Inteligencia Artificial en la Docencia Universitaria: Una Revisión Sistemática de Impactos, Desafíos y Tendencias (2020-2025)

Abstract

La inteligencia artificial (IA) ha emergido como una herramienta estratégica en la educación superior, especialmente como soporte pedagógico en la docencia universitaria. No obstante, su integración en los procesos de enseñanza-aprendizaje evidencia una problemática crítica: la ausencia de marcos pedagógicos estructurados y de evidencia empírica robusta que respalde su implementación efectiva. Esta brecha genera tensiones entre la innovación tecnológica, las prácticas docentes tradicionales y las exigencias institucionales relacionadas con la ética, la evaluación y la calidad educativa. En este contexto, el objetivo de este estudio fue analizar de manera sistemática la producción científica reciente sobre la integración de la IA en la educación superior. Se realizó una revisión sistemática de la literatura se siguen las directrices del protocolo PRISMA, mediante una búsqueda en la base de datos Scopus,se considera artículos publicados entre 2020 y 2025. Tras la aplicación de criterios de inclusión y exclusión previamente definidos, se seleccionaron dieciocho estudios para su análisis cualitativo. Los resultados se organizaron en cinco ejes temáticos: uso de IA generativa por estudiantes, innovación pedagógica mediada por IA, evaluación y analítica educativa inteligente, ética e integridad académica, y transformación digital disciplinar. La evidencia indica que la IA favorece la personalización del aprendizaje, mejora la retroalimentación formativa y optimiza los procesos docentes. Sin embargo, persisten desafíos significativos relacionados con la regulación institucional, la formación docente en competencias digitales y la redefinición de los sistemas de evaluación. Se concluye que la IA representa una oportunidad relevante para la innovación pedagógica en la educación superior; no obstante, su integración efectiva requiere marcos pedagógicos sólidos y diseños de investigación más rigurosos que permitan consolidar evidencia empírica sobre su impacto a mediano y largo plazo