La Inteligencia Artificial (IA) se ha convertido en uno de los motores más influyentes de la transformación educativa en el siglo XXI. En América Latina y el Caribe (ALC), donde la Educación Superior (ES) enfrenta retos históricos de equidad, calidad y pertinencia, la IA aparece como un catalizador de cambio.
El Informe: La Revolución de la IA en la Educación Superior en América Latina y el Caribe de Molina y Medina (2025), publicado por el Banco Mundial, señala que “la IA está catalizando una revolución en la educación superior, redefiniendo el aprendizaje de los estudiantes, la enseñanza de los profesores y los modelos educativos institucionales” (p. 4). Sin embargo, advierte que su integración es aún fragmentada debido a limitaciones estructurales y éticas.
Más artículos del autor
El potencial transformador de la IA
La región ha pasado de 7.4 millones de estudiantes en 1990 a más de 31 millones en 2023, lo que representa una expansión masiva, aunque aún con brechas notables de acceso y calidad (Banco Mundial, 2025). En este contexto, la IA se presenta como una herramienta para personalizar la enseñanza, agilizar procesos administrativos y mejorar resultados de aprendizaje. Tal como subraya el informe, la IA “no debe ser vista como un reemplazo de la experiencia humana, sino más bien como una herramienta complementaria” (Molina & Medina, 2025, p. 29).
Los hitos tecnológicos —desde el Test de Turing (1950) hasta ChatGPT (2022) y DeepSeek R1 (2024)— marcan el terreno en que la IA se despliega en el aula. En Chile, por ejemplo, un sistema de admisión basado en IA redujo en un 20 % los casos de estudiantes sin su primera opción y mejoró en un 38 % la asignación de cupos a estudiantes mal emparejados (Banco Mundial, 2025).
Herramientas centradas en estudiantes y docentes
Los tutores inteligentes y el aprendizaje adaptativo son quizá el avance más visible. Kestin et al. (2024), en un estudio de Harvard, encontraron que “los participantes que utilizaban tutores de IA aprendían más del doble en menos tiempo que los que asistían a clases de aprendizaje activo” (p. 12). Este potencial se replica en casos regionales como Tutor Mateo de la Universidad Austral de Chile, que ofrece nivelación en matemáticas a estudiantes de ingeniería con retroalimentación en tiempo real.
Para los docentes, la IA puede optimizar la evaluación y el diseño de tareas. Plataformas como Gradescope (Stanford) han reducido las tasas de abandono del 8% al 3-4% en cursos de estadística, al tiempo que mejoraron las calificaciones promedio hasta en un 23 % (Dimari et al., 2024). Sin embargo, la integridad académica sigue siendo un reto: las herramientas de detección automática son imperfectas y, como advierte Liang et al. (2023), “pueden afectar injustamente a los hablantes no nativos de inglés” (p. 41). Esto exige repensar la evaluación hacia metodologías más creativas y transparentes.
Aplicaciones institucionales
La IA no solo impacta a estudiantes y docentes, sino también a la gestión institucional. Chatbots como Penny (SNHU) o TECgpt (Tecnológico de Monterrey) han demostrado eficacia en el acompañamiento estudiantil, aumentando tasas de retención y mejorando procesos administrativos. Igualmente, sistemas como uPlanner en Perú permiten optimizar la gestión de recursos y anticipar riesgos de abandono académico mediante algoritmos de predicción.
En un contexto donde casi la mitad de los estudiantes en ALC no culminan sus estudios universitarios a los 29 años, estas herramientas de predicción y acompañamiento se vuelven esenciales (Banco Mundial, 2025).
Desafíos para ALC
No obstante, la implementación de la IA enfrenta múltiples obstáculos. En primer lugar, la brecha digital sigue siendo crítica: “la distribución de tablets y computadores por sí sola no permite sortear las brechas de aprendizaje si se carece de conectividad y mantenimiento a largo plazo” (Molina & Medina, 2025, p. 15). A ello se suma la falta de formación docente en alfabetización digital y la escasa producción regional de innovación en IA: solo 0.21% de las patentes globales de IA en 2022 correspondieron a ALC (Stanford University, 2024).
Los dilemas éticos también son centrales. El sesgo algorítmico puede “perpetuar o amplificar inadvertidamente las desigualdades existentes” (Chouldechova, 2017, p. 602). Ejemplos como el caso DUO en Países Bajos, donde se marcaba de forma desproporcionada a estudiantes inmigrantes como de alto riesgo, alertan sobre el peligro de reproducir inequidades. En respuesta, organismos como la OCDE han desarrollado herramientas de detección de sesgo algorítmico, pero su adopción en ALC aún es limitada (OECD, 2022).
Conclusiones
La IA tiene el potencial de transformar radicalmente la Educación Superior en ALC, pero este cambio no es automático ni neutral. Requiere inversiones sostenidas en infraestructura digital, marcos éticos sólidos y una capacitación constante del personal docente y administrativo. Como subraya el informe del Banco Mundial, el éxito dependerá de un “enfoque multisectorial que involucre a gobiernos, universidades, sector privado y sociedad civil” (Molina & Medina, 2025, p. 60).
El reto no es menor: evitar que la IA reproduzca las desigualdades estructurales de la región y, en cambio, garantizar que todos los estudiantes, “independientemente de su origen, se beneficien del potencial transformador de la IA en la educación” (Molina & Medina, 2025, p. 61). Si se logra, América Latina y el Caribe no solo cerrará brechas educativas, sino que podrá convertirse en un referente global de innovación inclusiva.
Les invito a ver el video de metododelcaso.org sobre este tema:
Referencias
Banco Mundial. (2025). Revolución de la IA en Educación Superior: Lo que hay que saber. Brief N°4. Digital Innovations in Education. Banco Mundial.
Chouldechova, A. (2017). Fair prediction with disparate impact: A study of bias in recidivism prediction instruments. Big Data, 5(2), 153-163.
Dimari, A., Patel, R., & Liu, J. (2024). Automated grading with natural language processing: Enhancing efficiency and accuracy in higher education. Journal of Educational Technology, 41(3), 45-59.
Kestin, G., Lee, S., & McCarthy, J. (2024). AI tutoring systems and student learning outcomes: Evidence from randomized trials. Harvard Educational Review, 94(1), 10-34.
Liang, P., Chen, X., & Kumar, V. (2023). The limits of AI detection in academic integrity: A critical assessment. Computers & Education, 197, 104682.
Molina, E., & Medina, E. (2025). Revolución de la IA en Educación Superior: Lo que hay que saber. Brief N°4. Digital Innovations in Education, Banco Mundial.
OECD. (2022). Tools for trustworthy AI: Bias detection and mitigation. OECD Publishing.
Stanford University. (2024). AI Index Report 2024. Stanford Human-Centered AI Institute.