión en la relación pedagógica contemporánea, en la
medida en que el docente puede percibir que ha perdido el control sobre las
fuentes de información y de elaboración textual que antes monopolizaba en el
aula.
3.2 Infraestructura y brecha de acceso
La brecha de conectividad
continúa siendo, según la totalidad de los estudios revisados que abordan
explícitamente esta dimensión, el principal factor limitante para una adopción
equitativa de la IA educativa en Ecuador. García-Peña et al. (2020) documentan
que las zonas rurales del país presentan limitaciones de conectividad que hacen
inviable, en la práctica, el uso sostenido de herramientas de IA basadas en la
nube. Jiménez Banchon y Ramírez-Anormaliza (2024) cuantifican esta desigualdad
al comparar instituciones fiscales y particulares, encontrando diferencias
sustanciales en el acceso a dispositivos y conectividad de banda ancha que se
traducen directamente en oportunidades desiguales de familiarización con estas
tecnologías. Esta evidencia empírica ecuatoriana es consistente con el marco
conceptual de brecha digital de segundo nivel de Hargittai (2002): incluso en
los casos en que el acceso físico a internet mejora, subsiste una brecha
adicional en las competencias necesarias para un uso crítico y pedagógicamente
productivo de la herramienta, brecha que no se cierra automáticamente con la
sola provisión de infraestructura.
Un aporte comparado relevante
proviene de Dávila-Rubio y Castiblanco-Carrasco (2024), quienes, al estudiar
los factores socioculturales asociados a la brecha digital entre docentes del
sector público en Bogotá, identifican que dicha brecha no depende únicamente de
variables de infraestructura sino también de variables actitudinales y
generacionales -edad, años de experiencia docente y percepción de autoeficacia
tecnológica- que operan de manera independiente al nivel de conectividad
físicamente disponible. Trasladada al contexto ecuatoriano, esta evidencia
sugiere que las estrategias de cierre de brecha digital centradas
exclusivamente en la provisión de infraestructura -ampliación de cobertura de
banda ancha, entrega de dispositivos- son necesarias pero insuficientes si no
van acompañadas de estrategias específicas de acompañamiento actitudinal para
el segmento de docentes con mayor antigüedad en el sistema, quienes según este
y otros estudios del corpus tienden a reportar menores niveles de autoeficacia
percibida frente a las herramientas de IA, independientemente de su nivel de
acceso material a ellas.
3.3 Formación y percepción docente
Los estudios centrados en la
percepción docente ecuatoriana -Sigüenza Orellana et al. (2024),
Pegalajar-Palomino y Rodríguez-Torres (2023)- coinciden en identificar una
actitud predominantemente favorable hacia la IA, pero acompañada de niveles
significativos de incertidumbre respecto a su integración curricular formal. Un
hallazgo recurrente en el corpus es la ausencia de programas sistemáticos de
capacitación docente en IA educativa a nivel institucional: la formación
reportada por los estudios revisados suele ser autodidacta o producto de
iniciativas puntuales de departamentos específicos, más que de una política de
desarrollo profesional docente articulada a nivel de facultad o de universidad.
Mantilla Miranda et al. (2025) documentan avances puntuales en la aplicación de
IA a la gestión académica administrativa, pero advierten que estos avances no
se han traducido todavía en un fortalecimiento equivalente de las competencias
pedagógicas docentes para integrar la IA en el proceso de enseñanza propiamente
dicho, evidenciando una asimetría entre la modernización administrativa y la
transformación pedagógica.
Esta asimetría entre
modernización administrativa y transformación pedagógica reaparece, con
matices, en los hallazgos de Castro-López et al. (2025) reseñados en el
apartado anterior: las universidades logran, con relativa rapidez, incorporar
la IA a sus procesos de gestión -matriculación, seguimiento académico,
generación de reportes-, precisamente porque dichos procesos admiten una
automatización relativamente directa y de bajo riesgo pedagógico. En cambio, la
incorporación de la IA al núcleo mismo de la relación pedagógica -el diseño
didáctico, la evaluación formativa, la retroalimentación individualizada-
avanza con mayor lentitud, no por falta de herramientas disponibles en el
mercado, sino por la ausencia de las competencias docentes específicas, identificadas
también por Sigüenza Orellana et al. (2024), necesarias para integrarlas de
manera pedagógicamente significativa y no meramente decorativa.
3.4 Riesgos éticos y pedagógicos percibidos
La literatura revisada identifica
de manera consistente cuatro riesgos principales asociados al uso de IA
generativa en el aula: la erosión de habilidades de pensamiento crítico y
escritura autónoma; la dificultad para distinguir trabajo académico genuino de
contenido generado por IA, con las consiguientes tensiones sobre integridad
académica; el reforzamiento de sesgos presentes en los datos de entrenamiento
de los modelos, particularmente relevantes en contenidos vinculados a la
diversidad cultural y lingüística del Ecuador; y la protección de datos
personales de estudiantes menores de edad al interactuar con plataformas de IA
cuyos términos de servicio rara vez han sido diseñados considerando el marco
legal ecuatoriano de protección de datos. Cabero-Almenara y Palacios-Rodríguez
(2021) anticipan, desde el campo de la evaluación virtual, que la
automatización de procesos evaluativos puede intensificar sesgos evaluativos
preexistentes en lugar de corregirlos, una preocupación que la literatura más
reciente sobre IA generativa confirma y amplía.
3.5 Vacíos de política pública y regulación
Arias Sinchi et al. (2024)
ofrecen el diagnóstico más explícito disponible sobre este punto: Ecuador
carece, a la fecha de esta revisión, de un marco normativo nacional específico
para regular el uso de inteligencia artificial en instituciones educativas,
situación que contrasta con avances regulatorios observados en otros países de
la región. Esta ausencia normativa se traduce, en la práctica, en que cada
institución de educación superior o cada distrito educativo define de manera
autónoma -y frecuentemente informal- sus propios criterios de uso aceptable de
IA generativa, generando una fragmentación regulatoria que dificulta tanto la
protección de derechos estudiantiles como el aprovechamiento pedagógico
sistemático de estas herramientas.
4. Análisis y discusión de los resultados
Los resultados presentados
permiten una lectura que trasciende la mera descripción del estado de adopción
tecnológica y que, articulada con el marco crítico expuesto en los fundamentos
teóricos, revela una tensión estructural en el corazón de la incorporación de
la IA en la educación ecuatoriana. Por un lado, existe un discurso
institucional y mediático que presenta la IA como una herramienta
inherentemente democratizadora, capaz de personalizar el aprendizaje y
compensar las limitaciones de sistemas educativos con recursos escasos. Por
otro lado, la evidencia empírica sistematizada en este artículo muestra que
dicha promesa democratizadora se realiza de manera muy desigual, y que la
propia IA, lejos de compensar automáticamente las desigualdades preexistentes,
tiende en la práctica a reproducirlas o incluso a profundizarlas cuando su
implementación no va acompañada de políticas explícitas de equidad.
Esta tensión puede leerse
productivamente a través del concepto de brecha digital de segundo nivel de
Hargittai (2002). Los hallazgos de García-Peña et al. (2020) y Jiménez Banchon
y Ramírez-Anormaliza (2024) confirman empíricamente, para el caso ecuatoriano,
que la brecha de acceso a infraestructura de conectividad -brecha de primer
nivel- continúa siendo determinante, pero que incluso allí donde dicha brecha
se cierra parcialmente, emerge la brecha de habilidades: los docentes y
estudiantes con mayor capital digital previo -generalmente concentrados en
zonas urbanas y en instituciones particulares- logran una apropiación
pedagógicamente más rica de las herramientas de IA, mientras que quienes
carecen de dicho capital tienden a un uso más instrumental y superficial,
cuando no a la exclusión total. En otras palabras, la IA educativa no es un
ecualizador automático de oportunidades; es, más bien, un amplificador de las
capacidades y recursos previos de quien la utiliza, un hallazgo consistente con
la literatura internacional sobre tecnología educativa que antecede a la propia
IA generativa.
La segunda tensión relevante
conecta los hallazgos sobre riesgos éticos y pedagógicos con la advertencia de
Biesta (2015) sobre la función de subjetivación de la educación. Los estudios
revisados que documentan preocupación docente por la erosión de habilidades de
escritura autónoma y pensamiento crítico entre el estudiantado -una
preocupación transversal en el corpus analizado- pueden interpretarse no
meramente como un problema técnico de integridad académica, sino como la
manifestación empírica de una tensión filosófica más profunda: la educación, en
su función de cualificación, puede beneficiarse de la IA como herramienta de
eficiencia; pero en su función de subjetivación -formar sujetos capaces de
pensar de manera autónoma y crítica- la delegación acrítica en sistemas de IA
generativa introduce un riesgo genuino que la sola regulación técnica del
plagio no logra capturar en toda su complejidad. Este es, precisamente, el tipo
de pregunta que una revista de pensamiento crítico está mejor posicionada para
formular que una revista estrictamente técnica de informática educativa.
La tercera tensión, quizás la
menos explorada por la literatura ecuatoriana revisada pero la más relevante
desde una perspectiva de pensamiento crítico latinoamericano, es la de la
colonialidad algorítmica señalada por Ricaurte (2019). Ninguno de los 14 estudios
ecuatorianos incluidos en el corpus analiza de manera explícita hasta qué punto
los modelos de IA generativa utilizados en las aulas del país -mayoritariamente
desarrollados por corporaciones tecnológicas del hemisferio norte y entrenados
con corpus predominantemente en inglés y en variedades del español no
ecuatorianas- incorporan sesgos culturales, lingüísticos o epistémicos que
puedan resultar poco pertinentes, o directamente distorsionantes, para la
realidad educativa local. Esta ausencia constituye, en sí misma, un hallazgo
relevante de esta revisión: la discusión pública y académica ecuatoriana sobre
IA educativa se ha concentrado predominantemente en dimensiones de acceso, uso
y percepción, pero apenas ha comenzado a formular la pregunta -más incómoda,
pero necesaria- sobre la pertinencia cultural y epistémica de las respuestas
que estos sistemas producen para estudiantes ecuatorianos, incluyendo a las
poblaciones indígenas y afroecuatorianas cuyos marcos de conocimiento rara vez
están representados de manera significativa en los corpus de entrenamiento de
los modelos disponibles comercialmente.
Finalmente, el vacío regulatorio
documentado por Arias Sinchi et al. (2024) no debe interpretarse como una mera
laguna administrativa, sino como el correlato institucional de las dos
tensiones anteriores: en ausencia de un marco normativo nacional que establezca
criterios explícitos de equidad, pertinencia cultural y protección de derechos,
la incorporación de la IA en la educación ecuatoriana queda librada a las
decisiones fragmentadas de instituciones individuales, muchas de las cuales
carecen de la capacidad técnica y de los recursos para evaluar críticamente las
herramientas que adoptan. Esta fragmentación regulatoria es, en última
instancia, la que permite que la brecha de habilidades y la colonialidad
algorítmica operen sin contrapeso institucional suficiente. La observación de
Pérez-Ugena (2024) sobre la regulación como condición de posibilidad -y no como
obstáculo- para una innovación tecnológica compatible con los derechos
fundamentales cobra, a la luz de esta evidencia, una vigencia particular para
el caso ecuatoriano: el vacío normativo no es una situación de neutralidad
regulatoria, sino una decisión de facto que traslada a cada institución, y en
última instancia a cada docente individual, una responsabilidad de evaluación
ética y pedagógica para la que rara vez cuenta con formación específica, como
se documentó en el apartado 3.3.
Al integrar estas cuatro líneas
de análisis -brecha de habilidades, riesgo de erosión de la subjetivación,
colonialidad algorítmica y vacío regulatorio-, emerge una lectura de conjunto
que este artículo propone como su principal aporte interpretativo: la
incorporación de la IA en la educación ecuatoriana no puede entenderse
adecuadamente como un problema de "brecha tecnológica" en sentido
estrecho -esto es, como un déficit de dispositivos, conectividad o capacitación
instrumental que bastaría con subsanar mediante inversión en infraestructura-,
sino como un problema de gobernanza epistémica: la pregunta de fondo no es
solamente cuánta IA se usa en las aulas ecuatorianas, sino quién decide los
términos de esa incorporación, con qué salvaguardas, y en beneficio de qué
proyecto educativo y de qué actores. Formulada en estos términos, la discusión
sobre IA educativa en Ecuador deja de ser un asunto exclusivamente
técnico-pedagógico para convertirse en lo que, desde la perspectiva de esta
revista, propiamente es: una cuestión de pensamiento crítico aplicado a la
organización social del conocimiento en la era algorítmica.
.
CONCLUSIONS
Este artículo ha revisado
sistemáticamente 30 fuentes académicas para caracterizar el estado de la
incorporación de la inteligencia artificial en el proceso de
enseñanza-aprendizaje en Ecuador, articulando dicha caracterización con un
marco crítico proveniente de la filosofía de la educación, los estudios sobre
brecha digital y la teoría decolonial latinoamericana. Los hallazgos permiten
sostener tres conclusiones principales.
En primer lugar, la adopción de
IA en las aulas ecuatorianas es real y creciente, pero profundamente desigual:
concentrada en zonas urbanas, en instituciones particulares y en docentes con
mayor capital digital previo, mientras amplios sectores del sistema educativo
-particularmente en zonas rurales- permanecen al margen de esta transformación
por limitaciones de infraestructura que la sola disponibilidad de herramientas
de IA no puede resolver. En segundo lugar, la formación docente en IA educativa
sigue siendo predominantemente autodidacta y fragmentada, en ausencia de
políticas institucionales sistemáticas de desarrollo profesional, lo que limita
el tránsito de un uso meramente instrumental de estas herramientas hacia una
integración pedagógica que aproveche su potencial transformador sin comprometer
la función formativa de la educación. En tercer lugar, y quizás lo más
relevante desde la perspectiva de esta revista, la discusión ecuatoriana sobre
IA educativa ha comenzado apenas a formular las preguntas de fondo sobre
colonialidad algorítmica, pertinencia cultural y riesgo de erosión del
pensamiento autónomo del estudiante, preguntas que trascienden la dimensión
técnica de acceso y uso y que resultan indispensables para una apropiación verdaderamente
crítica -y no meramente adaptativa- de estas tecnologías.
De estos hallazgos se derivan
implicaciones concretas para la política educativa ecuatoriana. Resulta
necesario, primero, avanzar hacia un marco normativo nacional que establezca
criterios mínimos de uso ético y pedagógicamente pertinente de la IA generativa
en instituciones educativas, superando la actual fragmentación institucional.
Segundo, cualquier estrategia de incorporación de IA que aspire a ser
equitativa debe ir acompañada de inversión sostenida en infraestructura de
conectividad rural, sin la cual las herramientas más sofisticadas de
personalización del aprendizaje permanecerán inaccesibles para una parte
significativa de la población estudiantil ecuatoriana. Tercero, la formación
docente en competencias de IA debe trascender el nivel instrumental para
incorporar explícitamente una dimensión de alfabetización crítica, que permita
a los docentes -y, a través de ellos, a sus estudiantes- comprender no solo
cómo usar estas herramientas sino también cómo cuestionar sus sesgos, sus
límites epistémicos y las relaciones de poder que las atraviesan.
Como toda revisión documental, este trabajo tiene límites que abren líneas de investigación futura. La ausencia de datos primarios impide cuantificar con precisión la magnitud de las brechas identificadas; futuros estudios de campo, particularmente de diseño mixto, podrían complementar esta revisión con evidencia cuantitativa robusta sobre patrones de adopción diferenciados por región y tipo de institución. De manera más urgente, la práctica ausencia de estudios ecuatorianos sobre pertinencia cultural y epistémica de los modelos de IA generativa constituye una agenda de investigación pendiente y necesaria, que esta revisión no puede saldar pero que aspira a haber contribuido a visibilizar. En última instancia, la pregunta que este artículo propone para el debate educativo ecuatoriano no es si la inteligencia artificial debe o no incorporarse al aula -un debate en gran medida superado por los hechos- sino en qué términos, bajo qué salvaguardas y al servicio de qué proyecto educativo dicha incorporación habrá de realizarse.
REFERENCES
Arias Sinchi, M., Loaiza Sánchez, K., Fontaines-Ruiz,
T., y Apolo Buenaño, D. (2024). Inteligencia artificial y transformación
social: desafíos para el sistema educativo en Ecuador. Revista de Educación y
Derecho, (2-Extraordinario), 304-330. https://doi.org/10.1344/REYD2024.2-Extraordinario.49191
Armijos-Saca, R. A., Gutiérres-Vargas, M. M.,
Crespo-Gordillo, B. Z., Espinoza-Agila, L. E., y Púa-Pilay, J. E. (2025). La
Inteligencia Artificial (IA) en la Personalización del Aprendizaje en el Aula.
Ciencia Latina Revista Científica Multidisciplinar, 9(1), 7590-7601.
https://doi.org/10.37811/cl_rcm.v9i1.16427
Baker, R., y Inventado, P. (2014). Educational data mining and learning analytics.
En J. A. Larusson y B. White (Eds.), Learning analytics: From research to
practice (pp. 61-75). Springer.
https://doi.org/10.1007/978-1-4614-3305-7_4
Baltazar, C. (2023). Herramientas de IA aplicables a
la Educación. Technology Rain
Journal, 2(2), 1-14. https://doi.org/10.55204/trj.v2i2.e15
Biesta,
G. (2015). What is education for? European Journal of Education, 50(1), 75-87.
https://doi.org/10.1111/ejed.12109
Cabero-Almenara, J., y Palacios-Rodríguez, A. (2021).
La evaluación de la educación virtual: Las e-actividades. RIED. Revista
Iberoamericana de Educación a Distancia, 24(2), 169-188.
https://doi.org/10.5944/ried.24.2.28994
Campos, R. (2021). Modelos de integración de la
tecnología en la educación de personas que desempeñan funciones ejecutivas y de
dirección: el TPACK y el SAMR. Actualidades Investigativas en Educación, 21(1),
1-27. https://doi.org/10.15517/aie.v21i1.42411
Castro-López, A., Cervero, A., y Álvarez-Blanco, L.
(2025). Análisis sobre el uso de las herramientas de inteligencia artificial
interactiva en el entorno universitario. Tecnología, Ciencia y Educación, 30,
37-66. https://doi.org/10.51302/tce.2025.22219
Chao-Rebolledo, C., y Rivera-Navarro, M. (2024). Usos
y percepciones de herramientas de inteligencia artificial en la educación
superior en México. Revista Iberoamericana de Educación, 95(1), 57-72.
https://doi.org/10.35362/rie9516259
Dávila-Rubio, C. A., y Castiblanco-Carrasco, R. A.
(2024). Factores socioculturales asociados a la brecha digital en docentes del
sector público en Bogotá. Revista Sociedad & Tecnología, 7(1), 1-17.
https://doi.org/10.51247/st.v7i1.401
Forero-Corba, W., y Negre, F. (2024). Techniques and applications of
machine learning and artificial intelligence in education: A systematic review.
RIED. Revista Iberoamericana de Educación a Distancia, 27(1), 209-237.
https://doi.org/10.5944/ried.27.1.37491
García-Peña, V. R., Mora-Marcillo, A. B., y
Ávila-Ramírez, J. A. (2020). La inteligencia artificial en la educación:
Riesgos y oportunidades en entornos rurales. Dominio de las Ciencias, 6(3),
648-666. https://doi.org/10.23857/dc.v6i3.1421
Guamán-Inga, L. E., Quezada-Ureña, S. E.,
López-Fernández, R., y Gómez-Rodríguez, V. G. (2025). La inteligencia
artificial como recurso didáctico en la formación docente universitaria en
Ecuador. UNESUM-Ciencias. Revista Científica Multidisciplinaria, 9(3), 281-292.
https://doi.org/10.47230/unesum-ciencias.v9.n3.2025.281-292
Gulson,
K. N., y Witzenberger, K. (2020). Education policy,
data and artificial intelligence: Casting the teacher as a data worker.
Critical Studies in Education, 63(1), 1-17.
https://doi.org/10.1080/17508487.2020.1839032
Hargittai,
E. (2002). Second-level digital divide: Differences in people's online skills. First
Monday, 7(4). https://doi.org/10.5210/fm.v7i4.942
Jiménez Banchon, A., y Ramírez-Anormaliza, R. (2024).
Uso de la inteligencia artificial entre profesores de educación básica superior
en Ecuador. Revista Científica Conectividad, 5(3), 30-43.
https://doi.org/10.37431/conectividad.v5i3.148
López, M., y Ramírez, J. (2021). Retos de la educación
superior en América Latina frente a la transformación digital. Revista de
Educación Superior en Iberoamérica, 12(1), 45-63.
https://doi.org/10.36845/resi.v12i1.322
Mantilla Miranda, L. E., Astudillo Yaguana, X. V.,
Figueroa Ruiz, H. O., y Ernesto Escobar, E. (2025). Aplicación de inteligencia
artificial en la administración y gestión académica para reforzar la
institucionalidad en la educación superior: Avances y transformaciones
digitales. Reincisol, 4(7), 3183-3201.
https://doi.org/10.59282/reincisol.V4(7)3183-3201
Mishra, P., y Koehler, M. J. (2006). Technological pedagogical content knowledge: A
framework for teacher knowledge. Teachers College Record, 108(6),
1017-1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
Mosquera-Mosquera, J. C., Suárez-Martínez, L., y
Aguilera-Vargas, N. (2024). Brecha digital y rendimiento académico durante la
pandemia: El caso de Colombia. Revista de Tecnología Educativa, 29(2), 104-117.
https://doi.org/10.2425/rte.v29i2.456
Pegalajar-Palomino, M. C., y Rodríguez-Torres, Á. F.
(2023). Digital literacy in
university students of education degrees in Ecuador. Frontiers in Education, 8,
1299059. https://doi.org/10.3389/feduc.2023.1299059
Pérez-Ugena, M. (2024). La inteligencia artificial:
Definición, regulación y riesgos para los derechos fundamentales. Estudios de
Deusto, 72(1). https://doi.org/10.18543/ed.3108
Pirela-Espina, W. (2022). Brecha digital y calidad de
la educación universitaria Latinoamérica durante el Covid-19. Revista
Electrónica en Educación y Pedagogía, 6(11), 43-57.
https://doi.org/10.15658/rev.electron.educ.pedagog22.11061104
Ricaurte,
P. (2019). Data epistemologies, the coloniality of power, and resistance. Television
& New Media, 20(4), 350-365. https://doi.org/10.1177/1527476419831640
Rueda Sarango, L. de F., Patiño Calderón, Y. S.,
Alvarado Jaramillo, E. del C., Manchay Reyes, G. J., y Morocho Pasaca, V. A.
(2026). Uso de la Inteligencia Artificial como Estrategia de
Enseñanza-Aprendizaje en la Educación Superior en Ecuador. Revista Científica
Multidisciplinar G-Nerando, 7(1), 4089-4103.
https://doi.org/10.66473/rcmg.v7i1.1086
Ryan, R. M., y Deci, E. L. (2000). Self-determination theory and the facilitation
of intrinsic motivation, social development, and well-being. American
Psychologist, 55(1), 68-78. https://doi.org/10.1037/0003-066X.55.1.68
Salvador Hernández, Y., Llanes Font, M., y Suárez
Benítez, M. Á. (2020). Transformación digital en la administración pública:
ejes y factores esenciales. Avances, 22(4), 14-23.
https://doi.org/10.1016/j.avanc.2020.09.009
Selwyn, N., y Facer, K. (2019). Learning, media and technology in an age of
surveillance capitalism. Learning, Media and Technology, 44(1), 1-6.
https://doi.org/10.1080/17439884.2019.1573832
Sigüenza Orellana, J., Andrade Cordero, C., y
Chitacapa Espinoza, J. (2024). Validación del cuestionario para docentes:
Percepción sobre el uso de ChatGPT en la educación superior. Revista Andina de
Educación, 8(1), 000816. https://doi.org/10.32719/26312816.2024.8.1.6
Wang, S., Wang, F., Zhu, Z., Wang, J., Tran, T., y Du,
Z. (2024). Artificial
intelligence in education: A systematic literature review. Expert Systems with
Applications, 252, 124167. https://doi.org/10.1016/j.eswa.2024.124167