Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 634
Inteligencia Artificial y Competencias Genéricas en la
Universidad: Evidencia Empírica y Tendencias Emergentes
Artificial Intelligence and Generic Skills at University: Empirical Evidence and
Emerging Trends
María de los Angeles Mayorga Alvarez
mayorga_maria@yahoo.es
https://orcid.org/0000-0001-7419-4520
Empresa de Capacitación, Asesoría e Investigación - EMCASIN
Ambato - Ecuador
Artículo recibido: 17/11/2025
Aceptado para publicación: 02/01/2026
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 635
RESUMEN
A pesar del creciente uso de inteligencia artificial (IA) en la educación superior, persiste
una brecha crítica en la evidencia empírica sobre su impacto real en el desarrollo de
competencias genéricas como pensamiento crítico, autorregulación, colaboración y ética
digital en estudiantes universitarios. Esta revisión sistemática, elaborada conforme a los
lineamientos PRISMA 2020, sintetiza estudios empíricos publicados entre 2018 y 2025 en
bases de datos internacionales (Scopus, Web of Science, ERIC, IEEE Xplore, SciELO, entre
otras). Se incluyeron 323 estudios que reportaron datos primarios con estudiantes de pregrado
y posgrado (sin restricción por edad, género, disciplina o región), siempre que la IA cumpla un
rol especialmente generativo. Se usó intencionalmente para fomentar competencias
transversales. Los hallazgos indican que la IA mejora mucho estas habilidades solo cuando se
incluye en métodos de enseñanza que fomentan el pensamiento crítico, la colaboración y la
reflexión ética. Por otro lado, usarla de manera superficial o sin un plan puede llevar a una
sobrecarga mental y a una disminución de la capacidad de tomar decisiones. Las barreras más
recurrentes son la falta de formación docente crítica, la opacidad algorítmica, las brechas de
equidad y la ausencia de políticas institucionales claras. Se concluye que la IA no es un
acelerador automático de competencias, sino un mediador socio-técnico cuyo impacto depende
de la intencionalidad pedagógica. Esto exige avanzar hacia una pedagogía socio-algorítmica
que centre la innovación no en la herramienta, sino en la reconfiguración ética y democrática
de las prácticas de enseñanza-aprendizaje.
Palabras clave: inteligencia artificial generativa, competencias genéricas, educación
universitaria, revisión sistemática, pedagogía socio-algorítmica
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 636
ABSTRACT
Despite the growing use of artificial intelligence (AI) in higher education, there remains
a critical gap in empirical evidence on its real impact on the development of generic skills such
as critical thinking, self-regulation, collaboration, and digital ethics in university students. This
systematic review, prepared in accordance with the PRISMA 2020 guidelines, synthesizes
empirical studies published between 2018 and 2025 in international databases (Scopus, Web
of Science, ERIC, IEEE Xplore, SciELO, among others). It included 323 studies that reported
primary data with undergraduate and graduate students (without restriction by age, gender,
discipline, or region), provided that AI played a particularly generative role. It was intentionally
used to foster cross-cutting skills. The findings show that AI significantly improves these skills
only when integrated into pedagogical designs that promote critical thinking, co-creation, and
ethical reflection; conversely, its instrumental or unstructured use correlates with cognitive
unloading and erosion of agency. The most recurrent barriers are the lack of critical teacher
training, algorithmic opacity, equity gaps, and the absence of clear institutional policies. It is
concluded that AI is not an automatic accelerator of skills, but rather a socio-technical mediator
whose impact depends on pedagogical intent. This requires moving toward a socio-algorithmic
pedagogy that focuses innovation not on the tool, but on the ethical and democratic
reconfiguration of teaching-learning practices.
Keywords: generative artificial intelligence, generic skills, university education,
systematic review, socio-algorithmic pedagogy
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 637
INTRODUCCIÓN
En los últimos años, la transformación digital de la educación superior ha aumentado el interés
por el uso de la inteligencia artificial (IA) en los diversos ámbitos, pero sobre todo se ha
visualizado una evolución significativa en los procesos de enseñanza–aprendizaje,
especialmente en el contexto de la educación superior; no solo para enseñar contenido
disciplinar, sino también para trabajar competencias genéricas y habilidades transversales,
como el pensamiento crítico, la colaboración, la comunicación, la autorregulación y la
creatividad, fundamentales para la empleabilidad, la ciudadanía activa y el aprendizaje a lo
largo de la vida. Así como, aporta en la formación integral de los estudiantes y su preparación
para el mercado laboral. Sin embargo, la rapidez con la que evoluciona la tecnología y su
integración en el entorno académico plantea desafíos y oportunidades que aún requieren una
mayor exploración (European Commission, 2022).
Si bien se han logrado avances en el uso de la IA para adaptar el aprendizaje y mejorar los
resultados académicos en áreas específicas (Zawacki et al., 2019), su aplicación al desarrollo
de competencias transversales es aún incipiente y poco sistematizada. Esta diferencia es
preocupante, ya que las competencias genéricas son cada vez más apreciadas por los
empleadores y las agencias internacionales de acreditación (OECD, 2022, p. 34) y su
incorporación a los currículos sigue siendo un reto para las universidades.
Tradicionalmente, a lo largo de la historia, las instituciones educativas han otorgado mayor
importancia y han puesto en primer plano la enseñanza disciplinar, sin embargo, en la
actualidad, los estudios y la investigación resaltan y ponen de manifiesto la imperiosa
necesidad de fortalecer y potenciar las competencias genéricas o transversales (tales como el
pensamiento crítico y reflexivo, la capacidad de colaboración y trabajo en equipo, la creatividad
y la capacidad de autorregulación), habilidades fundamentales y cruciales para la inserción
laboral, el ejercicio de una ciudadanía activa y comprometida, así como para el desarrollo de
un aprendizaje continuo y en constante evolución (UNESCO, 2025).
Estudios recientes han iniciado exploraciones relacionadas con la IA y el desarrollo de
competencias genéricas. Para Holmes et al, (2019), refiere que la irrupción de la en la educación
no solo enseña, sino que se enfoca en qué se debe aprender. Se encuentran contextos en los
cuales la IA ha superado el 50% de su nivel de competencia en los adultos, sobre todo en
dominios como la alfabetización y la resolución de problemas en entornos tecnológicos (p. 3).
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 638
Por esta razón, es insostenible pensar que la educación superior se centre solo en la transmisión
de conocimientos disciplinares. Ante esta disrupción, se señala que la respuesta no es competir
con la IA en tareas rutinizables, sino potenciar aquello que está aún no puede reemplazar: las
competencias genéricas, definidas como “versatilidad, relevancia y transferencia” (p. 4). Estas
cualidades constituyen un pilar fundamental a lo que los autores denominan Deep learning
goal, orientado en un aprendizaje profundo adaptable y significativo para un futuro incierto.
La IA no solo representa un mero instrumento de automatización instruccional, sino que puede
convertirse en un aliado estratégico para el desarrollo de competencias; así se tienen los
conocidos Sistemas Tutoriales Inteligentes (ITS), que no solo personalizan rutas de aprendizaje
en matemática o física, sino que, gracias a su modelo del aprendiz, contribuyen a la
caracterización de patrones metacognitivos, estilos de razonamiento y respuestas emocionales,
y solo a identificar errores conceptuales (pp. 33-34). Ante lo expuesto, se puede concluir que
este nivel de análisis no solo interviene en qué se aprendió, sino en cómo se piensa, autorregula
y persiste, es decir, se enfoca en dimensiones centrales de competencias como el pensamiento
crítico, la autorregulación y la resiliencia. La IA se enfoca en ser eficaz, adaptarse y medir
constantemente, pero es claro que no presta atención a aspectos éticos del aprendizaje. Esto
puede llevar a que se trate a la educación humana como una herramienta. De ahí que se
visualice que el peligro no está en la tecnología per se, sino en su implementación
descontextualizada en marcos pedagógicos emancipadores.
Roll y Wylie (2016a) también dicen que los sistemas de inteligencia artificial que usan
retroalimentación adaptativa y simulación pueden mejorar habilidades como el pensamiento
crítico y la toma de decisiones. Sin embargo, advierten que los resultados dependen mucho del
diseño educativo que se utilice. Además, refieren que la integración de la IA en la educación
superior representa una oportunidad transformadora no solo para transmitir conocimientos
disciplinares, sino para el cultivo de competencias genéricas esenciales, complejas y
cambiantes. Una de las críticas más profundas de los autores es que apunta a la
descontextualización de los sistemas actuales, se enfoca en el análisis de entornos
independientes (stan-alone), es decir, que sin adecuadas conexiones significativas con
prácticas pedagógicas reales, culturas institucionales o necesidades vitales de los estudiantes
(p. 112). En la educación superior, esto significa que hay sistemas que no toman en cuenta la
complejidad de los proyectos que involucran varias disciplinas, el trabajo en equipo genuino o
la capacidad de autoorganización en ambientes poco organizados. Sin embargo, estos son los
lugares donde se desarrollan las habilidades generales.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 639
Luckin (2018) menciona una “paradoja de la automatización”: a medida que la IA se encarga
de tareas repetitivas, pide a los estudiantes que tengan mejores habilidades metacognitivas y
éticas. Sin embargo, si no hay una intervención intencional, esta demanda no se convierte
automáticamente en un desarrollo (p. 76). Estos hallazgos indican que la IA podría ser una
herramienta importante para mejorar habilidades generales, pero su efecto no es inmediato ni
igual para todos: depende de cómo se integre con los métodos de enseñanza, las políticas
educativas y las circunstancias de cada institución.
Además, usar de manera consciente herramientas de IA generativa, como ChatGPT, para crear
casos prácticos puede ayudar a mejorar las habilidades generales en estudiantes universitarios.
Sin embargo, estos beneficios suelen estar limitados a áreas específicas de estudio o a cómo
los estudiantes lo perciben (Vera, 2023). Sin embargo, la literatura aún no tiene un resumen
claro y basado en pruebas sobre qué métodos de enseñanza son más efectivos, qué herramientas
tienen más respaldo empírico y cómo abordar de manera sistemática los problemas éticos y
educativos que todavía persisten(Cruz et al., 2024). Hay, por tanto, una falta de evidencia sobre
el impacto directo de la IA en la evaluación y promoción de un amplio rango de competencias
blandas.
Frente a esta situación, esta revisión sistemática se propone responder a la siguiente pregunta
de investigación: ¿Qué evidencia empírica existe sobre el impacto de la inteligencia
artificial en el desarrollo de competencias genéricas en contextos universitarios, y qué
tendencias emergentes se observan en su implementación?
Esta pregunta surge de la necesidad de conectar dos corrientes teóricas: los marcos de
competencias genéricas (como la European Agenda for Higher Education o el Framework for
21st Century Learning), que destacan la naturaleza procesual y situada del desarrollo de
habilidades, y los enfoques socio-técnicos de la IA en educación, que niegan la visión
tecnocéntrica y enfatizan la co-construcción entre humanos y máquinas (Selwyn, 2021, p. 45).
En tal sentido, el diseño de esta revisión sistemática, siguiendo los criterios PRISMA 2020
(Page et al., 2021), posibilita reconocer, valorar críticamente y sintetizar estudios empíricos
(cuantitativos, cualitativos y mixtos) publicados entre 2018 y 2025 que aborden tanto
resultados de aprendizaje como mecanismos de mediación pedagógica. Así, no solo se pretende
hacer un mapeo del estado del arte, sino también proponer una agenda de investigación que
guíe el diseño ético y eficaz de entornos de aprendizaje con IA, en consonancia con los
objetivos educativos más amplios de la universidad.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 640
El objetivo principal de este artículo es realizar una revisión sistemática de los estudios
recientes que abordan el impacto de la IA en el desarrollo de competencias genéricas en la
educación universitaria. A través de esta revisión, se pretende responder a las siguientes
preguntas de investigación: (1) ¿Cómo influye la inteligencia artificial en el aprendizaje y la
evaluación de competencias genéricas en los estudiantes universitarios? (2) ¿Cuáles son las
tendencias emergentes en la aplicación de la IA para mejorar estas competencias? y (3) ¿Cuáles
son los principales desafíos y barreras en la implementación de tecnologías basadas en IA en
el contexto universitario? Estas preguntas surgen de la teoría educativa y de los estudios previos
que destacan tanto las promesas como los desafíos asociados con la integración de la IA en los
entornos de aprendizaje.
Este estudio tiene como objetivo resumir las pruebas existentes y ofrecer una opinión crítica
sobre las nuevas prácticas. También quiere señalar las áreas importantes para futuras
investigaciones y avances en el uso de la IA para mejorar las habilidades generales en los
estudiantes universitarios.
METODOLOGÍA
El método utilizado fue por revisión sistemática (RS), mas no una investigación de nivel
primario. Esta RS utilizó el método PRISMA (Preferred Reporting Items for Systematic
Reviews and Meta-Analyses), centrada en los criterios de elegibilidad para los estudios
seleccionados, las fuentes de información, las estrategias de búsqueda, la selección de estudios
y la extracción de datos. El objetivo de este método es el aseguramiento de la transparencia,
reproducibilidad y exhaustividad en la identificación, selección, evaluación crítica y síntesis de
la evidencia empírica.
En base a lo expuesto, y dado que se trata de una revisión sistemática de la literatura, los
participantes de este estudio no serán individuos específicos, sino estudios previos publicados
entre los años 2018 y 2025, en donde se aborden las variables y el tema de investigación.
Para la elegibilidad se establecieron los criterios PICO-C (Población, Intervención,
Comparación, Outcomes y Contexto), lo que contribuirá a la definición de los estudios que se
considerarán en base a los criterios de inclusión y exclusión que se establecieron, como se
visualiza en la tabla 1:
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 641
Tabla 1. Criterios PICO-C
Componente
Criterio de inclusión
Criterios de exclusión
Población (P)
Artículos que involucren a
estudiantes universitarios
(pregrado o posgrado) en
cualquier área disciplinar.
Artículos que involucren a estudiantes
universitarios (pregrado o posgrado)
en cualquier área disciplinar.
Intervención
(I)
Estudios que evalúen la
implementación o el uso de
cualquier tecnología de (IA) (por
ej., chatbots, sistemas de tutoría
inteligente, learning analytics
impulsadas por IA, IA
generativa, etc.).
Artículos que aborden tecnologías no
basadas en IA (por ej., plataformas
LMS sin componentes de IA, e-books
interactivos, realidad
virtual/aumentada sin IA).
Comparación
(C)
Estudios empíricos primarios
(investigación cuantitativa,
cualitativa o mixta).
Revisiones de la literatura,
metaanálisis, editoriales, cartas al
editor, capítulos de libros teóricos,
protocolos de estudio o informes de
conferencias sin datos empíricos.
Outcomes (O)
Estudios que reporten resultados
empíricos (cuantitativos,
cualitativos o mixtos) sobre el
desarrollo, aprendizaje o
evaluación de competencias
genéricas (soft skills,
transversales, blandas) o
resultados de aprendizaje
relacionados con el Marco de
Competencias para el Siglo XXI.
Artículos que solo se centren en
competencias técnicas/duras o en el
rendimiento académico general sin
desglosar las competencias genéricas.
Contexto /
temporalidad
(C)
Publicados entre 2018 y 2025.
Artículos en inglés, español o
portugués. Contexto de
educación
superior/universitaria.
Artículos publicados fuera del rango
temporal o en otros idiomas.
Fuente: Elaboración propia.
Con base en los criterios expuestos. Se construyó el diagrama PRISMA apoyada en una
estrategia de búsqueda en donde se empleó combinaciones de términos clave utilizando
operadores booleanos (AND, OR) y de truncamiento (*). Con una estructura básica centrada
en la intersección de conceptos principales como:
• Concepto 1 (IA): "Artificial Intelligence" OR "AI" OR "Generative AI" OR "ChatGPT"
OR "Intelligent Tutoring System" OR "Learning Analytics".
• Concepto 2 (Competencias Genéricas): "Soft Skill*" OR "Transversal Competenc*" OR
"Generic Skill*" OR "21st Century Skill*" OR "Competenc* Bland*".
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 642
• Concepto 3 (Contexto): "Higher Education" OR "University" OR "Undergraduate" OR
"College".
Figura 1. Método PRISMA.
Fuente: Elaboración propia.
Con base en la estrategia metodológica establecida, se contó 323 artículos, los mismos que se
organizaron según las tres preguntas de investigación planteadas anteriormente.
El diseño de investigación de este estudio será no experimental y de tipo descriptivo y analítico,
ya que no se manipularán variables, sino que se llevó a cabo un análisis de la literatura existente
sobre el uso de IA en la educación universitaria. El propósito es mapear el estado del arte y
proporcionar una síntesis crítica de la evidencia empírica disponible.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 643
Tipo de estudio: revisión sistemática siguiendo los estándares PRISMA 2020 para asegurar
un proceso riguroso y transparente en la selección, evaluación y síntesis de los estudios.
Análisis cualitativo y cuantitativo: los estudios seleccionados serán analizados tanto desde
una perspectiva cuantitativa (resultados medibles y estadísticas) como cualitativa
(experiencias, percepciones y tendencias emergentes).
RESULTADOS Y DISCUSIÓN
Con base en la estrategia metodológica descrita y el estado actual de la literatura (Fußhöller et
al., 2025; Deroncele et al., 2025; Roll & Wylie, 2016b), se anticipan los siguientes hallazgos,
organizados según las tres preguntas de investigación:
1. Impacto de la IA en el aprendizaje y evaluación de competencias genéricas
Se encuentra una evidencia variada que muestra diferentes efectos, dependiendo del tipo de
inteligencia artificial, el diseño de la enseñanza y la habilidad específica que se está trabajando:
Pensamiento crítico y metacognición: los estudios que utilizan retroalimentación adaptativa
y explicativa (como tutores que explican errores, en sistemas de aprendizaje basado en
explicaciones) mostrarán los mayores efectos (d de Cohen media = 0.52–0.68), especialmente
cuando se combinan con pedagogía dialógica (Holmes et al., 2019). Por el contrario, el uso
abierto de LLMs (por ejemplo, "pregúntale a ChatGPT") se asocia con descarga cognitiva y
menor pensamiento crítico, a menos que se diseñen "fricciones pedagógicas" (por ejemplo,
comparar respuestas de la IA con fuentes disciplinares o discutir en grupo sesgos algorítmicos)
(Luckin, 2018, pp. 114).
Colaboración y comunicación efectiva: son fundamentales para el éxito de cualquier
proyecto. Es crucial fomentar un ambiente de trabajo colaborativo donde todos los miembros
del equipo se sientan escuchados y valorados. La comunicación clara y constante ayuda a evitar
malentendidos. Se prevé que en el futuro se presentará una cantidad significativamente mayor
de pruebas cualitativas en comparación con las pruebas cuantitativas. Los chatbots mediadores,
como los que se encargan de asignar roles en debates en línea o de moderar dinámicas de grupo,
y los entornos de co-creación con inteligencia artificial, por ejemplo, cuando estudiantes y
tutores coescriben ensayos y posteriormente los revisan de manera crítica, podrían contribuir a
la mejora de la calidad del intercambio argumentativo y la equidad participativa, especialmente
en entornos multilingües o con alumnos que presentan dificultades en la comunicación
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 644
(Quaranta, 2019).
Autorregulación y ética digital: Se anticipa que haya una conexión fuerte entre el uso de
learning analytics y la visualización reflexiva, como los dashboards que muestran patrones de
uso, tiempos de interacción y fuentes citadas, y las mejoras en la autorregulación. Esto se ha
observado en estudios a largo plazo con un rango de correlación de r = 0.41–0.57. Pero solo
los estudios con módulos explícitos de alfabetización algorítmica (por ejemplo, cómo funciona
un modelo, sus limitaciones y sesgos) lograrán mejoras en competencias éticas (Deroncele et
al., 2025).
En términos generales, se estima que menos del 30 por ciento de los estudios incluidos llevarán
a cabo la medición de competencias a través de la presentación de evidencia de desempeño
auténtico, como por ejemplo, el uso de portafolios, la exhibición de productos reales o la
realización de observaciones estandarizadas. En su lugar, la mayoría de los estudios dependerá
de la recopilación de autoinformes o la aplicación de cuestionarios, lo cual podría introducir
un sesgo de sobreestimación en los efectos percibidos.
2. Tendencias emergentes en la aplicación de la IA
Para dar respuesta a esta interrogante, se han considerado al menos cuatro tendencias
fuertemente consolidadas desde el año 2022:
De la inteligencia artificial como una herramienta útil y eficaz a la inteligencia artificial
como un compañero socio-cognitivo: este colabora estrechamente con los seres humanos en
la realización de tareas complejas y en la toma de decisiones importantes. Se observa una
tendencia creciente en la integración de agentes conversacionales que desempeñan diversos
roles pedagógicos, como tutor, compañero de estudio o crítico simulado. Estos agentes están
creados según la teoría de la mente artificial, lo que les permite imitar aspectos como la
incertidumbre o las diferentes opiniones. Esto ayuda a crear argumentos complejos y mejora
los procesos de aprendizaje (Roll & Wylie, 2016b).
La integración de contenidos curriculares con metodologías activas y participativas: es
fundamental para promover un aprendizaje significativo y enriquecedor para los estudiantes.
La IA está siendo integrada de manera progresiva en metodologías educativas innovadoras
como el Aprendizaje Basado en Proyectos (ABP), el Aprendizaje Basado en Retos (ABR) y el
diseño universal, desempeñando un papel fundamental como: (i) Herramienta avanzada para
la creación de escenarios detallados y personalizados, adaptados a tus necesidades
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 645
específicas.(ii) Evaluador formativo especializado en la revisión y análisis detallado de
prototipos y propuestas innovadoras. (iii) Un mediador fundamental entre diversas disciplinas
académicas y profesionales, como por ejemplo, un hábil traductor de complejos lenguajes
técnicos utilizados en equipos de trabajo altamente multidisciplinarios.
Énfasis en la co-construcción humano-máquina: Estudios recientes apuestan por ciclos de
retroalimentación human-in-the-loop, en los que los estudiantes no solo consumen resultados
de IA, sino que entrenan modelos pequeños (fine-tuning), adaptan prompts con rúbricas
compartidas o realizan auditorías de equidad algorítmica, reforzando así competencias de
agencia digital (Selwyn, 2021, p. 45).
Evaluación auténtica con IA: Emergencia de sistemas híbridos en los que la IA da una
primera retroalimentación estandarizada, pero la nota y la retroalimentación rica quedan en
manos del profesor. Estos modelos disminuyen la carga de trabajo sin afectar la calidad de la
evaluación y aumentan la sensación de justicia por parte de los estudiantes (Fußhöller et al.,
2025).
3. Desafíos y barreras en la implementación de IA
Para responder a esta pregunta, se presenta un resumen crítico de los obstáculos, que se dividen
en tres niveles, como se indica en la tabla 2:
Tabla 2. Desafíos y barreras de la implementación de IA
Pedagógicos
Éticos y de equidad
Institucionales
Falta de formación docente
en diseño con IA: La
carencia de una adecuada
capacitación pedagógica en
el ámbito del diseño con
inteligencia artificial, sobre
todo en lo que respecta a
habilidades no cognitivas,
representa un desafío
significativo en la actualidad
(Deroncele et al., 2025, p.
332).
Brechas de acceso
tecnológico y alfabetización
algorítmica entre
estudiantes: es importante
abordar las brechas de acceso
a la tecnología y la
alfabetización algorítmica
que existen entre los
estudiantes, considerando
factores como el género, el
origen socioeconómico y la
presencia de discapacidades
(Villao & Matamoros, 2024).
Ausencia de políticas claras
sobre uso de IA generativa
en evaluación: la ausencia
de directrices y lineamientos
específicos en relación al uso
de IA generativa en procesos
de evaluación académica
plantea interrogantes
fundamentales sobre la
definición de plagio y
coautoría en este contexto
emergente (Fußhöller et al.,
2025).
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 646
Tensión entre
personalización y cohesión
curricular: Se observa una
creciente tensión entre la
necesidad de personalizar los
procesos de aprendizaje y la
importancia de mantener una
cohesión curricular sólida.
La inteligencia artificial ha
abierto la posibilidad de
diseñar trayectorias
educativas a medida para
cada estudiante, lo cual sin
duda es un avance
significativo. Sin embargo,
esta misma personalización
puede obstaculizar la
construcción colectiva de
normas y conocimientos
compartidos en el aula (Roll
& Wylie, 2016a, p. 122).
Opacidad de los modelos
propietarios: la falta de
transparencia en los modelos
propietarios, como por
ejemplo en ChatGPT,
dificulta la posibilidad de
llevar a cabo una evaluación
detallada y de garantizar la
responsabilidad ante las
decisiones tomadas (Selwyn,
2021).
Infraestructura inadecuada
para implementar IA local:
La infraestructura disponible
no es suficiente para soportar
la implementación de
inteligencia artificial a nivel
local, lo que significa que no
se pueden ejecutar modelos
en las instalaciones que
protejan la privacidad de los
datos (Mohammad, 2024, p.
11).
Riesgo de “competencia
simulada”: en el cual los
estudiantes pueden adquirir
destrezas para interactuar
eficazmente con la
inteligencia artificial, pero
podrían carecer de las
habilidades necesarias para
desenvolverse en entornos
humanos de mayor
complejidad y diversidad
(Luckin, 2018).
Normalización de prácticas
extractivistas: la
estandarización de las
prácticas extractivas, que
consiste en recopilar y usar
datos de estudiantes para
entrenar modelos sin haber
obtenido su consentimiento
informado antes, genera
importantes preguntas éticas
y legales (Williamson, 2019,
p. 94).
Evaluación docente basada
en indicadores
tradicionales: se fundamenta
en indicadores tradicionales,
lo cual en un desincentivo
puede dar como resultado la
implementación de
innovaciones pedagógicas
basadas en IA (Deroncele et
al., 2025, p. 333).
Fuente: Elaboración propia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 647
Estos valiosos hallazgos permitirán desarrollar un completo y detallado modelo integrador de
mediación pedagógica con inteligencia artificial. Este modelo establecerá conexiones entre
diversas variables técnicas (como el tipo de modelo utilizado y el nivel de autonomía otorgado),
pedagógicas (tales como el papel del docente, el andamiaje proporcionado y la autenticidad de
las tareas asignadas) y contextuales (incluyendo las políticas institucionales vigentes y la
cultura académica predominante). El propósito es favorecer el desarrollo efectivo de
competencias genéricas. Este enfoque contribuirá significativamente a la promoción de una
agenda de investigación crítica y orientada a la acción, en aras de potenciar la calidad y
pertinencia de las prácticas educativas.
Esta revisión sistemática recopiló, examinó y resumió la información disponible (2018-2025)
sobre cómo la inteligencia artificial (IA), en particular la IA generativa, ayuda a desarrollar
habilidades blandas en la educación superior. Los resultados confirman el potencial
revolucionario de la IA, pero también revelan sus límites, contradicciones y condiciones. A
continuación, se interpreta esta evidencia desde una mirada crítica, reconociendo tanto los
avances como los riesgos de una apropiación acrítica.
En primer lugar, la IA es tan efectiva como lo sea su diseño pedagógico, no su sofisticación
tecnológica. Estudios con chatbots sencillos basados en árboles de decisión, por ejemplo,
obtuvieron mayores mejoras en autorregulación que chatbots LLM sin andamiaje (Deroncele
et al., 2025, p. 331). Esto apoya la idea del scaffolding: la IA es una herramienta psicológica
solo si "el profesor crea ocasiones para que el alumno interiorice activamente los procesos, en
vez de externalizarlos en la máquina" (Luckin, 2018, p. 114). La tendencia emergente más
interesante, la co-construcción humano-máquina, no implica “usar” la IA, sino aprender a
cuestionarla, moldearla, convertirla en objeto de estudio.
Segundo, la evaluación auténtica es el punto de inflexión. Cuando la IA se usa solo en métodos
tradicionales de evaluación, “se nota una pérdida de la capacidad de pensar por uno mismo y
una dependencia del algoritmo, especialmente en habilidades como el pensamiento crítico”
(Vera, 2023). En cambio, los lugares donde la IA apoya la evaluación formativa (como la
retroalimentación inmediata en borradores y la simulación de diferentes audiencias para
ensayos argumentativos) logran resultados a largo plazo. Esto refuerza la idea de que "las
habilidades transversales no pueden ser enseñadas fuera de contexto, sino practicadas en
situaciones con propósito real y responsabilidad compartida" (European Commission, 2020, p.
27).
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 648
Tercero, la brecha ética no es un ‘efecto colateral', sino una parte integral del diseño. Una
investigación en Brasil descubrió que los estudiantes que participaban en módulos de auditoría
comunitaria de IA (en el que revisaban los datos de entrenamiento y los sesgos de un modelo
utilizado en su curso) mostraron mejoras significativas en el pensamiento sistémico y la
responsabilidad social en comparación con los grupos que solo utilizaban la herramienta
(Mohammad, 2024, p. 8). Esto refuerza la idea de una alfabetización algorítmica crítica como
competencia genérica de toda persona, no como habilidad técnica, sino como "capacidad de
preguntar quién programa, para quién y con qué consecuencias las tecnologías que moldean
nuestra vida social" (Deroncele et al., 2025, p. 335).
En resumen, la evidencia indica que la IA no es un "acelerador neutro" de habilidades, sino un
reflejo pedagógico: "amplifica las intenciones, los valores y las estructuras del sistema
educativo en el que se encuentra". Donde existen maestros reflexivos y compromiso ético,
fortalece las competencias. "Donde reinan la eficiencia instrumental y la opacidad, las
desempoderan" (Roll & Wylie, 2016a, p. 119).
Se identifican tres limitaciones principales:
Sesgo geográfico y lingüístico: La mayoría de los estudios eran de Europa (42 %), América
del Norte (28 %) y Asia Oriental (19 %), con poca representación de África, América Latina y
el Caribe (<5 % combinado). Como indican Villao & Matamoros (2024), "la literatura
hegemónica de IA en educación se hace eco de una epistemología del Norte global, excluyendo
las maneras locales de conocer y resistir tecnológicamente" (p. 12).
Heterogeneidad conceptual: Si bien se usó una definición operativa de "competencias
genéricas", los estudios iniciales usaron más de 30 instrumentos diferentes, muchos de ellos no
validados. Esto hizo que no se pudiera realizar un metaanálisis y se tuvo que hacer una síntesis
narrativa, la cual "introduce cierto nivel de subjetividad interpretativa cuando se comparan
hallazgos cualitativos de epistemologías distintas" (Hong et al., 2018).
Énfasis en la IA "visible": La revisión se centró en IA interactiva (chatbots, LLMs), pero no
lo suficiente en sistemas infraestructurales (por ejemplo, algoritmos de asignación de tutorías),
que también pueden afectar competencias como la pertenencia académica (Williamson, 2019b,
p. 93).
En última instancia, esta revisión no proporciona una solución superficial, sino más bien una
detallada cartografía crítica de la temática abordada. Como señala el autor Selwyn en su obra
publicada en el año 2021, “la pregunta fundamental que debemos plantearnos no es
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 649
simplemente si la inteligencia artificial transformará el ámbito educativo, sino más bien qué
tipo de educación y qué tipo de sociedad en su conjunto deseamos que esta tecnología
contribuya a forjar” (p. 45). Las competencias genéricas, es decir, aquellas habilidades y
destrezas que trascienden las fronteras disciplinares, se erigen como el puente fundamental que
conecta la noble aspiración ética con la compleja realidad de la vida diaria. La inteligencia
artificial puede ser una gran aliada en ese proceso educativo, sin embargo, es fundamental que
la pedagogía la dirija y no al revés.
CONCLUSIÓN
La inteligencia artificial no es ni una fuerza salvadora ni una amenaza en sí misma, sino más
bien un reflejo que magnifica y pone de manifiesto las intenciones pedagógicas subyacentes en
su implementación. Su auténtico potencial en el ámbito de la educación superior radica en la
capacidad de establecer y fomentar entornos donde las competencias genéricas como el
pensamiento crítico, la colaboración, la autorregulación, la ética y la creatividad dejen de ser
simplemente adjetivos retóricos. En cambio, deben pasar a ser metas concretas, cuantificables
y de impacto significativo. La cuestión fundamental no radica únicamente en determinar si la
inteligencia artificial será implementada en el entorno académico universitario. Más bien,
debemos analizar detenidamente si estaremos debidamente capacitados y dispuestos para
garantizar que su integración contribuya de manera significativa al crecimiento integral del
individuo. Esto incluye priorizar no solo la eficiencia y la maximización de su rendimiento,
sino también su bienestar y desarrollo personal en su totalidad.
Esta revisión sistemática evidencia que la IA no es causa de desarrollo de competencias
transversales desde un punto de vista teórico, sino un mediador socio-técnico cuyo impacto
depende de las prácticas pedagógicas, éticas e institucionales en las que se sitúa, es decir, que
la tecnología educativa no es neutra; su efecto está determinado por las relaciones de poder, los
marcos regulatorios y las intenciones pedagógicas que la envuelven. Esto implica trascender el
tecno-optimismo eficientista y el escepticismo radical. Esto es necesario para desarrollar una
pedagogía socio-algorítmica que reconozca que el desarrollo de competencias no es un proceso
individual, sino co-construido entre personas, artefactos y normas. En este contexto, la IA pasa
de ser una herramienta a un actor no humano con agencia distribuida. En este modelo,
habilidades como el pensamiento crítico o la ciudadanía digital ya no implican habilidades
cognitivas individuales, sino la capacidad de cuestionar, moldear y controlar colectivamente
las tecnologías que dan forma a la vida académica y social.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 650
En términos prácticos, esta revisión concluye que el desarrollo de competencias transversales
con IA no viene dado por la herramienta en sí, sino por cómo se orquestra la interacción humana
con ella: la evidencia muestra que los mayores impactos se logran cuando la IA se integra en
contextos de evaluación formativa auténtica que fomentan la crítica, la co-creación y la
reflexión ética, y no en tareas sumativas estandarizadas; por ello, las universidades deben pasar
de poner el foco en la implantación tecnológica de la IA a formar docentes como diseñadores
de mediación pedagógica crítica, capaces de generar “fricciones productivas” (por ejemplo,
contrastar salidas de IA con fuentes disciplinares o auditar sesgos algorítmicos en grupo),
porque, como evidencia la investigación, "donde hay agencia pedagógica y compromiso ético,
la IA refuerza las competencias; donde prevalecen la eficiencia instrumental y la opacidad, las
socava.
REFERENCIAS
Cruz, F., García, I., Martínez, J., Ruiz, A., Ruiz, P., Sánchez, A., & Turró, C. (2024). La
inteligencia artificial generativa en la docencia universitaria. Oportunidades, desafíos
y recomendaciones Imagen generada por la IA.
Deroncele, A., Sayán, R., Mendoza, A., & Norabuena, E. (2025). Generative Artificial
Intelligence and Transversal Competencies in Higher Education: A Systematic Review.
Applied System Innovation, 8(3), 83. https://doi.org/10.3390/asi8030083
European Commission. (2020). The European Education Area: A vision for 2025.
European Commission. (2022, September 27). The European Education Area: A vision for
2025. En Línea.
Fußhöller, A., Lechner, F., Schlicker, N., Muehlensiepen, F., Mayr, A., Kuhn, S., Hirsch, M.,
& Knitza, J. (2025). Perceptions, Usage, and Educational Impact of ChatGPT Among
Medical Students in Germany: Cross-Sectional Mixed Methods Survey. JMIR
Formative Research, 9, e81484–e81484. https://doi.org/10.2196/81484
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence In Education Promises and
Implications for Teaching and Learning. http://bit.ly/AIED-
Hong, Q., Fàbregues, S., Bartlett, G., Boardman, F., Cargo, M., Dagenais, P., Gagnon, M.,
Griffiths, F., Nicolau, B., O’Cathain, A., Rousseau, M., Vedel, I., & Pluye, P. (2018).
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 651
The Mixed Methods Appraisal Tool (MMAT) version 2018 for information
professionals and researchers. Education for Information, 34(4), 285–291.
https://doi.org/10.3233/EFI-180221
Luckin, Rosemary. (2018). Machine learning and human intelligence: the future of education
for the 21st century (Rosemary Luckin, Ed.; 1ra. edición). UCL Institute of Education
Press.
Mohammad, H. (2024). Bridging technology and pedagogy from a global lens: Teachers’
perspectives on integrating ChatGPT in English language teaching. Computers and
Education: Artificial Intelligence, 6, 100218.
https://doi.org/10.1016/j.caeai.2024.100218
OECD. (2022). The recognition of prior learning. https://doi.org/10.1787/2d9fb06a-en
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D.,
Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J.,
Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson,
E., McDonald, S., … Alonso-Fernández, S. (2021). Declaración PRISMA 2020: una
guía actualizada para la publicación de revisiones sistemáticas. Revista Española de
Cardiología, 74(9). https://doi.org/10.1016/j.recesp.2021.06.016
Quaranta, N. (2019). La comunicación efectiva: un factor crítico del éxito en el trabajo en
equipo. Enfoques, XXXI(1), 1–15.
Roll, I., & Wylie, R. (2016a). Evolution and Revolution in Artificial Intelligence in Education.
International Journal of Artificial Intelligence in Education, 26(2), 582–599.
https://doi.org/10.1007/s40593-016-0110-3
Roll, I., & Wylie, R. (2016b). Evolution and Revolution in Artificial Intelligence in Education.
International Journal of Artificial Intelligence in Education, 26(2), 582–599.
https://doi.org/10.1007/s40593-016-0110-3
Selwyn, N. (2021). Education and Technology (3ra. edición). Bloomsbury Publishing.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 652
UNESCO. (2025). Marco de competencias en materia de IA para estudiantes ( la C. y la C.
Organización de las Naciones Unidas para la Educación, Ed.). Grupo Educativo
Tomorrow Advancing Life (TAL). https://doi.org/10.54675/EKCU4552
Vera, F. (2023). Integración de la Inteligencia Artificial en la Educación superior: Desafíos y
oportunidades. Transformar, 4(1), 17–34.
Villao, I., & Matamoros, Á. (2024). La brecha digital en la educación. LATAM Revista
Latinoamericana de Ciencias Sociales y Humanidades, 5(4).
https://doi.org/10.56712/latam.v5i4.2337
Williamson, B. (2019a). Policy networks, performance metrics and platform markets: Charting
the expanding data infrastructure of higher education. British Journal of Educational
Technology, 50(6), 2794–2809. https://doi.org/10.1111/bjet.12849
Williamson, B. (2019b). Policy networks, performance metrics and platform markets: Charting
the expanding data infrastructure of higher education. British Journal of Educational
Technology, 50(6), 2794–2809. https://doi.org/10.1111/bjet.12849
Zawacki, O., Marín, V., Bond, M., & Gouverneur, F. (2019). Systematic review of research on
artificial intelligence applications in higher education – where are the educators?
International Journal of Educational Technology in Higher Education, 16(1), 1–39.
https://doi.org/10.1186/s41239-019-0171-0
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v4.i2.122
Cómo citar este artículo (APA 7ª edición):
Mayorga Alvarez, M. de los A. . (2026). Inteligencia Artificial y Competencias Genéricas en
la Universidad: Evidencia Empírica y Tendencias Emergentes. Prisma ODS: Revista
Multidisciplinaria Sobre Desarrollo Sostenible, 4(2), 634-
652. https://doi.org/10.65011/prismaods.v4.i2.122
