INTELIGENCIA ARTIFICIAL GENERATIVA
(IA GEN) EN LA TRANSFORMACIÓN DIGITAL
DE LA EDUCACIÓN SUPERIOR UNA REVISIÓN
SISTEMÁTICA DE LITERATURA
GENERATIVE ARTIFICIAL INTELLIGENCE (GENAI)
IN THE DIGITAL TRANSFORMATION OF HIGHER
EDUCATION: A SYSTEMATIC LITERATURE REVIEW
Mg. Mario Rafael Quiroz Martinez
Universidad Tecnológica del Perú, Perú
pág. 6339
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17370
Inteligencia Artificial Generativa (IA Gen) en la Transformación Digital de
la Educación Superior una Revisión Sistemática de Literatura
Mg. Mario Rafael Quiroz Martinez1
c12139@utp.edu.pe
https://orcid.org/0000-0001-6266-7132
Universidad Tecnológica del Perú
Perú
RESUMEN
Esta revisión sistemática de la literatura analiza el impacto de la inteligencia artificial generativa (IA
Gen) en la transformación digital de la educación superior. Se utilizaron los lineamientos PRISMA para
garantizar un proceso riguroso, transparente y replicable. La búsqueda se realizó en Scopus, ProQuest,
Science Direct y EBSCO, considerando estudios publicados entre 2019 y 2024. Se seleccionaron 129
investigaciones, en su mayoría empíricas, que abordan el uso de la IA Gen en la personalización del
aprendizaje, la eficiencia educativa, la innovación pedagógica y los desafíos éticos. Los resultados
evidencian que la IA Gen tiene un alto potencial para personalizar la enseñanza, automatizar tareas
administrativas, generar contenidos y mejorar los procesos de evaluación. Entre los avances más
relevantes se encuentran los sistemas de aprendizaje adaptativo, la retroalimentación individualizada y
las plataformas interactivas. Sin embargo, también emergen preocupaciones éticas como la privacidad
de los datos, el sesgo algorítmico, la dependencia tecnológica y la propiedad intelectual. Se concluye
que la implementación efectiva de la IA Gen requiere una planificación estratégica, reflexión crítica y
compromiso ético. Además, se recomienda desarrollar marcos regulatorios, capacitar al profesorado y
mantener un enfoque centrado en el estudiante para maximizar sus beneficios en la educación superior.
Palabras clave: ia generativa, educación superior, personalización del aprendizaje, ética digital,
transformación educativa
1 Autor principal.
Correspondencia: c12139@utp.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v9i2.17370
Inteligencia Artificial Generativa (IA Gen) en la Transformación Digital de
la Educación Superior una Revisión Sistemática de Literatura
Mg. Mario Rafael Quiroz Martinez1
c12139@utp.edu.pe
https://orcid.org/0000-0001-6266-7132
Universidad Tecnológica del Perú
Perú
RESUMEN
Esta revisión sistemática de la literatura analiza el impacto de la inteligencia artificial generativa (IA
Gen) en la transformación digital de la educación superior. Se utilizaron los lineamientos PRISMA para
garantizar un proceso riguroso, transparente y replicable. La búsqueda se realizó en Scopus, ProQuest,
Science Direct y EBSCO, considerando estudios publicados entre 2019 y 2024. Se seleccionaron 129
investigaciones, en su mayoría empíricas, que abordan el uso de la IA Gen en la personalización del
aprendizaje, la eficiencia educativa, la innovación pedagógica y los desafíos éticos. Los resultados
evidencian que la IA Gen tiene un alto potencial para personalizar la enseñanza, automatizar tareas
administrativas, generar contenidos y mejorar los procesos de evaluación. Entre los avances más
relevantes se encuentran los sistemas de aprendizaje adaptativo, la retroalimentación individualizada y
las plataformas interactivas. Sin embargo, también emergen preocupaciones éticas como la privacidad
de los datos, el sesgo algorítmico, la dependencia tecnológica y la propiedad intelectual. Se concluye
que la implementación efectiva de la IA Gen requiere una planificación estratégica, reflexión crítica y
compromiso ético. Además, se recomienda desarrollar marcos regulatorios, capacitar al profesorado y
mantener un enfoque centrado en el estudiante para maximizar sus beneficios en la educación superior.
Palabras clave: ia generativa, educación superior, personalización del aprendizaje, ética digital,
transformación educativa
1 Autor principal.
Correspondencia: c12139@utp.edu.pe
pág. 6340
Generative Artificial Intelligence (GenAI) in the Digital Transformation of
Higher Education: A Systematic Literature Review
ABSTRACT
This systematic literature review analyzes the impact of generative artificial intelligence (GenAI) on
the digital transformation of higher education. The PRISMA guidelines were applied to ensure a
rigorous, transparent, and replicable process. The search was conducted in Scopus, ProQuest, Science
Direct, and EBSCO, considering studies published between 2019 and 2024. A total of 129 studies,
mostly empirical, were selected, focusing on the use of GenAI in learning personalization, educational
efficiency, pedagogical innovation, and ethical challenges. The findings highlight the high potential of
GenAI to personalize teaching, automate administrative tasks, generate content, and enhance
assessment processes. Key advancements include adaptive learning systems, individualized feedback,
and interactive platforms. However, significant ethical concerns also emerge, such as data privacy,
algorithmic bias, technological dependency, and intellectual property. The review concludes that the
effective implementation of GenAI requires strategic planning, critical reflection, and strong ethical
commitment. It is also recommended to develop regulatory frameworks, provide continuous teacher
training, and maintain a student-centered approach in order to maximize the benefits of GenAI in higher
education.
Keywords: generative AI, higher education, learning personalization, digital ethics, educational
transformation
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
Generative Artificial Intelligence (GenAI) in the Digital Transformation of
Higher Education: A Systematic Literature Review
ABSTRACT
This systematic literature review analyzes the impact of generative artificial intelligence (GenAI) on
the digital transformation of higher education. The PRISMA guidelines were applied to ensure a
rigorous, transparent, and replicable process. The search was conducted in Scopus, ProQuest, Science
Direct, and EBSCO, considering studies published between 2019 and 2024. A total of 129 studies,
mostly empirical, were selected, focusing on the use of GenAI in learning personalization, educational
efficiency, pedagogical innovation, and ethical challenges. The findings highlight the high potential of
GenAI to personalize teaching, automate administrative tasks, generate content, and enhance
assessment processes. Key advancements include adaptive learning systems, individualized feedback,
and interactive platforms. However, significant ethical concerns also emerge, such as data privacy,
algorithmic bias, technological dependency, and intellectual property. The review concludes that the
effective implementation of GenAI requires strategic planning, critical reflection, and strong ethical
commitment. It is also recommended to develop regulatory frameworks, provide continuous teacher
training, and maintain a student-centered approach in order to maximize the benefits of GenAI in higher
education.
Keywords: generative AI, higher education, learning personalization, digital ethics, educational
transformation
Artículo recibido 20 marzo 2025
Aceptado para publicación: 15 abril 2025
pág. 6341
INTRODUCCIÓN
La educación superior está experimentando una profunda transformación digital impulsada por la
inteligencia artificial generativa (IA Gen), una tecnología basada en modelos de aprendizaje profundo
que está redefiniendo los paradigmas educativos. Su capacidad para automatizar la generación de
contenido y personalizar el aprendizaje está revolucionando la enseñanza superior (Alfredo et al., 2024;
Dakakni & Safa, 2023). Los estudios destacan su impacto en la optimización de la gestión académica,
la mejora de la equidad y la eficiencia educativa (Bhutoria, 2022; Dolenc & Brumen, 2024; Du et al.,
2024), así como su potencial para fomentar el aprendizaje autónomo y adaptar los currículos a las
necesidades individuales (Dai et al., 2024; Farhood et al., 2024).
Investigaciones recientes demuestran que la IA Gen puede aumentar la retención del conocimiento en
un 25% y reducir el tiempo de aprendizaje en un 30% en comparación con métodos tradicionales
(Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024; Khosravi et al., 2023). Además, facilita la
automatización de tareas docentes y administrativas, como la corrección de evaluaciones y la creación
de materiales educativos, lo que alivia la carga laboral del profesorado y optimiza la gestión
institucional (Al-Shabandar et al., 2024; Foung et al., 2024; Hadzhikoleva et al., 2024). Sin embargo,
su integración no está exenta de desafíos. Entre ellos destacan preocupaciones sobre privacidad de
datos, sesgos algorítmicos y dependencia tecnológica (Fu & Weng, 2024; Idowu et al., 2024).
Asimismo, la creciente sofisticación de estos modelos exige regulaciones que garanticen la autoría de
los contenidos y la fiabilidad de la información (Gruenhagen et al., 2024; Jin et al., 2024a) requiriéndose
un marco normativo que promueva un acceso responsable (Dakakni & Safa, 2023; Memarian & Doleck,
2023).
La pandemia de COVID-19 aceleró la digitalización de la educación superior, obligando a las
instituciones a adoptar soluciones innovadoras para garantizar la continuidad del aprendizaje (Liu et al.,
2023; Markauskaite et al., 2022). En este contexto, la IA Gen emergió como una herramienta clave para
personalizar el aprendizaje y mejorar la gestión educativa (Moorhouse, 2024; Nedungadi et al., 2024).
Su integración ha transformado los modelos pedagógicos y administrativos, generando debates sobre
equidad, ética e integridad académica (Lünich et al., 2024; Memarian & Doleck, 2023).
INTRODUCCIÓN
La educación superior está experimentando una profunda transformación digital impulsada por la
inteligencia artificial generativa (IA Gen), una tecnología basada en modelos de aprendizaje profundo
que está redefiniendo los paradigmas educativos. Su capacidad para automatizar la generación de
contenido y personalizar el aprendizaje está revolucionando la enseñanza superior (Alfredo et al., 2024;
Dakakni & Safa, 2023). Los estudios destacan su impacto en la optimización de la gestión académica,
la mejora de la equidad y la eficiencia educativa (Bhutoria, 2022; Dolenc & Brumen, 2024; Du et al.,
2024), así como su potencial para fomentar el aprendizaje autónomo y adaptar los currículos a las
necesidades individuales (Dai et al., 2024; Farhood et al., 2024).
Investigaciones recientes demuestran que la IA Gen puede aumentar la retención del conocimiento en
un 25% y reducir el tiempo de aprendizaje en un 30% en comparación con métodos tradicionales
(Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024; Khosravi et al., 2023). Además, facilita la
automatización de tareas docentes y administrativas, como la corrección de evaluaciones y la creación
de materiales educativos, lo que alivia la carga laboral del profesorado y optimiza la gestión
institucional (Al-Shabandar et al., 2024; Foung et al., 2024; Hadzhikoleva et al., 2024). Sin embargo,
su integración no está exenta de desafíos. Entre ellos destacan preocupaciones sobre privacidad de
datos, sesgos algorítmicos y dependencia tecnológica (Fu & Weng, 2024; Idowu et al., 2024).
Asimismo, la creciente sofisticación de estos modelos exige regulaciones que garanticen la autoría de
los contenidos y la fiabilidad de la información (Gruenhagen et al., 2024; Jin et al., 2024a) requiriéndose
un marco normativo que promueva un acceso responsable (Dakakni & Safa, 2023; Memarian & Doleck,
2023).
La pandemia de COVID-19 aceleró la digitalización de la educación superior, obligando a las
instituciones a adoptar soluciones innovadoras para garantizar la continuidad del aprendizaje (Liu et al.,
2023; Markauskaite et al., 2022). En este contexto, la IA Gen emergió como una herramienta clave para
personalizar el aprendizaje y mejorar la gestión educativa (Moorhouse, 2024; Nedungadi et al., 2024).
Su integración ha transformado los modelos pedagógicos y administrativos, generando debates sobre
equidad, ética e integridad académica (Lünich et al., 2024; Memarian & Doleck, 2023).
pág. 6342
A medida que su uso se expande, resulta fundamental establecer regulaciones que equilibren la
innovación con principios de equidad y sostenibilidad (Ma et al., 2024; Mezak Matijevic et al., 2024).
No obstante, la adopción de la IA Gen en la educación superior enfrenta desafíos críticos. Persisten
vacíos en la evaluación de su impacto a largo plazo en la equidad educativa, su efectividad frente a
métodos tradicionales y la implementación de regulaciones para mitigar riesgos éticos (Memarian &
Doleck, 2023). Problemas como la privacidad de datos y los sesgos algorítmicos siguen siendo
preocupaciones centrales, ya que la falta de transparencia en su manejo podría erosionar la confianza
en estas tecnologías (Idowu et al., 2024; Jin et al., 2024a). Además, el uso intensivo de chatbots y tutores
inteligentes plantea interrogantes sobre la autonomía estudiantil y el desarrollo de habilidades críticas
(Guan et al., 2024; Hsu & Silalahi, 2024).
Esta investigación se propone tres objetivos principales: (1) identificar marcos normativos y principios
éticos para la regulación de la IA Gen en educación superior, (2) analizar su impacto en la
personalización del aprendizaje y la equidad educativa, y (3) evaluar los desafíos técnicos y
administrativos que limitan su implementación en distintos contextos (Hadzhikoleva et al., 2024; Jiang
et al., 2024). El cumplimiento de estos objetivos permitirá generar un marco de referencia para una
adopción regulada y equitativa, fomentando políticas que garanticen un uso transparente y responsable
de la IA en la educación superior (Hossain, Sohag, Hasan, Ahmed, & Islam, 2024; Kizilcec et al., 2024).
Un enfoque ético y regulado en la implementación de la IA Gen no solo democratizaría el acceso a la
educación, sino que también reduciría desigualdades y fortalecería la equidad digital en un mercado
laboral en constante evolución (Boustani et al., 2024; Yuwono et al., 2024)
En conclusión, mientras la IA Gen ofrece oportunidades transformadoras para la educación superior, su
implementación debe abordarse con precaución, asegurando que los beneficios educativos no se vean
opacados por riesgos éticos y técnicos. La colaboración entre instituciones educativas, legisladores y
desarrolladores de tecnología será clave para maximizar su potencial de manera responsable.
METODOLOGÍA
Este estudio analiza el impacto de la inteligencia artificial generativa (IA Gen) en la educación superior
mediante la metodología PRISMA (Page et al., 2021), garantizando transparencia y rigor científico.
A medida que su uso se expande, resulta fundamental establecer regulaciones que equilibren la
innovación con principios de equidad y sostenibilidad (Ma et al., 2024; Mezak Matijevic et al., 2024).
No obstante, la adopción de la IA Gen en la educación superior enfrenta desafíos críticos. Persisten
vacíos en la evaluación de su impacto a largo plazo en la equidad educativa, su efectividad frente a
métodos tradicionales y la implementación de regulaciones para mitigar riesgos éticos (Memarian &
Doleck, 2023). Problemas como la privacidad de datos y los sesgos algorítmicos siguen siendo
preocupaciones centrales, ya que la falta de transparencia en su manejo podría erosionar la confianza
en estas tecnologías (Idowu et al., 2024; Jin et al., 2024a). Además, el uso intensivo de chatbots y tutores
inteligentes plantea interrogantes sobre la autonomía estudiantil y el desarrollo de habilidades críticas
(Guan et al., 2024; Hsu & Silalahi, 2024).
Esta investigación se propone tres objetivos principales: (1) identificar marcos normativos y principios
éticos para la regulación de la IA Gen en educación superior, (2) analizar su impacto en la
personalización del aprendizaje y la equidad educativa, y (3) evaluar los desafíos técnicos y
administrativos que limitan su implementación en distintos contextos (Hadzhikoleva et al., 2024; Jiang
et al., 2024). El cumplimiento de estos objetivos permitirá generar un marco de referencia para una
adopción regulada y equitativa, fomentando políticas que garanticen un uso transparente y responsable
de la IA en la educación superior (Hossain, Sohag, Hasan, Ahmed, & Islam, 2024; Kizilcec et al., 2024).
Un enfoque ético y regulado en la implementación de la IA Gen no solo democratizaría el acceso a la
educación, sino que también reduciría desigualdades y fortalecería la equidad digital en un mercado
laboral en constante evolución (Boustani et al., 2024; Yuwono et al., 2024)
En conclusión, mientras la IA Gen ofrece oportunidades transformadoras para la educación superior, su
implementación debe abordarse con precaución, asegurando que los beneficios educativos no se vean
opacados por riesgos éticos y técnicos. La colaboración entre instituciones educativas, legisladores y
desarrolladores de tecnología será clave para maximizar su potencial de manera responsable.
METODOLOGÍA
Este estudio analiza el impacto de la inteligencia artificial generativa (IA Gen) en la educación superior
mediante la metodología PRISMA (Page et al., 2021), garantizando transparencia y rigor científico.
pág. 6343
La investigación se centra en cuatro áreas clave: (1) personalización del aprendizaje, (2) automatización
de tareas administrativas, (3) generación de contenido educativo adaptado y (4) análisis de datos, debido
a su potencial para transformar la enseñanza y mejorar la eficiencia institucional (Bhutoria, 2022;
Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024) El marco conceptual explora cómo la IA Gen
redefine la educación superior, destacando tanto sus beneficios como los desafíos éticos, pedagógicos
y organizativos que surgen con su adopción. El objetivo es proporcionar una visión integral que
equilibre las capacidades técnicas de la IA Gen con consideraciones críticas para su implementación
responsable, asegurando que su integración en entornos educativos sea efectiva, equitativa y sostenible.
Marco PICO para la clarificación conceptual
Con el fin de esclarecer los elementos centrales de nuestro análisis, se ha empleado el marco PICO.
Esta herramienta, ampliamente utilizada en la investigación sistemática, permite identificar los términos
clave relacionados con:
Tabla 1. Marco PICO para la Clarificación Conceptual
Estrategia de búsqueda
La búsqueda se llevó a cabo utilizando ecuaciones de búsqueda con operadores booleanos y algoritmos
lógicos. Esto permitió identificar publicaciones relacionadas con temas clave como Generative
Artificial Intelligence, Educational Technology, Digital Transformation in Education, Ethics in AI,
entre otros. A continuación, se presentan las bases de datos consultadas, las ecuaciones de búsqueda
empleadas y las fuentes confiables seleccionadas.
La investigación se centra en cuatro áreas clave: (1) personalización del aprendizaje, (2) automatización
de tareas administrativas, (3) generación de contenido educativo adaptado y (4) análisis de datos, debido
a su potencial para transformar la enseñanza y mejorar la eficiencia institucional (Bhutoria, 2022;
Hossain, Sohag, Hasan, Ahmed, Al- Amin, et al., 2024) El marco conceptual explora cómo la IA Gen
redefine la educación superior, destacando tanto sus beneficios como los desafíos éticos, pedagógicos
y organizativos que surgen con su adopción. El objetivo es proporcionar una visión integral que
equilibre las capacidades técnicas de la IA Gen con consideraciones críticas para su implementación
responsable, asegurando que su integración en entornos educativos sea efectiva, equitativa y sostenible.
Marco PICO para la clarificación conceptual
Con el fin de esclarecer los elementos centrales de nuestro análisis, se ha empleado el marco PICO.
Esta herramienta, ampliamente utilizada en la investigación sistemática, permite identificar los términos
clave relacionados con:
Tabla 1. Marco PICO para la Clarificación Conceptual
Estrategia de búsqueda
La búsqueda se llevó a cabo utilizando ecuaciones de búsqueda con operadores booleanos y algoritmos
lógicos. Esto permitió identificar publicaciones relacionadas con temas clave como Generative
Artificial Intelligence, Educational Technology, Digital Transformation in Education, Ethics in AI,
entre otros. A continuación, se presentan las bases de datos consultadas, las ecuaciones de búsqueda
empleadas y las fuentes confiables seleccionadas.
pág. 6344
Formulación de la Pregunta Pico
La revisión se estructuró en torno a la siguiente pregunta de investigación: ¿Cómo influye la
implementación de la inteligencia artificial generativa (AI Gen) en comparación con los métodos
tradicionales en la personalización del aprendizaje, la eficiencia educativa, el compromiso de los
estudiantes, la innovación pedagógica y la implementación ética en la educación superior?
Ecuaciones de búsqueda
Bases de datos y fuentes consultadas fueron: Scopus, ProQuest, Science Direc, Ebsco. Estas bases se
eligieron por su relevancia en la literatura académica y su cobertura de áreas interdisciplinarias que
integran tecnología educativa e inteligencia artificial.
Las ecuaciones empleadas en idioma inglés fueron las siguientes:
Criterios de Inclusión y exclusión
En el contexto de la Inteligencia Artificial Generativa (AI Gen) en la educación superior, hemos
definido criterios específicos de inclusión y exclusión para seleccionar la literatura relevante, resumidos
en la Tabla 2. Estos criterios nos permitieron enfocar la revisión en estudios que abordan directamente
los desafíos y oportunidades que esta tecnología presenta en el ámbito académico.
Formulación de la Pregunta Pico
La revisión se estructuró en torno a la siguiente pregunta de investigación: ¿Cómo influye la
implementación de la inteligencia artificial generativa (AI Gen) en comparación con los métodos
tradicionales en la personalización del aprendizaje, la eficiencia educativa, el compromiso de los
estudiantes, la innovación pedagógica y la implementación ética en la educación superior?
Ecuaciones de búsqueda
Bases de datos y fuentes consultadas fueron: Scopus, ProQuest, Science Direc, Ebsco. Estas bases se
eligieron por su relevancia en la literatura académica y su cobertura de áreas interdisciplinarias que
integran tecnología educativa e inteligencia artificial.
Las ecuaciones empleadas en idioma inglés fueron las siguientes:
Criterios de Inclusión y exclusión
En el contexto de la Inteligencia Artificial Generativa (AI Gen) en la educación superior, hemos
definido criterios específicos de inclusión y exclusión para seleccionar la literatura relevante, resumidos
en la Tabla 2. Estos criterios nos permitieron enfocar la revisión en estudios que abordan directamente
los desafíos y oportunidades que esta tecnología presenta en el ámbito académico.
pág. 6345
Tabla 2. Criterios de inclusión y exclusión
Proceso de revisión y análisis de estudios
El diagrama PRISMA (Figura 1) describe el proceso de selección de estudios en una revisión sistemática
a través de tres fases: Identificación, Cribado e Inclusión. En la fase de Identificación, se recopilaron
375 artículos de diversas bases de datos (Scopus, ProQuest, Science Direct y Ebsco), eliminándose 142
por irrelevancia tras una revisión preliminar de títulos. En la fase de Cribado, los 233 artículos restantes
fueron evaluados mediante la lectura de resúmenes, lo que llevó a la exclusión de 88 estudios por no
cumplir los criterios de inclusión. Posteriormente, se solicitaron los textos completos de 145 artículos,
aunque tres no pudieron ser recuperados. Finalmente, en la fase de Inclusión, se realizó un análisis
crítico de 142 artículos, descartándose 13 por insuficiencia metodológica o falta de relevancia. Como
resultado, 129 estudios fueron seleccionados para la revisión sistemática, asegurando su calidad y
pertinencia en función de los objetivos de investigación.
Tabla 2. Criterios de inclusión y exclusión
Proceso de revisión y análisis de estudios
El diagrama PRISMA (Figura 1) describe el proceso de selección de estudios en una revisión sistemática
a través de tres fases: Identificación, Cribado e Inclusión. En la fase de Identificación, se recopilaron
375 artículos de diversas bases de datos (Scopus, ProQuest, Science Direct y Ebsco), eliminándose 142
por irrelevancia tras una revisión preliminar de títulos. En la fase de Cribado, los 233 artículos restantes
fueron evaluados mediante la lectura de resúmenes, lo que llevó a la exclusión de 88 estudios por no
cumplir los criterios de inclusión. Posteriormente, se solicitaron los textos completos de 145 artículos,
aunque tres no pudieron ser recuperados. Finalmente, en la fase de Inclusión, se realizó un análisis
crítico de 142 artículos, descartándose 13 por insuficiencia metodológica o falta de relevancia. Como
resultado, 129 estudios fueron seleccionados para la revisión sistemática, asegurando su calidad y
pertinencia en función de los objetivos de investigación.
pág. 6346
Figura1: Diagrama de flujo Prisma
Figura1: Diagrama de flujo Prisma