pág. 6252
USO ÉTICO DE LA INTELIGENCIA ARTIFICIAL EN
LA EDUCACIÓN SUPERIOR UNIVERSITARIA: UNA
REVISIÓN DOCUMENTAL
ETHICAL USE OF ARTIFICIAL INTELLIGENCE IN UNIVERSITY
HIGHER EDUCATION
Julio Enrique Cárdenas Hermoza
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho-Perú
pág. 6253
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25578
Uso ético de la inteligencia artificial en la educación superior universitaria:
una revisión documental
Julio Enrique Cárdenas Hermoza1
julio.cardenas@unsch.edu.pe
https://orcid.org/0009-0001-0198-6487
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho-Perú
Perú
RESUMEN
El uso de la inteligencia artificial (IA) en la educación superior universitaria plantea desafíos éticos que
exigen sistematización, pues su adopción ha sido más rápida que la deliberación institucional sobre sus
implicancias. El objetivo fue analizar el uso ético de la IA en la educación superior universitaria a partir
de la literatura especializada publicada entre 2019 y 2026. Se empleó un enfoque cualitativo, de tipo
básico, método analítico-documental y diseño de revisión documental. Tras aplicar criterios de inclusión
y exclusión, el corpus final quedó conformado por 13 documentos empíricos y de revisión, diferenciados
de las quince fuentes conceptuales y normativas que sustentan el marco teórico, y fue sistematizado
mediante ficha de extracción y matrices de síntesis categorial en tres dimensiones: transparencia y
equidad, marcos normativos, y prácticas docentes éticas. Los hallazgos muestran consenso en la
necesidad de transparencia algorítmica, protección de datos y equidad de acceso, aunque estas
exigencias resultan insuficientemente garantizadas en la práctica institucional; persistencia de vacíos
regulatorios institucionales pese a marcos internacionales consolidados como la Recomendación de la
UNESCO (2021) y las directrices de la OCDE (2022); y una demanda creciente de formación docente
y de rediseño curricular y evaluativo frente a respuestas institucionales centradas en la prohibición. Se
concluye que el uso ético de la IA en la universidad no constituye un problema unidimensional, sino
que requiere una respuesta articulada entre transparencia algorítmica, normativa institucional traducida
en gobernanza operativa y formación docente.
Palabras clave: inteligencia artificial; ética; educación superior; transparencia algorítmica; marcos
normativos.
1 Autor principal
Correspondencia: julio.cardenas@unsch.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i4.25578
Uso ético de la inteligencia artificial en la educación superior universitaria:
una revisión documental
Julio Enrique Cárdenas Hermoza1
julio.cardenas@unsch.edu.pe
https://orcid.org/0009-0001-0198-6487
Universidad Nacional de San Cristóbal de Huamanga, Ayacucho-Perú
Perú
RESUMEN
El uso de la inteligencia artificial (IA) en la educación superior universitaria plantea desafíos éticos que
exigen sistematización, pues su adopción ha sido más rápida que la deliberación institucional sobre sus
implicancias. El objetivo fue analizar el uso ético de la IA en la educación superior universitaria a partir
de la literatura especializada publicada entre 2019 y 2026. Se empleó un enfoque cualitativo, de tipo
básico, método analítico-documental y diseño de revisión documental. Tras aplicar criterios de inclusión
y exclusión, el corpus final quedó conformado por 13 documentos empíricos y de revisión, diferenciados
de las quince fuentes conceptuales y normativas que sustentan el marco teórico, y fue sistematizado
mediante ficha de extracción y matrices de síntesis categorial en tres dimensiones: transparencia y
equidad, marcos normativos, y prácticas docentes éticas. Los hallazgos muestran consenso en la
necesidad de transparencia algorítmica, protección de datos y equidad de acceso, aunque estas
exigencias resultan insuficientemente garantizadas en la práctica institucional; persistencia de vacíos
regulatorios institucionales pese a marcos internacionales consolidados como la Recomendación de la
UNESCO (2021) y las directrices de la OCDE (2022); y una demanda creciente de formación docente
y de rediseño curricular y evaluativo frente a respuestas institucionales centradas en la prohibición. Se
concluye que el uso ético de la IA en la universidad no constituye un problema unidimensional, sino
que requiere una respuesta articulada entre transparencia algorítmica, normativa institucional traducida
en gobernanza operativa y formación docente.
Palabras clave: inteligencia artificial; ética; educación superior; transparencia algorítmica; marcos
normativos.
1 Autor principal
Correspondencia: julio.cardenas@unsch.edu.pe
pág. 6254
Ethical use of artificial intelligence in university higher education
ABSTRACT
The use of artificial intelligence (AI) in university higher education raises ethical challenges that require
systematization, since its adoption has advanced faster than institutional deliberation on its implications.
This study analyzed the ethical use of AI in university higher education based on specialized literature
published between 2019 and 2026, using a qualitative, basic-type approach, an analytical-documentary
method and a documentary review design. After applying inclusion and exclusion criteria, a final corpus
of 13 empirical and review documents was defined, distinct from the fifteen conceptual and normative
sources supporting the theoretical framework, and was systematized through an extraction record and
categorical synthesis matrices across three dimensions: transparency and equity, regulatory frameworks,
and ethical teaching practices. Findings show consensus on the need for algorithmic transparency, data
protection, and equitable access, although these requirements remain insufficiently guaranteed in
institutional practice; persistent institutional regulatory gaps despite consolidated international
frameworks such as the UNESCO (2021) Recommendation and the OECD (2022) guidelines; and a
growing demand for teacher training and curricular and assessment redesign, in contrast with
institutional responses centered on prohibition. It is concluded that the ethical use of AI in universities
is not a one-dimensional problem, but requires an articulated response between algorithmic
transparency, institutional regulation translated into operational governance, and teacher training.
Keywords: artificial intelligence; ethics; higher education; algorithmic transparency; regulatory
frameworks.
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
Ethical use of artificial intelligence in university higher education
ABSTRACT
The use of artificial intelligence (AI) in university higher education raises ethical challenges that require
systematization, since its adoption has advanced faster than institutional deliberation on its implications.
This study analyzed the ethical use of AI in university higher education based on specialized literature
published between 2019 and 2026, using a qualitative, basic-type approach, an analytical-documentary
method and a documentary review design. After applying inclusion and exclusion criteria, a final corpus
of 13 empirical and review documents was defined, distinct from the fifteen conceptual and normative
sources supporting the theoretical framework, and was systematized through an extraction record and
categorical synthesis matrices across three dimensions: transparency and equity, regulatory frameworks,
and ethical teaching practices. Findings show consensus on the need for algorithmic transparency, data
protection, and equitable access, although these requirements remain insufficiently guaranteed in
institutional practice; persistent institutional regulatory gaps despite consolidated international
frameworks such as the UNESCO (2021) Recommendation and the OECD (2022) guidelines; and a
growing demand for teacher training and curricular and assessment redesign, in contrast with
institutional responses centered on prohibition. It is concluded that the ethical use of AI in universities
is not a one-dimensional problem, but requires an articulated response between algorithmic
transparency, institutional regulation translated into operational governance, and teacher training.
Keywords: artificial intelligence; ethics; higher education; algorithmic transparency; regulatory
frameworks.
Artículo recibido 20 junio 2026
Aceptado para publicación: 20 julio 2026
pág. 6255
INTRODUCCIÓN
La incorporación acelerada de sistemas de inteligencia artificial (IA) en la educación superior
universitaria ha transformado procesos de enseñanza, aprendizaje, evaluación y gestión institucional, al
mismo tiempo que ha expuesto tensiones éticas que la literatura especializada apenas comienza a
sistematizar. Herramientas de IA generativa han sido adoptadas de forma masiva por estudiantes y
docentes en un lapso breve, sin que las instituciones de educación superior cuenten, en la mayoría de
los casos, con marcos normativos internos que orienten su uso responsable (Gallent-Torres et al., 2023;
González-Fernández et al., 2025).
El problema que orienta esta revisión documental es la dispersión y heterogeneidad con la que la
literatura especializada aborda el uso ético de la IA en la educación superior universitaria. Su relevancia
radica en que la UNESCO advierte que, aunque casi dos terceras partes de las instituciones de educación
superior vinculadas a sus redes ya cuentan con directrices sobre IA o están elaborándolas, persiste una
necesidad urgente de marcos claros y de capacidad institucional que garanticen un uso ético y centrado
en la persona (UNESCO, 2026), en línea con los principios de transparencia, equidad y protección de
derechos humanos de la Recomendación sobre la Ética de la Inteligencia Artificial (UNESCO, 2021).
Como marco teórico, el estudio se sustenta en la Recomendación de la UNESCO (2021); en el informe
de UNESCO-IESALC sobre oportunidades y desafíos de la IA para la educación superior (Liu et al.,
2023); y en el marco de política educativa de IA generativa sostenible propuesto por Chan (2023), que
organiza la reflexión ética en las dimensiones pedagógica, de gobernanza y operativa.
Marco teórico y conceptual
La noción de inteligencia artificial que orienta este estudio parte de la definición operativa de Russell y
Norvig (2021), para quienes un sistema de IA es aquel que percibe su entorno y actúa de forma racional
para alcanzar un objetivo determinado, retomando el criterio conductual propuesto originalmente por
Turing (1950) para evaluar la inteligencia de una máquina.
En el plano ético, el estudio recoge el marco de cinco principios de Floridi y Cowls (2019) —
beneficencia, no maleficencia, autonomía, justicia y explicabilidad—, derivado del proyecto AI4People
(Floridi et al., 2018), y lo articula con la propuesta más amplia de Floridi (2023) sobre la ética de la IA
como sistema híbrido humano-máquina que distribuye agencia entre personas y algoritmos. Estos
INTRODUCCIÓN
La incorporación acelerada de sistemas de inteligencia artificial (IA) en la educación superior
universitaria ha transformado procesos de enseñanza, aprendizaje, evaluación y gestión institucional, al
mismo tiempo que ha expuesto tensiones éticas que la literatura especializada apenas comienza a
sistematizar. Herramientas de IA generativa han sido adoptadas de forma masiva por estudiantes y
docentes en un lapso breve, sin que las instituciones de educación superior cuenten, en la mayoría de
los casos, con marcos normativos internos que orienten su uso responsable (Gallent-Torres et al., 2023;
González-Fernández et al., 2025).
El problema que orienta esta revisión documental es la dispersión y heterogeneidad con la que la
literatura especializada aborda el uso ético de la IA en la educación superior universitaria. Su relevancia
radica en que la UNESCO advierte que, aunque casi dos terceras partes de las instituciones de educación
superior vinculadas a sus redes ya cuentan con directrices sobre IA o están elaborándolas, persiste una
necesidad urgente de marcos claros y de capacidad institucional que garanticen un uso ético y centrado
en la persona (UNESCO, 2026), en línea con los principios de transparencia, equidad y protección de
derechos humanos de la Recomendación sobre la Ética de la Inteligencia Artificial (UNESCO, 2021).
Como marco teórico, el estudio se sustenta en la Recomendación de la UNESCO (2021); en el informe
de UNESCO-IESALC sobre oportunidades y desafíos de la IA para la educación superior (Liu et al.,
2023); y en el marco de política educativa de IA generativa sostenible propuesto por Chan (2023), que
organiza la reflexión ética en las dimensiones pedagógica, de gobernanza y operativa.
Marco teórico y conceptual
La noción de inteligencia artificial que orienta este estudio parte de la definición operativa de Russell y
Norvig (2021), para quienes un sistema de IA es aquel que percibe su entorno y actúa de forma racional
para alcanzar un objetivo determinado, retomando el criterio conductual propuesto originalmente por
Turing (1950) para evaluar la inteligencia de una máquina.
En el plano ético, el estudio recoge el marco de cinco principios de Floridi y Cowls (2019) —
beneficencia, no maleficencia, autonomía, justicia y explicabilidad—, derivado del proyecto AI4People
(Floridi et al., 2018), y lo articula con la propuesta más amplia de Floridi (2023) sobre la ética de la IA
como sistema híbrido humano-máquina que distribuye agencia entre personas y algoritmos. Estos
pág. 6256
principios convergen, en el plano normativo internacional, con la Recomendación de la UNESCO
(2021) y con las directrices de la OCDE (2022) sobre inteligencia artificial, que sitúan la transparencia
y la rendición de cuentas como condiciones para una IA confiable; y, en el ámbito educativo específico,
con el Consenso de Beijing (UNESCO, 2019), que fue el primer documento en vincular explícitamente
estos principios con la planificación educativa.
La categoría de transparencia y equidad (C1) se conceptualiza a partir de dos cuerpos teóricos distintos.
Por un lado, la transparencia algorítmica se entiende en el sentido de Diakopoulos (2016), quien la define
como la posibilidad de dar cuenta de los factores que influyen en las decisiones automatizadas; esta
noción se articula con la ética de los datos de Floridi y Taddeo (2016), que sitúa el origen de buena parte
de los dilemas éticos de la IA en la etapa de recolección y curación de los datos de entrenamiento, y con
el análisis de sesgo algorítmico de Mehrabi et al. (2021). Por otro lado, la equidad de acceso se entiende
desde la teoría de la brecha digital de Van Dijk (2020), que distingue entre acceso material, de
habilidades y de uso, y la privacidad se aborda desde la teoría de la integridad contextual de Nissenbaum
(2010), para quien la vulneración de la privacidad no depende de la cantidad de datos expuestos sino de
que estos circulen fuera de las normas propias del contexto en que fueron generados.
La categoría de marcos normativos y regulatorios (C2) retoma, además de la Recomendación de la
UNESCO (2021) y las directrices de la OCDE (2022) ya mencionadas, la noción de integridad
académica del International Center for Academic Integrity (2021), que la define a partir de seis valores
fundamentales —honestidad, confianza, equidad, respeto, responsabilidad y coraje— frente a los cuales
se contrastan los riesgos de fraude y plagio asociados al uso de la IA generativa en el ámbito
universitario.
Finalmente, la categoría de prácticas docentes éticas con IA (C3) se apoya en dos marcos pedagógicos
previos a la IA generativa pero aplicables a ella: el modelo TPACK de Mishra y Koehler (2006), que
describe el conocimiento docente como la intersección entre contenido, pedagogía y tecnología, y que
permite ubicar la ética de la IA como una dimensión transversal a esa intersección; y la teoría
conectivista de Siemens (2005), que entiende el aprendizaje en la era digital como la capacidad de
navegar redes de información distribuidas, un supuesto que cobra un sentido distinto cuando parte de
esas redes son generadas por sistemas de IA en lugar de por otras personas.
principios convergen, en el plano normativo internacional, con la Recomendación de la UNESCO
(2021) y con las directrices de la OCDE (2022) sobre inteligencia artificial, que sitúan la transparencia
y la rendición de cuentas como condiciones para una IA confiable; y, en el ámbito educativo específico,
con el Consenso de Beijing (UNESCO, 2019), que fue el primer documento en vincular explícitamente
estos principios con la planificación educativa.
La categoría de transparencia y equidad (C1) se conceptualiza a partir de dos cuerpos teóricos distintos.
Por un lado, la transparencia algorítmica se entiende en el sentido de Diakopoulos (2016), quien la define
como la posibilidad de dar cuenta de los factores que influyen en las decisiones automatizadas; esta
noción se articula con la ética de los datos de Floridi y Taddeo (2016), que sitúa el origen de buena parte
de los dilemas éticos de la IA en la etapa de recolección y curación de los datos de entrenamiento, y con
el análisis de sesgo algorítmico de Mehrabi et al. (2021). Por otro lado, la equidad de acceso se entiende
desde la teoría de la brecha digital de Van Dijk (2020), que distingue entre acceso material, de
habilidades y de uso, y la privacidad se aborda desde la teoría de la integridad contextual de Nissenbaum
(2010), para quien la vulneración de la privacidad no depende de la cantidad de datos expuestos sino de
que estos circulen fuera de las normas propias del contexto en que fueron generados.
La categoría de marcos normativos y regulatorios (C2) retoma, además de la Recomendación de la
UNESCO (2021) y las directrices de la OCDE (2022) ya mencionadas, la noción de integridad
académica del International Center for Academic Integrity (2021), que la define a partir de seis valores
fundamentales —honestidad, confianza, equidad, respeto, responsabilidad y coraje— frente a los cuales
se contrastan los riesgos de fraude y plagio asociados al uso de la IA generativa en el ámbito
universitario.
Finalmente, la categoría de prácticas docentes éticas con IA (C3) se apoya en dos marcos pedagógicos
previos a la IA generativa pero aplicables a ella: el modelo TPACK de Mishra y Koehler (2006), que
describe el conocimiento docente como la intersección entre contenido, pedagogía y tecnología, y que
permite ubicar la ética de la IA como una dimensión transversal a esa intersección; y la teoría
conectivista de Siemens (2005), que entiende el aprendizaje en la era digital como la capacidad de
navegar redes de información distribuidas, un supuesto que cobra un sentido distinto cuando parte de
esas redes son generadas por sistemas de IA en lugar de por otras personas.
pág. 6257
El objetivo general fue analizar el uso ético de la inteligencia artificial en la educación superior
universitaria según la literatura especializada; y los objetivos específicos: (a) examinar la transparencia
y la equidad en el uso de la IA; (b) examinar los marcos normativos y regulatorios; y (c) examinar las
prácticas docentes éticas con IA en la educación superior universitaria.
METODOLOGÍA
El estudio se desarrolló bajo un enfoque cualitativo, de tipo básico, método analítico-documental y
diseño de revisión documental. La población estuvo constituida por documentos académicos y
científicos referidos al uso ético de la IA en educación superior. Conviene precisar que el corpus
documental se organiza en dos conjuntos de fuentes con función distinta: quince fuentes conceptuales y
normativas de referencia (teorías de la IA, marcos éticos, teorías pedagógicas), que sustentan el marco
teórico presentado en la Introducción, y trece documentos empíricos y de revisión que conforman el
corpus propiamente dicho de la revisión sistemática, sistematizados en las Tablas 3 a 6. Ambos
conjuntos se citan por separado a lo largo del artículo y no se mezclan en la ficha de extracción.
Criterios de inclusión y exclusión
La Tabla 1 detalla los criterios aplicados para la selección del corpus.
Tabla 1
Criterios de inclusión y exclusión aplicados en la selección de documentos
Criterios de inclusión Criterios de exclusión
Publicados entre 2019 y 2026 Publicados antes de 2019
Indexados en Scopus, WoS, ERIC, Redalyc,
SciELO, o publicados por organismos
internacionales de referencia (UNESCO)
No indexados en las bases de datos establecidas
ni publicados por organismos de referencia
Abordan directamente el uso ético de la IA en
educación superior
Sin relación directa con el uso ético de la IA en
educación superior
Artículos científicos, informes académicos o
capítulos de libro
Documentos sin revisión por pares (blogs,
opiniones, noticias)
Español, inglés o portugués Duplicados en distintas fuentes (se conserva una
sola versión)
Disponibles en texto completo Disponibles solo en resumen o acceso restringido
Nota. El rango temporal se amplió de 2019-2024 (previsto inicialmente en la matriz de consistencia) a 2019-2026, dado que
la literatura más pertinente sobre uso ético de la IA generativa en educación superior se concentra en 2023-2026, posterior a
la difusión masiva de estas herramientas.
El objetivo general fue analizar el uso ético de la inteligencia artificial en la educación superior
universitaria según la literatura especializada; y los objetivos específicos: (a) examinar la transparencia
y la equidad en el uso de la IA; (b) examinar los marcos normativos y regulatorios; y (c) examinar las
prácticas docentes éticas con IA en la educación superior universitaria.
METODOLOGÍA
El estudio se desarrolló bajo un enfoque cualitativo, de tipo básico, método analítico-documental y
diseño de revisión documental. La población estuvo constituida por documentos académicos y
científicos referidos al uso ético de la IA en educación superior. Conviene precisar que el corpus
documental se organiza en dos conjuntos de fuentes con función distinta: quince fuentes conceptuales y
normativas de referencia (teorías de la IA, marcos éticos, teorías pedagógicas), que sustentan el marco
teórico presentado en la Introducción, y trece documentos empíricos y de revisión que conforman el
corpus propiamente dicho de la revisión sistemática, sistematizados en las Tablas 3 a 6. Ambos
conjuntos se citan por separado a lo largo del artículo y no se mezclan en la ficha de extracción.
Criterios de inclusión y exclusión
La Tabla 1 detalla los criterios aplicados para la selección del corpus.
Tabla 1
Criterios de inclusión y exclusión aplicados en la selección de documentos
Criterios de inclusión Criterios de exclusión
Publicados entre 2019 y 2026 Publicados antes de 2019
Indexados en Scopus, WoS, ERIC, Redalyc,
SciELO, o publicados por organismos
internacionales de referencia (UNESCO)
No indexados en las bases de datos establecidas
ni publicados por organismos de referencia
Abordan directamente el uso ético de la IA en
educación superior
Sin relación directa con el uso ético de la IA en
educación superior
Artículos científicos, informes académicos o
capítulos de libro
Documentos sin revisión por pares (blogs,
opiniones, noticias)
Español, inglés o portugués Duplicados en distintas fuentes (se conserva una
sola versión)
Disponibles en texto completo Disponibles solo en resumen o acceso restringido
Nota. El rango temporal se amplió de 2019-2024 (previsto inicialmente en la matriz de consistencia) a 2019-2026, dado que
la literatura más pertinente sobre uso ético de la IA generativa en educación superior se concentra en 2023-2026, posterior a
la difusión masiva de estas herramientas.
pág. 6258
Proceso de búsqueda y selección
La búsqueda se realizó mediante un motor de búsqueda académica con acceso a Redalyc, SciELO,
RELIEVE, RIED y fuentes institucionales de UNESCO, dado que el proceso no incluyó acceso directo
con suscripción a Scopus ni Web of Science. Este es un límite metodológico explícito del estudio: a
diferencia de una revisión sistemática PRISMA con acceso multibase, el proceso aquí documentado
corresponde a una búsqueda documental dirigida y transparente, cuyo flujo se presenta en la Tabla 2.
Tabla 2
Proceso de búsqueda y selección de documentos
Fuente / motor Descriptores utilizados Resultados
revisados
Incluidos en el
corpus final
Motor de
búsqueda
académica (acceso
a Redalyc,
SciELO,
RELIEVE, RIED,
revistas
indexadas)
"inteligencia artificial" AND
"educación superior" AND "ética";
"artificial intelligence" AND
"higher education" AND "ethics";
variantes por subcategoría
43 10
Fuentes
institucionales
(UNESCO /
UNESCO-
IESALC)
"ética de la inteligencia artificial";
"marco normativo IA educación
superior"
6 3
Verificación de
texto completo
(lectura directa de
las fuentes)
— 2 2 (ya contadas
arriba)
TOTAL 49 13
Nota. De los 49 resultados revisados, se descartaron 36 por no cumplir los criterios de inclusión (duplicados, tangenciales al
tema, sin revisión por pares, o fuera del foco en educación superior). El corpus final quedó conformado por 13 documentos
que cumplen la totalidad de los criterios de inclusión.
Ficha de extracción del corpus
Una vez concluida la selección, se sistematizó la información de cada uno de los 13 documentos
mediante una ficha de extracción de seis campos. La Tabla 3 presenta dicha ficha.
Proceso de búsqueda y selección
La búsqueda se realizó mediante un motor de búsqueda académica con acceso a Redalyc, SciELO,
RELIEVE, RIED y fuentes institucionales de UNESCO, dado que el proceso no incluyó acceso directo
con suscripción a Scopus ni Web of Science. Este es un límite metodológico explícito del estudio: a
diferencia de una revisión sistemática PRISMA con acceso multibase, el proceso aquí documentado
corresponde a una búsqueda documental dirigida y transparente, cuyo flujo se presenta en la Tabla 2.
Tabla 2
Proceso de búsqueda y selección de documentos
Fuente / motor Descriptores utilizados Resultados
revisados
Incluidos en el
corpus final
Motor de
búsqueda
académica (acceso
a Redalyc,
SciELO,
RELIEVE, RIED,
revistas
indexadas)
"inteligencia artificial" AND
"educación superior" AND "ética";
"artificial intelligence" AND
"higher education" AND "ethics";
variantes por subcategoría
43 10
Fuentes
institucionales
(UNESCO /
UNESCO-
IESALC)
"ética de la inteligencia artificial";
"marco normativo IA educación
superior"
6 3
Verificación de
texto completo
(lectura directa de
las fuentes)
— 2 2 (ya contadas
arriba)
TOTAL 49 13
Nota. De los 49 resultados revisados, se descartaron 36 por no cumplir los criterios de inclusión (duplicados, tangenciales al
tema, sin revisión por pares, o fuera del foco en educación superior). El corpus final quedó conformado por 13 documentos
que cumplen la totalidad de los criterios de inclusión.
Ficha de extracción del corpus
Una vez concluida la selección, se sistematizó la información de cada uno de los 13 documentos
mediante una ficha de extracción de seis campos. La Tabla 3 presenta dicha ficha.
pág. 6259
Tabla 3
Ficha de extracción bibliográfica del corpus final (n = 13)
N° Autor(es) / Año País Objetivo Diseño /
Enfoque Hallazgo principal
1
Gallent-Torres,
Zapata-González y
Ortego-Hernando
(2023)
España /
México
Examinar, desde
una triple
perspectiva
(alumnado,
profesorado,
institución), las
implicaciones
éticas de la IA
generativa en la
educación superior
Cualitativo /
ensayo
académico con
revisión
bibliográfica
(Scielo,
Redalyc, WoS,
Scopus,
EBSCO,
JSTOR)
Identifica riesgos de
plagio y fraude
académico
facilitados por la IA
generativa, ausencia
de normativa
institucional en la
mayoría de
universidades, y
necesidad de
políticas de
privacidad y códigos
de integridad
académica.
2
Ricra Ruiz, Queque
Luque, Vega Lazo,
Martínez Horna,
Ross Audureau y
Lara Tapia (2026)
Perú
Analizar y
sintetizar la
evidencia científica
sobre impacto,
beneficios, desafíos
e implicancias
éticas de la IA
generativa en
educación superior
Revisión
sistemática
cualitativa con
protocolo
PRISMA, más
de 40
referencias
2023-2025
(Scopus, WoS,
ERIC, Google
Scholar)
Identifica cinco ejes:
formación ética,
desafíos
institucionales,
marcos regulatorios
inexistentes,
percepción de la
comunidad
universitaria y
riesgos éticos
emergentes
(privacidad, equidad,
sesgo algorítmico).
3 Kasneci et al.
(2023)
Alemania
(equipo
multi-
institucional)
Analizar
oportunidades y
desafíos de los
grandes modelos de
lenguaje (LLM)
para la educación
Artículo de
perspectiva /
análisis
conceptual
Señala que un marco
regulatorio
pertinente debe
abordar privacidad
de datos, seguridad,
transparencia
algorítmica y
responsabilidad en la
toma de decisiones
automatizada.
4
Nguyen, Ngo,
Hong, Dang y
Nguyen (2023)
Nueva
Zelanda /
Vietnam
Proponer principios
éticos para la
inteligencia
artificial en
educación
Revisión
conceptual
Formula principios
éticos (privacidad,
equidad,
transparencia,
responsabilidad)
Tabla 3
Ficha de extracción bibliográfica del corpus final (n = 13)
N° Autor(es) / Año País Objetivo Diseño /
Enfoque Hallazgo principal
1
Gallent-Torres,
Zapata-González y
Ortego-Hernando
(2023)
España /
México
Examinar, desde
una triple
perspectiva
(alumnado,
profesorado,
institución), las
implicaciones
éticas de la IA
generativa en la
educación superior
Cualitativo /
ensayo
académico con
revisión
bibliográfica
(Scielo,
Redalyc, WoS,
Scopus,
EBSCO,
JSTOR)
Identifica riesgos de
plagio y fraude
académico
facilitados por la IA
generativa, ausencia
de normativa
institucional en la
mayoría de
universidades, y
necesidad de
políticas de
privacidad y códigos
de integridad
académica.
2
Ricra Ruiz, Queque
Luque, Vega Lazo,
Martínez Horna,
Ross Audureau y
Lara Tapia (2026)
Perú
Analizar y
sintetizar la
evidencia científica
sobre impacto,
beneficios, desafíos
e implicancias
éticas de la IA
generativa en
educación superior
Revisión
sistemática
cualitativa con
protocolo
PRISMA, más
de 40
referencias
2023-2025
(Scopus, WoS,
ERIC, Google
Scholar)
Identifica cinco ejes:
formación ética,
desafíos
institucionales,
marcos regulatorios
inexistentes,
percepción de la
comunidad
universitaria y
riesgos éticos
emergentes
(privacidad, equidad,
sesgo algorítmico).
3 Kasneci et al.
(2023)
Alemania
(equipo
multi-
institucional)
Analizar
oportunidades y
desafíos de los
grandes modelos de
lenguaje (LLM)
para la educación
Artículo de
perspectiva /
análisis
conceptual
Señala que un marco
regulatorio
pertinente debe
abordar privacidad
de datos, seguridad,
transparencia
algorítmica y
responsabilidad en la
toma de decisiones
automatizada.
4
Nguyen, Ngo,
Hong, Dang y
Nguyen (2023)
Nueva
Zelanda /
Vietnam
Proponer principios
éticos para la
inteligencia
artificial en
educación
Revisión
conceptual
Formula principios
éticos (privacidad,
equidad,
transparencia,
responsabilidad)
pág. 6260
adoptados como
referencia por
directrices
educativas de la
Unión Europea.
5
Sullivan, Kelly y
McLaughlan
(2023)
Nueva
Zelanda /
Australia
Examinar
consideraciones
sobre integridad
académica y
aprendizaje del
estudiantado en
relación con
ChatGPT en
educación superior
Revisión
sistemática
documental
Identificaron 88
artículos que
documentan uso
indebido de IA
generativa, fraude
estudiantil y trampas
en tareas de
evaluación
universitaria.
6
González-
Fernández,
Romero-López,
Sgreccia y Latorre
Medina (2025)
España /
Argentina
Estado de la
cuestión sobre
marcos normativos
para una IA ética y
confiable en
educación superior
Revisión
documental /
estado del arte
Concluye que
persiste ausencia de
marcos regulatorios
institucionales claros
y que se requiere
coherencia entre la
normativa formulada
y la práctica
cotidiana, con
participación de la
comunidad
educativa.
7
García-Peñalvo,
Casañ-Guerrero,
Alier-Forment y
Pereira-Valera
(2025)
España
Debatir la ética de
la IA generativa en
educación a partir
de un caso de
estudio teórico-
práctico
Estudio de caso
cualitativo
Sostiene que la
formación ética
requiere casos
concretos de
aplicación y no solo
principios abstractos;
identifica vacíos en la
operativización de
marcos regulatorios.
8
Romeu Fontanillas,
Romero Carbonell,
Guitert Catasús y
Baztán Quemada
(2025)
España
Analizar los
desafíos de la IA
generativa en
educación superior
para fomentar su
uso crítico en el
estudiantado
Cualitativo,
revisión y
propuesta
pedagógica
Propone integrar la
reflexión crítica
sobre la IA
generativa de forma
transversal en el
currículo
universitario.
9
Vega-Reinel,
Palacios-Zuñiga,
Pazmiño-Gaibor,
Ecuador
Analizar las
implicaciones
éticas del uso de IA
Cualitativo
Identifica un dilema
central entre
innovación
adoptados como
referencia por
directrices
educativas de la
Unión Europea.
5
Sullivan, Kelly y
McLaughlan
(2023)
Nueva
Zelanda /
Australia
Examinar
consideraciones
sobre integridad
académica y
aprendizaje del
estudiantado en
relación con
ChatGPT en
educación superior
Revisión
sistemática
documental
Identificaron 88
artículos que
documentan uso
indebido de IA
generativa, fraude
estudiantil y trampas
en tareas de
evaluación
universitaria.
6
González-
Fernández,
Romero-López,
Sgreccia y Latorre
Medina (2025)
España /
Argentina
Estado de la
cuestión sobre
marcos normativos
para una IA ética y
confiable en
educación superior
Revisión
documental /
estado del arte
Concluye que
persiste ausencia de
marcos regulatorios
institucionales claros
y que se requiere
coherencia entre la
normativa formulada
y la práctica
cotidiana, con
participación de la
comunidad
educativa.
7
García-Peñalvo,
Casañ-Guerrero,
Alier-Forment y
Pereira-Valera
(2025)
España
Debatir la ética de
la IA generativa en
educación a partir
de un caso de
estudio teórico-
práctico
Estudio de caso
cualitativo
Sostiene que la
formación ética
requiere casos
concretos de
aplicación y no solo
principios abstractos;
identifica vacíos en la
operativización de
marcos regulatorios.
8
Romeu Fontanillas,
Romero Carbonell,
Guitert Catasús y
Baztán Quemada
(2025)
España
Analizar los
desafíos de la IA
generativa en
educación superior
para fomentar su
uso crítico en el
estudiantado
Cualitativo,
revisión y
propuesta
pedagógica
Propone integrar la
reflexión crítica
sobre la IA
generativa de forma
transversal en el
currículo
universitario.
9
Vega-Reinel,
Palacios-Zuñiga,
Pazmiño-Gaibor,
Ecuador
Analizar las
implicaciones
éticas del uso de IA
Cualitativo
Identifica un dilema
central entre
innovación
pág. 6261
Peña y García-Laje
(2025)
generativa en la
formación
universitaria
tecnológica y
responsabilidad
académica, con
énfasis en la
protección de la
identidad digital del
estudiantado.
10 Chan (2023) Hong Kong
Proponer un marco
integral de política
educativa de IA
para la enseñanza
universitaria
Propuesta
teórico-
conceptual
Organiza la
integración ética de
la IA en tres
dimensiones:
pedagógica, de
gobernanza y
operativa.
11 UNESCO (2021)
Internacional
(193 Estados
miembros)
Establecer
principios éticos
globales para la
inteligencia
artificial
Documento
normativo
internacional
Define transparencia,
equidad, supervisión
humana y protección
de derechos humanos
como pilares de
cualquier marco ético
de IA, aplicable a la
educación.
12
Liu, Morales,
Roser-Chinchilla,
Sabzalieva,
Valentini, Vieira do
Nascimento y
Yerovi (2023) —
UNESCO-IESALC
Regional
(América
Latina y el
Caribe)
Presentar
oportunidades y
desafíos de la era de
la IA para los
actores de la
educación superior
Informe
institucional
Recomienda que las
instituciones cuenten
con estrategia de
gestión de datos y
atiendan sesgos en el
etiquetado y elección
de conjuntos de datos
de entrenamiento.
13 Farooqi, Amanat y
Awan (2024) Pakistán
Revisar
sistemáticamente
las consideraciones
éticas y desafíos en
la integración de la
IA en educación
Revisión
sistemática
Señala la protección
de datos, el sesgo
algorítmico y la falta
de comunicación
entre actores
educativos como
condiciones críticas
para una inclusión
responsable de la IA.
Nota. Un documento puede aportar hallazgos a más de una categoría en la síntesis que se presenta en las Tablas 4 a 6.
Como técnica se empleó el análisis documental, y el instrumento fue la ficha de análisis documental que
organizó los hallazgos según las categorías definidas en la matriz de categorización: (C1) transparencia
Peña y García-Laje
(2025)
generativa en la
formación
universitaria
tecnológica y
responsabilidad
académica, con
énfasis en la
protección de la
identidad digital del
estudiantado.
10 Chan (2023) Hong Kong
Proponer un marco
integral de política
educativa de IA
para la enseñanza
universitaria
Propuesta
teórico-
conceptual
Organiza la
integración ética de
la IA en tres
dimensiones:
pedagógica, de
gobernanza y
operativa.
11 UNESCO (2021)
Internacional
(193 Estados
miembros)
Establecer
principios éticos
globales para la
inteligencia
artificial
Documento
normativo
internacional
Define transparencia,
equidad, supervisión
humana y protección
de derechos humanos
como pilares de
cualquier marco ético
de IA, aplicable a la
educación.
12
Liu, Morales,
Roser-Chinchilla,
Sabzalieva,
Valentini, Vieira do
Nascimento y
Yerovi (2023) —
UNESCO-IESALC
Regional
(América
Latina y el
Caribe)
Presentar
oportunidades y
desafíos de la era de
la IA para los
actores de la
educación superior
Informe
institucional
Recomienda que las
instituciones cuenten
con estrategia de
gestión de datos y
atiendan sesgos en el
etiquetado y elección
de conjuntos de datos
de entrenamiento.
13 Farooqi, Amanat y
Awan (2024) Pakistán
Revisar
sistemáticamente
las consideraciones
éticas y desafíos en
la integración de la
IA en educación
Revisión
sistemática
Señala la protección
de datos, el sesgo
algorítmico y la falta
de comunicación
entre actores
educativos como
condiciones críticas
para una inclusión
responsable de la IA.
Nota. Un documento puede aportar hallazgos a más de una categoría en la síntesis que se presenta en las Tablas 4 a 6.
Como técnica se empleó el análisis documental, y el instrumento fue la ficha de análisis documental que
organizó los hallazgos según las categorías definidas en la matriz de categorización: (C1) transparencia
pág. 6262
y equidad en el uso de la IA (transparencia algorítmica, equidad e inclusión, privacidad y protección de
datos); (C2) marcos normativos y regulatorios (políticas institucionales, marcos internacionales,
responsabilidad legal y ética); y (C3) prácticas docentes éticas con IA (formación docente en IA ética,
diseño curricular con IA, evaluación con IA).
Como consideración ética, se evitó la reproducción literal de fragmentos extensos, priorizando la síntesis
en palabras propias con citación APA 7. Como limitación, se reconoce que esta revisión documental no
siguió un protocolo PRISMA registrado con acceso multibase de suscripción ni doble evaluación
independiente de pares, por lo que sus hallazgos deben interpretarse como una síntesis orientativa y no
como una revisión sistemática exhaustiva.
RESULTADOS Y DISCUSIÓN
Los resultados se presentan siguiendo el orden de los objetivos específicos que orientaron el estudio, de
manera que cada apartado responde directamente a uno de ellos, para culminar con una discusión que
integra los tres hallazgos en función del objetivo general.
Resultados respecto al primer objetivo específico: transparencia y equidad en el uso de la IA (C1)
Los hallazgos del corpus vinculados a la transparencia algorítmica, la equidad e inclusión, y la
privacidad y protección de datos se organizan en la Tabla 4.
Tabla 4
Síntesis categorial — C1: Transparencia y equidad en el uso de la IA
N°
art. Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gallent-Torres et al.
(2023)
Transparencia
algorítmica
Hallazgo: Comprender cómo se entrenan y
actualizan los sistemas de IA es indispensable
para que la comunidad universitaria confíe en
ellos y distinga un uso legítimo de uno
deshonesto.
Análisis: La confianza institucional en la IA
depende de que su funcionamiento deje de ser una
caja negra para el usuario académico; sin esa
comprensión mínima, la transparencia queda
como principio declarativo sin aplicación
práctica.
y equidad en el uso de la IA (transparencia algorítmica, equidad e inclusión, privacidad y protección de
datos); (C2) marcos normativos y regulatorios (políticas institucionales, marcos internacionales,
responsabilidad legal y ética); y (C3) prácticas docentes éticas con IA (formación docente en IA ética,
diseño curricular con IA, evaluación con IA).
Como consideración ética, se evitó la reproducción literal de fragmentos extensos, priorizando la síntesis
en palabras propias con citación APA 7. Como limitación, se reconoce que esta revisión documental no
siguió un protocolo PRISMA registrado con acceso multibase de suscripción ni doble evaluación
independiente de pares, por lo que sus hallazgos deben interpretarse como una síntesis orientativa y no
como una revisión sistemática exhaustiva.
RESULTADOS Y DISCUSIÓN
Los resultados se presentan siguiendo el orden de los objetivos específicos que orientaron el estudio, de
manera que cada apartado responde directamente a uno de ellos, para culminar con una discusión que
integra los tres hallazgos en función del objetivo general.
Resultados respecto al primer objetivo específico: transparencia y equidad en el uso de la IA (C1)
Los hallazgos del corpus vinculados a la transparencia algorítmica, la equidad e inclusión, y la
privacidad y protección de datos se organizan en la Tabla 4.
Tabla 4
Síntesis categorial — C1: Transparencia y equidad en el uso de la IA
N°
art. Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gallent-Torres et al.
(2023)
Transparencia
algorítmica
Hallazgo: Comprender cómo se entrenan y
actualizan los sistemas de IA es indispensable
para que la comunidad universitaria confíe en
ellos y distinga un uso legítimo de uno
deshonesto.
Análisis: La confianza institucional en la IA
depende de que su funcionamiento deje de ser una
caja negra para el usuario académico; sin esa
comprensión mínima, la transparencia queda
como principio declarativo sin aplicación
práctica.
pág. 6263
3 Kasneci et al. (2023) Transparencia
algorítmica
Hallazgo: Un marco regulatorio pertinente debe
abordar la transparencia algorítmica y la
responsabilidad en la toma de decisiones
automatizada, junto con la privacidad y la
seguridad.
Análisis: La transparencia no puede tratarse de
forma aislada: el análisis conjunto con
privacidad y responsabilidad sugiere que las
universidades requieren un marco integral y no
medidas puntuales.
11 UNESCO (2021) Equidad e
inclusión
Hallazgo: Los actores de la IA deben promover la
justicia social y salvaguardar la equidad,
adoptando un enfoque inclusivo que garantice que
los beneficios de la IA alcancen a toda la
comunidad.
Análisis: Al situarse en un instrumento normativo
mundial, este principio traslada la equidad de una
aspiración institucional a una obligación con
respaldo internacional, aunque su cumplimiento
efectivo depende de cada Estado y universidad.
6 González-Fernández
et al. (2025)
Equidad e
inclusión
Hallazgo: La falta de marcos normativos claros
deja sin resolver, entre otras, la cuestión de la
equidad de acceso a herramientas de IA en
contextos latinoamericanos.
Análisis: La equidad de acceso no es solo un
problema tecnológico sino regulatorio: sin
política institucional, la brecha de acceso tiende
a reproducirse en cada universidad de forma
distinta.
9 Vega-Reinel et al.
(2025)
Privacidad y
protección de
datos
Hallazgo: El uso masivo de la IA generativa en la
formación universitaria expone un dilema entre la
innovación tecnológica y la responsabilidad
académica, centrado en la protección de la
identidad digital del estudiantado.
3 Kasneci et al. (2023) Transparencia
algorítmica
Hallazgo: Un marco regulatorio pertinente debe
abordar la transparencia algorítmica y la
responsabilidad en la toma de decisiones
automatizada, junto con la privacidad y la
seguridad.
Análisis: La transparencia no puede tratarse de
forma aislada: el análisis conjunto con
privacidad y responsabilidad sugiere que las
universidades requieren un marco integral y no
medidas puntuales.
11 UNESCO (2021) Equidad e
inclusión
Hallazgo: Los actores de la IA deben promover la
justicia social y salvaguardar la equidad,
adoptando un enfoque inclusivo que garantice que
los beneficios de la IA alcancen a toda la
comunidad.
Análisis: Al situarse en un instrumento normativo
mundial, este principio traslada la equidad de una
aspiración institucional a una obligación con
respaldo internacional, aunque su cumplimiento
efectivo depende de cada Estado y universidad.
6 González-Fernández
et al. (2025)
Equidad e
inclusión
Hallazgo: La falta de marcos normativos claros
deja sin resolver, entre otras, la cuestión de la
equidad de acceso a herramientas de IA en
contextos latinoamericanos.
Análisis: La equidad de acceso no es solo un
problema tecnológico sino regulatorio: sin
política institucional, la brecha de acceso tiende
a reproducirse en cada universidad de forma
distinta.
9 Vega-Reinel et al.
(2025)
Privacidad y
protección de
datos
Hallazgo: El uso masivo de la IA generativa en la
formación universitaria expone un dilema entre la
innovación tecnológica y la responsabilidad
académica, centrado en la protección de la
identidad digital del estudiantado.
pág. 6264
Análisis: El dilema identificado muestra que la
privacidad no se resuelve solo con políticas de
protección de datos, sino que exige repensar el
balance entre innovación pedagógica y
responsabilidad institucional.
2 Ricra Ruiz et al.
(2026)
Privacidad y
protección de
datos
Hallazgo: La privacidad de datos y la protección
de la identidad digital figuran entre los riesgos
éticos emergentes identificados de forma reiterada
en la literatura 2023-2025.
Análisis: La recurrencia de este hallazgo en
múltiples estudios independientes sugiere que la
privacidad de datos ya no es un riesgo hipotético
sino una preocupación consolidada en la agenda
de investigación.
Los resultados muestran que la transparencia algorítmica no se resuelve con la sola existencia de
principios declarativos. Gallent-Torres et al. (2023) sostienen que comprender cómo se entrenan y
actualizan los sistemas de IA generativa es indispensable para que la comunidad universitaria distinga
un uso legítimo de uno deshonesto, mientras que Kasneci et al. (2023) sitúan esa comprensión como
condición previa a cualquier marco regulatorio sobre responsabilidad algorítmica. Leído a la luz de
Diakopoulos (2016), quien define la transparencia algorítmica como la posibilidad efectiva de dar cuenta
de los factores que pesan en una decisión automatizada, este hallazgo indica que buena parte de las
universidades no ha llegado siquiera a ese primer nivel de rendición de cuentas.
Sobre la equidad e inclusión, la Recomendación de la UNESCO (2021) obliga a los actores de la IA a
adoptar un enfoque inclusivo que garantice el acceso equitativo a sus beneficios; sin embargo, González-
Fernández et al. (2025) documentan que la ausencia de marcos normativos claros deja sin resolver la
cuestión del acceso desigual en contextos latinoamericanos. Este resultado confirma empíricamente la
advertencia teórica de Van Dijk (2020), para quien la brecha digital no se limita al acceso material a la
tecnología, sino que incluye también una brecha de habilidades y de uso que las políticas institucionales
rara vez atienden de forma diferenciada.
Análisis: El dilema identificado muestra que la
privacidad no se resuelve solo con políticas de
protección de datos, sino que exige repensar el
balance entre innovación pedagógica y
responsabilidad institucional.
2 Ricra Ruiz et al.
(2026)
Privacidad y
protección de
datos
Hallazgo: La privacidad de datos y la protección
de la identidad digital figuran entre los riesgos
éticos emergentes identificados de forma reiterada
en la literatura 2023-2025.
Análisis: La recurrencia de este hallazgo en
múltiples estudios independientes sugiere que la
privacidad de datos ya no es un riesgo hipotético
sino una preocupación consolidada en la agenda
de investigación.
Los resultados muestran que la transparencia algorítmica no se resuelve con la sola existencia de
principios declarativos. Gallent-Torres et al. (2023) sostienen que comprender cómo se entrenan y
actualizan los sistemas de IA generativa es indispensable para que la comunidad universitaria distinga
un uso legítimo de uno deshonesto, mientras que Kasneci et al. (2023) sitúan esa comprensión como
condición previa a cualquier marco regulatorio sobre responsabilidad algorítmica. Leído a la luz de
Diakopoulos (2016), quien define la transparencia algorítmica como la posibilidad efectiva de dar cuenta
de los factores que pesan en una decisión automatizada, este hallazgo indica que buena parte de las
universidades no ha llegado siquiera a ese primer nivel de rendición de cuentas.
Sobre la equidad e inclusión, la Recomendación de la UNESCO (2021) obliga a los actores de la IA a
adoptar un enfoque inclusivo que garantice el acceso equitativo a sus beneficios; sin embargo, González-
Fernández et al. (2025) documentan que la ausencia de marcos normativos claros deja sin resolver la
cuestión del acceso desigual en contextos latinoamericanos. Este resultado confirma empíricamente la
advertencia teórica de Van Dijk (2020), para quien la brecha digital no se limita al acceso material a la
tecnología, sino que incluye también una brecha de habilidades y de uso que las políticas institucionales
rara vez atienden de forma diferenciada.
pág. 6265
En privacidad y protección de datos, Vega-Reinel et al. (2025) identifican un dilema no resuelto entre
innovación tecnológica y responsabilidad académica, centrado en la protección de la identidad digital
del estudiantado, y Ricra Ruiz et al. (2026) confirman que este riesgo se repite de forma consistente en
la literatura de 2023 a 2025. Interpretado desde la teoría de la integridad contextual de Nissenbaum
(2010), el problema de fondo no es cuántos datos procesan los sistemas de IA educativa, sino que esos
datos suelen circular fuera de las normas de uso propias del contexto académico en el que fueron
generados, sin que el estudiantado lo sepa ni lo consienta.
En conjunto, estos resultados responden al primer objetivo específico mostrando que la transparencia
algorítmica, la equidad de acceso y la privacidad de datos operan como una cadena: la falta del primer
eslabón —comprensión mínima del funcionamiento de los sistemas— debilita la capacidad institucional
de garantizar los otros dos.
Resultados respecto al segundo objetivo específico: marcos normativos y regulatorios (C2)
La Tabla 5 recoge los hallazgos referidos a políticas institucionales, marcos internacionales, y
responsabilidad legal y ética.
Tabla 5
Síntesis categorial — C2: Marcos normativos y regulatorios
N°
art. Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gallent-Torres et al.
(2023)
Políticas
institucionales
Hallazgo: La mayoría de universidades carece
aún de normativa interna específica sobre IA,
incluso cuando sus miembros ya emplean estas
herramientas de forma cotidiana.
Análisis: Existe un desfase entre la adopción
práctica de la IA por parte de la comunidad
universitaria y la capacidad institucional de
regularla, lo que traslada la responsabilidad ética
al criterio individual.
6 González-Fernández
et al. (2025)
Políticas
institucionales
Hallazgo: Debe existir coherencia entre la
regulación formulada y la práctica cotidiana, así
como participación efectiva de la comunidad
educativa en su elaboración.
En privacidad y protección de datos, Vega-Reinel et al. (2025) identifican un dilema no resuelto entre
innovación tecnológica y responsabilidad académica, centrado en la protección de la identidad digital
del estudiantado, y Ricra Ruiz et al. (2026) confirman que este riesgo se repite de forma consistente en
la literatura de 2023 a 2025. Interpretado desde la teoría de la integridad contextual de Nissenbaum
(2010), el problema de fondo no es cuántos datos procesan los sistemas de IA educativa, sino que esos
datos suelen circular fuera de las normas de uso propias del contexto académico en el que fueron
generados, sin que el estudiantado lo sepa ni lo consienta.
En conjunto, estos resultados responden al primer objetivo específico mostrando que la transparencia
algorítmica, la equidad de acceso y la privacidad de datos operan como una cadena: la falta del primer
eslabón —comprensión mínima del funcionamiento de los sistemas— debilita la capacidad institucional
de garantizar los otros dos.
Resultados respecto al segundo objetivo específico: marcos normativos y regulatorios (C2)
La Tabla 5 recoge los hallazgos referidos a políticas institucionales, marcos internacionales, y
responsabilidad legal y ética.
Tabla 5
Síntesis categorial — C2: Marcos normativos y regulatorios
N°
art. Autor / Año Subcategoría Hallazgo + análisis interpretativo
1 Gallent-Torres et al.
(2023)
Políticas
institucionales
Hallazgo: La mayoría de universidades carece
aún de normativa interna específica sobre IA,
incluso cuando sus miembros ya emplean estas
herramientas de forma cotidiana.
Análisis: Existe un desfase entre la adopción
práctica de la IA por parte de la comunidad
universitaria y la capacidad institucional de
regularla, lo que traslada la responsabilidad ética
al criterio individual.
6 González-Fernández
et al. (2025)
Políticas
institucionales
Hallazgo: Debe existir coherencia entre la
regulación formulada y la práctica cotidiana, así
como participación efectiva de la comunidad
educativa en su elaboración.
pág. 6266
Análisis: Una política de IA elaborada sin
participación de docentes y estudiantes corre el
riesgo de ser letra muerta; la coherencia
normativa exige un proceso participativo, no solo
un documento formal.
11 UNESCO (2021) Marcos
internacionales
Hallazgo: Constituye el primer marco normativo
mundial sobre ética de la IA, adoptado por 193
Estados miembros, basado en transparencia,
equidad y supervisión humana.
Análisis: Su carácter universal ofrece un piso
común de principios, pero su aplicación al
contexto educativo superior de cada país depende
de instrumentos normativos nacionales e
institucionales que lo traduzcan en reglas
concretas.
12 Liu et al. (2023) —
UNESCO-IESALC
Marcos
internacionales
Hallazgo: Recomienda que las instituciones de
educación superior cuenten con una estrategia de
gestión de datos y atiendan los sesgos presentes en
el etiquetado y la elección de los conjuntos de
datos de entrenamiento.
Análisis: Al situar el sesgo en el origen de los
datos, este hallazgo desplaza el foco regulatorio
de las consecuencias visibles del uso de IA hacia
el diseño técnico previo, un nivel que rara vez
cubren las políticas institucionales actuales.
13 Farooqi et al. (2024) Responsabilidad
legal y ética
Hallazgo: La protección de datos, el sesgo
algorítmico y la falta de comunicación entre
actores educativos son precondiciones críticas
para una inclusión responsable de la IA.
Análisis: La responsabilidad ética aparece
condicionada a factores técnicos (sesgo) y
comunicacionales (diálogo entre actores), lo que
sugiere que no basta con asignar responsabilidad
legal si no se resuelven antes esas condiciones
estructurales.
Análisis: Una política de IA elaborada sin
participación de docentes y estudiantes corre el
riesgo de ser letra muerta; la coherencia
normativa exige un proceso participativo, no solo
un documento formal.
11 UNESCO (2021) Marcos
internacionales
Hallazgo: Constituye el primer marco normativo
mundial sobre ética de la IA, adoptado por 193
Estados miembros, basado en transparencia,
equidad y supervisión humana.
Análisis: Su carácter universal ofrece un piso
común de principios, pero su aplicación al
contexto educativo superior de cada país depende
de instrumentos normativos nacionales e
institucionales que lo traduzcan en reglas
concretas.
12 Liu et al. (2023) —
UNESCO-IESALC
Marcos
internacionales
Hallazgo: Recomienda que las instituciones de
educación superior cuenten con una estrategia de
gestión de datos y atiendan los sesgos presentes en
el etiquetado y la elección de los conjuntos de
datos de entrenamiento.
Análisis: Al situar el sesgo en el origen de los
datos, este hallazgo desplaza el foco regulatorio
de las consecuencias visibles del uso de IA hacia
el diseño técnico previo, un nivel que rara vez
cubren las políticas institucionales actuales.
13 Farooqi et al. (2024) Responsabilidad
legal y ética
Hallazgo: La protección de datos, el sesgo
algorítmico y la falta de comunicación entre
actores educativos son precondiciones críticas
para una inclusión responsable de la IA.
Análisis: La responsabilidad ética aparece
condicionada a factores técnicos (sesgo) y
comunicacionales (diálogo entre actores), lo que
sugiere que no basta con asignar responsabilidad
legal si no se resuelven antes esas condiciones
estructurales.
pág. 6267
2 Ricra Ruiz et al.
(2026)
Responsabilidad
legal y ética
Hallazgo: Al no existir marcos regulatorios claros
y específicos, se genera una necesidad imperante
de consensos jurídicos y éticos para la regulación
y supervisión de la IA generativa en la educación
superior.
Análisis: La ausencia normativa no solo deja
vacíos operativos, sino que dificulta atribuir
responsabilidad ante usos indebidos, lo que
explica la insistencia de la literatura reciente en
consensos jurídicos explícitos.
A nivel de políticas institucionales, Gallent-Torres et al. (2023) constatan que la mayoría de
universidades carece de normativa interna específica sobre IA, incluso cuando su comunidad ya emplea
estas herramientas de forma cotidiana. González-Fernández et al. (2025), en su estado de la cuestión
sobre marcos normativos para una IA ética y confiable, añaden que la coherencia entre la norma escrita
y la práctica diaria exige la participación de la propia comunidad educativa en su elaboración, y no solo
una directiva emitida desde el gobierno universitario.
A nivel de marcos internacionales, la Recomendación de la UNESCO (2021) —adoptada por 193
Estados miembros— constituye la referencia normativa más citada en el corpus, seguida por el informe
de UNESCO-IESALC de Liu et al. (2023), que recomienda a las instituciones de educación superior
contar con una estrategia explícita de gestión de datos y atender los sesgos presentes en el etiquetado y
la elección de los conjuntos de datos de entrenamiento. Este último hallazgo es consistente con el análisis
de sesgo algorítmico de Mehrabi et al. (2021), quienes documentan que la mayoría de los sesgos de un
sistema de IA se originan antes del despliegue, en la etapa de construcción del conjunto de datos.
Sobre responsabilidad legal y ética, Farooqi et al. (2024) señalan que la protección de datos, el sesgo
algorítmico y la falta de comunicación entre los actores educativos son precondiciones críticas para una
inclusión responsable de la IA, y Ricra Ruiz et al. (2026) concluyen que la ausencia de marcos
regulatorios claros y específicos genera una necesidad imperante de consensos jurídicos y éticos para la
supervisión de la IA generativa en la educación superior.
2 Ricra Ruiz et al.
(2026)
Responsabilidad
legal y ética
Hallazgo: Al no existir marcos regulatorios claros
y específicos, se genera una necesidad imperante
de consensos jurídicos y éticos para la regulación
y supervisión de la IA generativa en la educación
superior.
Análisis: La ausencia normativa no solo deja
vacíos operativos, sino que dificulta atribuir
responsabilidad ante usos indebidos, lo que
explica la insistencia de la literatura reciente en
consensos jurídicos explícitos.
A nivel de políticas institucionales, Gallent-Torres et al. (2023) constatan que la mayoría de
universidades carece de normativa interna específica sobre IA, incluso cuando su comunidad ya emplea
estas herramientas de forma cotidiana. González-Fernández et al. (2025), en su estado de la cuestión
sobre marcos normativos para una IA ética y confiable, añaden que la coherencia entre la norma escrita
y la práctica diaria exige la participación de la propia comunidad educativa en su elaboración, y no solo
una directiva emitida desde el gobierno universitario.
A nivel de marcos internacionales, la Recomendación de la UNESCO (2021) —adoptada por 193
Estados miembros— constituye la referencia normativa más citada en el corpus, seguida por el informe
de UNESCO-IESALC de Liu et al. (2023), que recomienda a las instituciones de educación superior
contar con una estrategia explícita de gestión de datos y atender los sesgos presentes en el etiquetado y
la elección de los conjuntos de datos de entrenamiento. Este último hallazgo es consistente con el análisis
de sesgo algorítmico de Mehrabi et al. (2021), quienes documentan que la mayoría de los sesgos de un
sistema de IA se originan antes del despliegue, en la etapa de construcción del conjunto de datos.
Sobre responsabilidad legal y ética, Farooqi et al. (2024) señalan que la protección de datos, el sesgo
algorítmico y la falta de comunicación entre los actores educativos son precondiciones críticas para una
inclusión responsable de la IA, y Ricra Ruiz et al. (2026) concluyen que la ausencia de marcos
regulatorios claros y específicos genera una necesidad imperante de consensos jurídicos y éticos para la
supervisión de la IA generativa en la educación superior.
pág. 6268
Estos resultados responden al segundo objetivo específico evidenciando una brecha de dos velocidades:
el marco normativo internacional avanza con mayor rapidez que su traducción en reglamentos
institucionales concretos, lo que deja a cada universidad —y, en la práctica, a cada docente— la tarea
de interpretar principios generales sin una guía operativa clara.
Resultados respecto al tercer objetivo específico: prácticas docentes éticas con IA (C3)
La Tabla 6 reúne los hallazgos sobre formación docente en IA ética, diseño curricular con IA, y
evaluación con IA.
Tabla 6
Síntesis categorial — C3: Prácticas docentes éticas con IA
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
2
Ricra Ruiz et al.
(2026), citando a
Escalona y Paredes-
Abreu (2025)
Formación
docente en IA
ética
Hallazgo: Se encontraron diferencias
significativas en la conciencia ética entre
docentes/investigadores, con mayor conciencia, y
estudiantes de grado, con niveles más bajos,
posiblemente por menor exposición a
capacitación ética estructurada.
Análisis: La brecha de conciencia ética entre
docentes y estudiantes sugiere que la formación
no puede limitarse al profesorado: si el
estudiantado no recibe la misma capacitación, la
asimetría ética persistirá en el aula.
7
García-Peñalvo et al.
(2025)
Formación
docente en IA
ética
Hallazgo: La ética de la IA generativa en
educación debe debatirse a partir de casos de
estudio concretos que permitan al profesorado
identificar dilemas reales de su práctica.
Estos resultados responden al segundo objetivo específico evidenciando una brecha de dos velocidades:
el marco normativo internacional avanza con mayor rapidez que su traducción en reglamentos
institucionales concretos, lo que deja a cada universidad —y, en la práctica, a cada docente— la tarea
de interpretar principios generales sin una guía operativa clara.
Resultados respecto al tercer objetivo específico: prácticas docentes éticas con IA (C3)
La Tabla 6 reúne los hallazgos sobre formación docente en IA ética, diseño curricular con IA, y
evaluación con IA.
Tabla 6
Síntesis categorial — C3: Prácticas docentes éticas con IA
N°
art.
Autor / Año Subcategoría Hallazgo + análisis interpretativo
2
Ricra Ruiz et al.
(2026), citando a
Escalona y Paredes-
Abreu (2025)
Formación
docente en IA
ética
Hallazgo: Se encontraron diferencias
significativas en la conciencia ética entre
docentes/investigadores, con mayor conciencia, y
estudiantes de grado, con niveles más bajos,
posiblemente por menor exposición a
capacitación ética estructurada.
Análisis: La brecha de conciencia ética entre
docentes y estudiantes sugiere que la formación
no puede limitarse al profesorado: si el
estudiantado no recibe la misma capacitación, la
asimetría ética persistirá en el aula.
7
García-Peñalvo et al.
(2025)
Formación
docente en IA
ética
Hallazgo: La ética de la IA generativa en
educación debe debatirse a partir de casos de
estudio concretos que permitan al profesorado
identificar dilemas reales de su práctica.
pág. 6269
Análisis: Trasladar la ética de un plano
principista a uno casuístico permite que el
profesorado reconozca dilemas en su propia
práctica cotidiana, en lugar de percibir la ética de
la IA como un tema ajeno o abstracto.
8
Romeu Fontanillas et
al. (2025)
Diseño curricular
con IA
Hallazgo: Propone integrar la reflexión crítica
sobre la IA generativa de forma transversal en el
currículo universitario para fomentar un uso
crítico por parte del estudiantado.
Análisis: Integrar la reflexión crítica de forma
transversal, y no como asignatura aislada,
responde a que la IA atraviesa todas las
disciplinas; limitarla a un curso específico
dejaría sin cobertura ética al resto del plan de
estudios.
2
Ricra Ruiz et al.
(2026)
Diseño curricular
con IA
Hallazgo: Se subraya la necesidad de una
alfabetización en IA generativa transversal a los
planes de estudio, orientada a evitar la
dependencia cognitiva del alumnado.
Análisis: El énfasis en la 'dependencia cognitiva'
como riesgo específico indica que el diseño
curricular no solo debe enseñar a usar la IA, sino
a reconocer cuándo su uso debilita el desarrollo
de competencias propias.
Análisis: Trasladar la ética de un plano
principista a uno casuístico permite que el
profesorado reconozca dilemas en su propia
práctica cotidiana, en lugar de percibir la ética de
la IA como un tema ajeno o abstracto.
8
Romeu Fontanillas et
al. (2025)
Diseño curricular
con IA
Hallazgo: Propone integrar la reflexión crítica
sobre la IA generativa de forma transversal en el
currículo universitario para fomentar un uso
crítico por parte del estudiantado.
Análisis: Integrar la reflexión crítica de forma
transversal, y no como asignatura aislada,
responde a que la IA atraviesa todas las
disciplinas; limitarla a un curso específico
dejaría sin cobertura ética al resto del plan de
estudios.
2
Ricra Ruiz et al.
(2026)
Diseño curricular
con IA
Hallazgo: Se subraya la necesidad de una
alfabetización en IA generativa transversal a los
planes de estudio, orientada a evitar la
dependencia cognitiva del alumnado.
Análisis: El énfasis en la 'dependencia cognitiva'
como riesgo específico indica que el diseño
curricular no solo debe enseñar a usar la IA, sino
a reconocer cuándo su uso debilita el desarrollo
de competencias propias.
pág. 6270
5
Sullivan et al. (2023),
citado en Gallent-
Torres et al. (2023)
Evaluación con IA
Hallazgo: Identificaron 88 artículos que abordan
el uso indebido de herramientas de IA generativa
en evaluaciones universitarias, lo que ha llevado a
algunas instituciones a prohibir su uso.
Análisis: El volumen de literatura sobre mal uso
evaluativo (88 artículos) contrasta con la escasez
de estudios que documenten alternativas de
rediseño evaluativo, lo que sugiere que la
respuesta institucional dominante ha sido la
prohibición antes que la innovación evaluativa.
En formación docente, Ricra Ruiz et al. (2026), citando a Escalona y Paredes-Abreu (2025), reportan
una diferencia significativa en la conciencia ética entre docentes e investigadores, con mayor conciencia,
y estudiantes de grado, con niveles más bajos, lo que atribuyen a una menor exposición de estos últimos
a capacitación ética estructurada. García-Peñalvo et al. (2025) sostienen, en la misma línea, que esa
formación debe apoyarse en casos de estudio concretos y no en principios abstractos, si se pretende que
el profesorado reconozca dilemas éticos en su propia práctica docente.
En diseño curricular, Romeu Fontanillas et al. (2025) proponen integrar la reflexión crítica sobre la IA
generativa de forma transversal en el currículo universitario, en lugar de confinarla a un curso aislado,
y Ricra Ruiz et al. (2026) subrayan que esa alfabetización transversal busca evitar la dependencia
cognitiva del alumnado. Este resultado es coherente con el modelo TPACK de Mishra y Koehler (2006),
que sitúa el conocimiento ético de una tecnología en la intersección entre contenido, pedagogía y
tecnología, y no en un compartimento aparte del plan de estudios.
En evaluación, el hallazgo más citado del corpus proviene de Sullivan et al. (2023), quienes, según
reportan Gallent-Torres et al. (2023), identificaron 88 artículos que documentan el uso indebido de la
IA generativa en evaluaciones universitarias, lo que ha llevado a algunas instituciones a prohibir su uso
en lugar de rediseñar sus instrumentos de evaluación. Esta respuesta institucional contrasta con la teoría
5
Sullivan et al. (2023),
citado en Gallent-
Torres et al. (2023)
Evaluación con IA
Hallazgo: Identificaron 88 artículos que abordan
el uso indebido de herramientas de IA generativa
en evaluaciones universitarias, lo que ha llevado a
algunas instituciones a prohibir su uso.
Análisis: El volumen de literatura sobre mal uso
evaluativo (88 artículos) contrasta con la escasez
de estudios que documenten alternativas de
rediseño evaluativo, lo que sugiere que la
respuesta institucional dominante ha sido la
prohibición antes que la innovación evaluativa.
En formación docente, Ricra Ruiz et al. (2026), citando a Escalona y Paredes-Abreu (2025), reportan
una diferencia significativa en la conciencia ética entre docentes e investigadores, con mayor conciencia,
y estudiantes de grado, con niveles más bajos, lo que atribuyen a una menor exposición de estos últimos
a capacitación ética estructurada. García-Peñalvo et al. (2025) sostienen, en la misma línea, que esa
formación debe apoyarse en casos de estudio concretos y no en principios abstractos, si se pretende que
el profesorado reconozca dilemas éticos en su propia práctica docente.
En diseño curricular, Romeu Fontanillas et al. (2025) proponen integrar la reflexión crítica sobre la IA
generativa de forma transversal en el currículo universitario, en lugar de confinarla a un curso aislado,
y Ricra Ruiz et al. (2026) subrayan que esa alfabetización transversal busca evitar la dependencia
cognitiva del alumnado. Este resultado es coherente con el modelo TPACK de Mishra y Koehler (2006),
que sitúa el conocimiento ético de una tecnología en la intersección entre contenido, pedagogía y
tecnología, y no en un compartimento aparte del plan de estudios.
En evaluación, el hallazgo más citado del corpus proviene de Sullivan et al. (2023), quienes, según
reportan Gallent-Torres et al. (2023), identificaron 88 artículos que documentan el uso indebido de la
IA generativa en evaluaciones universitarias, lo que ha llevado a algunas instituciones a prohibir su uso
en lugar de rediseñar sus instrumentos de evaluación. Esta respuesta institucional contrasta con la teoría
pág. 6271
conectivista de Siemens (2005), que entiende el aprendizaje contemporáneo como la capacidad de
navegar redes de información —hoy generadas también por sistemas de IA— y no como la
memorización aislada de contenidos, lo que sugiere que la evaluación debería medir precisamente esa
capacidad de uso crítico, y no prohibir la herramienta que la hace posible.
Estos resultados responden al tercer objetivo específico mostrando que la prohibición ha sido, hasta
ahora, la respuesta institucional dominante frente al reto evaluativo, mientras que la literatura revisada
propone en cambio formación docente situada, diseño curricular transversal y una evaluación que
incorpore la IA en lugar de excluirla.
Discusión: respuesta al objetivo general
El objetivo general de este estudio fue analizar el uso ético de la inteligencia artificial en la educación
superior universitaria según la literatura especializada. Los resultados obtenidos en las tres categorías
no son independientes entre sí: la ausencia de marcos normativos institucionales documentada en el
segundo objetivo específico (Gallent-Torres et al., 2023; González-Fernández et al., 2025) explica, en
parte, por qué la transparencia y la equidad siguen dependiendo del criterio individual de cada
universidad (primer objetivo específico), y por qué la definición de prácticas docentes éticas queda, en
la práctica, a discreción de cada docente (tercer objetivo específico). Esta lectura integrada coincide con
el marco de tres dimensiones —pedagógica, de gobernanza y operativa— que propone Chan (2023), y
confirma en el plano educativo lo que Floridi y Cowls (2019) habían anticipado en un plano más general:
que los principios éticos de la IA solo producen efectos cuando se traducen en gobernanza operativa, y
no cuando permanecen como declaraciones de intención.
Cabe señalar, no obstante, una tensión entre las fuentes revisadas: mientras UNESCO (2026) documenta
que casi dos terceras partes de las instituciones de educación superior vinculadas a sus redes ya cuentan
con directrices sobre IA o están elaborándolas, Ricra Ruiz et al. (2026) y González-Fernández et al.
(2025) insisten en que la implementación práctica de esos marcos enfrenta obstáculos concretos y que
el vacío regulatorio sigue siendo significativo, en particular en universidades latinoamericanas. Esta
discrepancia sugiere que contar con una directriz institucional escrita no equivale, todavía, a su
aplicación efectiva en el aula.
conectivista de Siemens (2005), que entiende el aprendizaje contemporáneo como la capacidad de
navegar redes de información —hoy generadas también por sistemas de IA— y no como la
memorización aislada de contenidos, lo que sugiere que la evaluación debería medir precisamente esa
capacidad de uso crítico, y no prohibir la herramienta que la hace posible.
Estos resultados responden al tercer objetivo específico mostrando que la prohibición ha sido, hasta
ahora, la respuesta institucional dominante frente al reto evaluativo, mientras que la literatura revisada
propone en cambio formación docente situada, diseño curricular transversal y una evaluación que
incorpore la IA en lugar de excluirla.
Discusión: respuesta al objetivo general
El objetivo general de este estudio fue analizar el uso ético de la inteligencia artificial en la educación
superior universitaria según la literatura especializada. Los resultados obtenidos en las tres categorías
no son independientes entre sí: la ausencia de marcos normativos institucionales documentada en el
segundo objetivo específico (Gallent-Torres et al., 2023; González-Fernández et al., 2025) explica, en
parte, por qué la transparencia y la equidad siguen dependiendo del criterio individual de cada
universidad (primer objetivo específico), y por qué la definición de prácticas docentes éticas queda, en
la práctica, a discreción de cada docente (tercer objetivo específico). Esta lectura integrada coincide con
el marco de tres dimensiones —pedagógica, de gobernanza y operativa— que propone Chan (2023), y
confirma en el plano educativo lo que Floridi y Cowls (2019) habían anticipado en un plano más general:
que los principios éticos de la IA solo producen efectos cuando se traducen en gobernanza operativa, y
no cuando permanecen como declaraciones de intención.
Cabe señalar, no obstante, una tensión entre las fuentes revisadas: mientras UNESCO (2026) documenta
que casi dos terceras partes de las instituciones de educación superior vinculadas a sus redes ya cuentan
con directrices sobre IA o están elaborándolas, Ricra Ruiz et al. (2026) y González-Fernández et al.
(2025) insisten en que la implementación práctica de esos marcos enfrenta obstáculos concretos y que
el vacío regulatorio sigue siendo significativo, en particular en universidades latinoamericanas. Esta
discrepancia sugiere que contar con una directriz institucional escrita no equivale, todavía, a su
aplicación efectiva en el aula.
pág. 6272
CONCLUSIONES
En respuesta al objetivo general, el análisis del uso ético de la inteligencia artificial en la educación
superior universitaria muestra que la literatura especializada no lo trata como un problema
unidimensional, sino como la intersección de tres exigencias que se condicionan entre sí: transparencia
y equidad, marcos normativos, y prácticas docentes (Gallent-Torres et al., 2023; Ricra Ruiz et al., 2026).
Esta lectura confirma, en el plano educativo, lo que Floridi y Cowls (2019) habían planteado de forma
general para cualquier sistema de IA: que un principio ético solo modifica la realidad institucional
cuando se traduce en gobernanza operativa, y no cuando permanece como enunciado de valores. Puede
apreciarse, además, que el propio ritmo de producción académica sobre este tema —concentrado casi
en su totalidad entre 2023 y 2026— es en sí mismo un dato relevante: revela que la reflexión ética ha
ido detrás de la adopción práctica de estas herramientas, y no a la inversa, un desfase que ya habían
anticipado Kasneci et al. (2023) al advertir sobre la velocidad de despliegue de los modelos de lenguaje
frente a la lentitud de la deliberación institucional.
Respecto del primer objetivo específico, la transparencia algorítmica, la equidad de acceso y la
protección de datos se confirman como exigencias éticas ampliamente reconocidas, pero
insuficientemente garantizadas en la práctica institucional (Gallent-Torres et al., 2023; Kasneci et al.,
2023; González-Fernández et al., 2025). Interpretado desde la teoría de la brecha digital de Van Dijk
(2020) y la integridad contextual de Nissenbaum (2010), este hallazgo permite sostener que la
desigualdad en el uso ético de la IA no es un efecto colateral de la tecnología, sino una consecuencia
directa de la ausencia de políticas de acceso y de protección de datos diseñadas específicamente para el
contexto universitario, y no adaptadas de otros sectores.
Respecto del segundo objetivo específico, se concluye que el marco normativo internacional está
consolidado desde la Recomendación de la UNESCO (2021) y las directrices de la OCDE (2022), pero
que su traducción en políticas institucionales avanza de forma desigual entre universidades (González-
Fernández et al., 2025; Gallent-Torres et al., 2023), y que la responsabilidad legal y ética ante usos
indebidos de la IA permanece, en la mayoría de las fuentes revisadas, sin definir con precisión (Farooqi
et al., 2024; Ricra Ruiz et al., 2026). Esta brecha entre normativa internacional y regulación institucional
es coherente con lo documentado por UNESCO (2026): contar con una directriz formal no equivale,
CONCLUSIONES
En respuesta al objetivo general, el análisis del uso ético de la inteligencia artificial en la educación
superior universitaria muestra que la literatura especializada no lo trata como un problema
unidimensional, sino como la intersección de tres exigencias que se condicionan entre sí: transparencia
y equidad, marcos normativos, y prácticas docentes (Gallent-Torres et al., 2023; Ricra Ruiz et al., 2026).
Esta lectura confirma, en el plano educativo, lo que Floridi y Cowls (2019) habían planteado de forma
general para cualquier sistema de IA: que un principio ético solo modifica la realidad institucional
cuando se traduce en gobernanza operativa, y no cuando permanece como enunciado de valores. Puede
apreciarse, además, que el propio ritmo de producción académica sobre este tema —concentrado casi
en su totalidad entre 2023 y 2026— es en sí mismo un dato relevante: revela que la reflexión ética ha
ido detrás de la adopción práctica de estas herramientas, y no a la inversa, un desfase que ya habían
anticipado Kasneci et al. (2023) al advertir sobre la velocidad de despliegue de los modelos de lenguaje
frente a la lentitud de la deliberación institucional.
Respecto del primer objetivo específico, la transparencia algorítmica, la equidad de acceso y la
protección de datos se confirman como exigencias éticas ampliamente reconocidas, pero
insuficientemente garantizadas en la práctica institucional (Gallent-Torres et al., 2023; Kasneci et al.,
2023; González-Fernández et al., 2025). Interpretado desde la teoría de la brecha digital de Van Dijk
(2020) y la integridad contextual de Nissenbaum (2010), este hallazgo permite sostener que la
desigualdad en el uso ético de la IA no es un efecto colateral de la tecnología, sino una consecuencia
directa de la ausencia de políticas de acceso y de protección de datos diseñadas específicamente para el
contexto universitario, y no adaptadas de otros sectores.
Respecto del segundo objetivo específico, se concluye que el marco normativo internacional está
consolidado desde la Recomendación de la UNESCO (2021) y las directrices de la OCDE (2022), pero
que su traducción en políticas institucionales avanza de forma desigual entre universidades (González-
Fernández et al., 2025; Gallent-Torres et al., 2023), y que la responsabilidad legal y ética ante usos
indebidos de la IA permanece, en la mayoría de las fuentes revisadas, sin definir con precisión (Farooqi
et al., 2024; Ricra Ruiz et al., 2026). Esta brecha entre normativa internacional y regulación institucional
es coherente con lo documentado por UNESCO (2026): contar con una directriz formal no equivale,
pág. 6273
todavía, a su aplicación efectiva, lo que sugiere que la investigación futura debería medir
implementación real y no solo existencia declarada de políticas.
Respecto del tercer objetivo específico, se concluye que la formación docente en ética de la IA (Escalona
y Paredes-Abreu, 2025, citado en Ricra Ruiz et al., 2026; García-Peñalvo et al., 2025), el rediseño
curricular transversal (Romeu Fontanillas et al., 2025) y la reformulación de las prácticas evaluativas
son condiciones necesarias, aunque no suficientes por sí solas, para un uso ético de la IA en el aula
universitaria. El hallazgo de Sullivan et al. (2023) —88 artículos que documentan el uso indebido de
estas herramientas en evaluaciones— indica que la prohibición ha sido, hasta ahora, la respuesta
institucional más frecuente; sin embargo, leída desde el modelo TPACK de Mishra y Koehler (2006) y
la teoría conectivista de Siemens (2005), esta respuesta resulta insuficiente, porque no atiende la
competencia de fondo que la propia tecnología exige formar: la capacidad del estudiantado de usar de
forma crítica redes de información, sean estas generadas por personas o por sistemas de IA.
REFERENCIAS BIBLIOGRÁFICAS
Diakopoulos, N. (2016). Accountability in algorithmic decision making. Communications of the ACM,
59(2), 56-62. https://doi.org/10.1145/2844110
Floridi, L. (2023). The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities.
Oxford University Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data
Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
Floridi, L., & Taddeo, M. (2016). What is data ethics? Philosophical Transactions of the Royal Society
A, 374(2083), 20160360. https://doi.org/10.1098/rsta.2016.0360
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R.,
Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical
framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds
and Machines, 28(4), 689-707. https://doi.org/10.1007/s11023-018-9482-5
International Center for Academic Integrity. (2021). The Fundamental Values of Academic Integrity (3a
ed.).
todavía, a su aplicación efectiva, lo que sugiere que la investigación futura debería medir
implementación real y no solo existencia declarada de políticas.
Respecto del tercer objetivo específico, se concluye que la formación docente en ética de la IA (Escalona
y Paredes-Abreu, 2025, citado en Ricra Ruiz et al., 2026; García-Peñalvo et al., 2025), el rediseño
curricular transversal (Romeu Fontanillas et al., 2025) y la reformulación de las prácticas evaluativas
son condiciones necesarias, aunque no suficientes por sí solas, para un uso ético de la IA en el aula
universitaria. El hallazgo de Sullivan et al. (2023) —88 artículos que documentan el uso indebido de
estas herramientas en evaluaciones— indica que la prohibición ha sido, hasta ahora, la respuesta
institucional más frecuente; sin embargo, leída desde el modelo TPACK de Mishra y Koehler (2006) y
la teoría conectivista de Siemens (2005), esta respuesta resulta insuficiente, porque no atiende la
competencia de fondo que la propia tecnología exige formar: la capacidad del estudiantado de usar de
forma crítica redes de información, sean estas generadas por personas o por sistemas de IA.
REFERENCIAS BIBLIOGRÁFICAS
Diakopoulos, N. (2016). Accountability in algorithmic decision making. Communications of the ACM,
59(2), 56-62. https://doi.org/10.1145/2844110
Floridi, L. (2023). The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities.
Oxford University Press.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data
Science Review, 1(1). https://doi.org/10.1162/99608f92.8cd550d1
Floridi, L., & Taddeo, M. (2016). What is data ethics? Philosophical Transactions of the Royal Society
A, 374(2083), 20160360. https://doi.org/10.1098/rsta.2016.0360
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R.,
Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An ethical
framework for a good AI society: Opportunities, risks, principles, and recommendations. Minds
and Machines, 28(4), 689-707. https://doi.org/10.1007/s11023-018-9482-5
International Center for Academic Integrity. (2021). The Fundamental Values of Academic Integrity (3a
ed.).
pág. 6274
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and
fairness in machine learning. ACM Computing Surveys, 54(6), 1-35.
https://doi.org/10.1145/3457607
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for
teacher knowledge. Teachers College Record, 108(6), 1017-1054.
Nissenbaum, H. (2010). Privacy in Context: Technology, Policy, and the Integrity of Social Life.
Stanford University Press.
Organización para la Cooperación y el Desarrollo Económicos [OCDE]. (2022). Recommendation of
the Council on Artificial Intelligence. OECD/LEGAL/0449.
Russell, S. J., & Norvig, P. (2021). Inteligencia artificial: un enfoque moderno (4a ed.). Pearson.
Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of
Instructional Technology and Distance Learning, 2(1), 3-10.
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460.
https://doi.org/10.1093/mind/LIX.236.433
UNESCO. (2019). Consenso de Beijing sobre la Inteligencia Artificial y la Educación.
https://unesdoc.unesco.org/ark:/48223/pf0000368303
Van Dijk, J. A. G. M. (2020). The Digital Divide. Polity Press.
Fuentes del corpus de la revisión sistemática (13)
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and
learning. International Journal of Educational Technology in Higher Education, 20(1), 1-25.
https://doi.org/10.1186/s41239-023-00408-3
Escalona, J., & Paredes-Abreu, Y. (2025). Inteligencia Artificial Generativa en la Educación
Universitaria: Dilemas Éticos. Revista EOnline Tech, 4(1), 6.
Farooqi, M. T. K., Amanat, I., & Awan, S. M. (2024). Ethical Considerations and Challenges in the
Integration of Artificial Intelligence in Education: A Systematic Review. Journal of Excellence
in Management Sciences, 3(4), 35-50.
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: una mirada desde la ética y la integridad académica.
Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and
fairness in machine learning. ACM Computing Surveys, 54(6), 1-35.
https://doi.org/10.1145/3457607
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for
teacher knowledge. Teachers College Record, 108(6), 1017-1054.
Nissenbaum, H. (2010). Privacy in Context: Technology, Policy, and the Integrity of Social Life.
Stanford University Press.
Organización para la Cooperación y el Desarrollo Económicos [OCDE]. (2022). Recommendation of
the Council on Artificial Intelligence. OECD/LEGAL/0449.
Russell, S. J., & Norvig, P. (2021). Inteligencia artificial: un enfoque moderno (4a ed.). Pearson.
Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of
Instructional Technology and Distance Learning, 2(1), 3-10.
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433-460.
https://doi.org/10.1093/mind/LIX.236.433
UNESCO. (2019). Consenso de Beijing sobre la Inteligencia Artificial y la Educación.
https://unesdoc.unesco.org/ark:/48223/pf0000368303
Van Dijk, J. A. G. M. (2020). The Digital Divide. Polity Press.
Fuentes del corpus de la revisión sistemática (13)
Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and
learning. International Journal of Educational Technology in Higher Education, 20(1), 1-25.
https://doi.org/10.1186/s41239-023-00408-3
Escalona, J., & Paredes-Abreu, Y. (2025). Inteligencia Artificial Generativa en la Educación
Universitaria: Dilemas Éticos. Revista EOnline Tech, 4(1), 6.
Farooqi, M. T. K., Amanat, I., & Awan, S. M. (2024). Ethical Considerations and Challenges in the
Integration of Artificial Intelligence in Education: A Systematic Review. Journal of Excellence
in Management Sciences, 3(4), 35-50.
Gallent-Torres, C., Zapata-González, A., & Ortego-Hernando, J. L. (2023). El impacto de la inteligencia
artificial generativa en educación superior: una mirada desde la ética y la integridad académica.
pág. 6275
RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2).
https://doi.org/10.30827/relieve.v29i2.29134
García-Peñalvo, F.-J., Casañ-Guerrero, M.-J., Alier-Forment, M., & Pereira-Valera, J.-A. (2025). La
ética de la inteligencia artificial generativa en educación a debate. Perspectiva desde el
desarrollo de un caso de estudio teórico-práctico. Revista Española de Pedagogía, 83(291), 281-
293. https://doi.org/10.22550/2174-0909.4577
González-Fernández, M. O., Romero-López, M. A., Sgreccia, N. F., & Latorre Medina, M. J. (2025).
Marcos normativos para una IA ética y confiable en la educación superior: estado de la cuestión.
RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 181-208.
https://doi.org/10.5944/ried.28.2.43511
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C.,
Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., &
Kasneci, G. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language
Models for Education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Liu, B. L., Morales, D., Roser-Chinchilla, J., Sabzalieva, E., Valentini, A., Vieira do Nascimento, D., &
Yerovi, C. (2023). Oportunidades y desafíos de la era de la inteligencia artificial para la
educación superior: una introducción para los actores de la educación superior. UNESCO
IESALC. https://unesdoc.unesco.org/ark:/48223/pf0000386670_spa
Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., & Nguyen, B. P. T. (2023). Ethical principles for artificial
intelligence in education. Education and Information Technologies, 28(4), 4221-4241.
https://doi.org/10.1007/s10639-022-11316-w
Ricra Ruiz, R. A., Queque Luque, E. F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., &
Lara Tapia, L. M. (2026). Implicaciones éticas de la inteligencia artificial generativa en la
educación superior: una revisión sistemática. Revista InveCom, 6(2).
https://doi.org/10.5281/zenodo.16734732
RELIEVE. Revista Electrónica de Investigación y Evaluación Educativa, 29(2).
https://doi.org/10.30827/relieve.v29i2.29134
García-Peñalvo, F.-J., Casañ-Guerrero, M.-J., Alier-Forment, M., & Pereira-Valera, J.-A. (2025). La
ética de la inteligencia artificial generativa en educación a debate. Perspectiva desde el
desarrollo de un caso de estudio teórico-práctico. Revista Española de Pedagogía, 83(291), 281-
293. https://doi.org/10.22550/2174-0909.4577
González-Fernández, M. O., Romero-López, M. A., Sgreccia, N. F., & Latorre Medina, M. J. (2025).
Marcos normativos para una IA ética y confiable en la educación superior: estado de la cuestión.
RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 181-208.
https://doi.org/10.5944/ried.28.2.43511
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh,
G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C.,
Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., Stadler, M., Weller, J., Kuhn, J., &
Kasneci, G. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language
Models for Education. Learning and Individual Differences, 103, 102274.
https://doi.org/10.1016/j.lindif.2023.102274
Liu, B. L., Morales, D., Roser-Chinchilla, J., Sabzalieva, E., Valentini, A., Vieira do Nascimento, D., &
Yerovi, C. (2023). Oportunidades y desafíos de la era de la inteligencia artificial para la
educación superior: una introducción para los actores de la educación superior. UNESCO
IESALC. https://unesdoc.unesco.org/ark:/48223/pf0000386670_spa
Nguyen, A., Ngo, H. N., Hong, Y., Dang, B., & Nguyen, B. P. T. (2023). Ethical principles for artificial
intelligence in education. Education and Information Technologies, 28(4), 4221-4241.
https://doi.org/10.1007/s10639-022-11316-w
Ricra Ruiz, R. A., Queque Luque, E. F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., &
Lara Tapia, L. M. (2026). Implicaciones éticas de la inteligencia artificial generativa en la
educación superior: una revisión sistemática. Revista InveCom, 6(2).
https://doi.org/10.5281/zenodo.16734732
pág. 6276
Romeu Fontanillas, T., Romero Carbonell, M., Guitert Catasús, M., & Baztán Quemada, P. (2025).
Desafíos de la Inteligencia Artificial generativa en educación superior: fomentando su uso
crítico en el estudiantado. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 209-
231. https://doi.org/10.5944/ried.28.2.43535
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for
academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 31-40.
https://doi.org/10.37074/jalt.2023.6.1.17
UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial.
https://unesdoc.unesco.org/ark:/48223/pf0000380455_spa
UNESCO. (2026). Encuesta de la UNESCO: las dos terceras partes de las instituciones de educación
superior cuentan con directrices sobre inteligencia artificial.
https://www.unesco.org/es/articles/encuesta-de-la-unesco-las-dos-terceras-partes-de-las-
instituciones-de-educacion-superior-cuentan-con
Vega-Reinel, S. V., Palacios-Zuñiga, R. M., Pazmiño-Gaibor, Á. X., Peña, P. M., & García-Laje, C. A.
(2025). Implicaciones éticas del uso de inteligencia artificial generativa en la formación
universitaria, dilema entre la innovación tecnológica y la responsabilidad académica.
REICOMUNICAR, 8(15), 833-851. https://doi.org/10.46296/rc.v8i15.0361
Romeu Fontanillas, T., Romero Carbonell, M., Guitert Catasús, M., & Baztán Quemada, P. (2025).
Desafíos de la Inteligencia Artificial generativa en educación superior: fomentando su uso
crítico en el estudiantado. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 209-
231. https://doi.org/10.5944/ried.28.2.43535
Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for
academic integrity and student learning. Journal of Applied Learning & Teaching, 6(1), 31-40.
https://doi.org/10.37074/jalt.2023.6.1.17
UNESCO. (2021). Recomendación sobre la ética de la inteligencia artificial.
https://unesdoc.unesco.org/ark:/48223/pf0000380455_spa
UNESCO. (2026). Encuesta de la UNESCO: las dos terceras partes de las instituciones de educación
superior cuentan con directrices sobre inteligencia artificial.
https://www.unesco.org/es/articles/encuesta-de-la-unesco-las-dos-terceras-partes-de-las-
instituciones-de-educacion-superior-cuentan-con
Vega-Reinel, S. V., Palacios-Zuñiga, R. M., Pazmiño-Gaibor, Á. X., Peña, P. M., & García-Laje, C. A.
(2025). Implicaciones éticas del uso de inteligencia artificial generativa en la formación
universitaria, dilema entre la innovación tecnológica y la responsabilidad académica.
REICOMUNICAR, 8(15), 833-851. https://doi.org/10.46296/rc.v8i15.0361