INTRODUCCIÓN
La llegada de las herramientas de inteligencia artificial generativa (IAG), capaces de redactar textos, resolver problemas, crear imágenes o resumir documentos en pocos segundos, ha alterado de manera visible la vida cotidiana de las aulas. En muy poco tiempo, docentes y estudiantes pasaron de desconocerlas a utilizarlas para preparar clases, elaborar tareas o estudiar. Urías Rivas et al. (2026) reportan que cerca del 71 % de los estudiantes universitarios mexicanos encuestados emplea la IAG en sus actividades académicas al menos de forma ocasional, y que la mayoría valora positivamente esa experiencia.
Este entusiasmo convive, sin embargo, con preocupaciones de fondo. Camacho Vázquez et al. (2025) encontraron que la comunidad universitaria percibe a ChatGPT como un recurso que agiliza el acceso a la información, pero también teme que fomente la pereza mental; además, los estudiantes rara vez lo citan como fuente y verifican sus respuestas de manera irregular. En la misma dirección, Galicia Alarcón et al. (2026) advierten que la IAG genera ambigüedad sobre la autoría y abre nuevas vías de deshonestidad intelectual, como la apropiación de ideas o el uso de información no comprobada.
El problema, por tanto, no reside en la tecnología en sí misma, sino en la manera en que se incorpora a los procesos formativos. La figura 1 sintetiza las dimensiones éticas que la literatura reciente asocia con el uso educativo de la IAG.
Figura 1. Dimensiones éticas del uso educativo de la inteligencia artificial generativa.
Elaboración: Los autores.
Como se observa, el uso ético de la IAG abarca la integridad académica, la privacidad de los datos, los sesgos algorítmicos y la equidad en el acceso, la transparencia en la autoría y la preservación del pensamiento crítico. Ricra Ruiz et al. (2025) señalan que muchas universidades carecen todavía de políticas claras sobre gestión de datos, privacidad y plagio vinculados con estas herramientas, y que la formación docente en este campo sigue siendo limitada. Martínez-Márquez (2025) añade que la baja alfabetización digital, especialmente entre el profesorado, y la ausencia de normas éticas explícitas dificultan un aprovechamiento responsable.
Este último aspecto merece especial atención, porque el docente es quien traduce cualquier política en práctica de aula. La evidencia sobre su preparación digital no es alentadora. En Mérida, México, el 60 % de los docentes de secundaria evaluados por Ruiz del Hoyo Loeza et al. (2023) presentó un nivel bajo de competencia digital, con mayores debilidades en las dimensiones informacional y comunicativa, precisamente las que se ponen en juego al valorar la fiabilidad de un texto generado por una máquina. La revisión de Chipana Rodríguez et al. (2026) confirma que la formación más eficaz combina la capacitación tecnológica con el acompañamiento y la práctica reflexiva, y que la infraestructura y la formación especializada siguen siendo los principales obstáculos.
A ello se suma que la IAG no es una tecnología neutra. Sus respuestas dependen de los datos con los que fue entrenada, pueden contener errores presentados con apariencia de certeza y reproducir sesgos de género, clase, etnia o idioma (Galicia Alarcón et al., 2026). Para un estudiante que no ha desarrollado criterios para contrastar la información, estas características representan un riesgo formativo, pues puede asumir como verdadero un contenido incorrecto o incorporar, sin advertirlo, una visión sesgada de la realidad. Por ello, enseñar a usar la IAG implica también enseñar a desconfiar de ella con fundamento.
Ante este panorama, la respuesta de muchas instituciones ha oscilado entre la prohibición y la permisividad sin criterios. Ninguna de las dos resuelve el problema: la primera ignora que la IAG ya forma parte del entorno de los estudiantes y la segunda deja a docentes y alumnos sin orientaciones para decidir cuándo y cómo usarla. Surge así la necesidad de identificar estrategias educativas concretas que permitan integrar estas herramientas de forma responsable.
A partir de lo expuesto, surge la siguiente interrogante: ¿qué estrategias educativas favorecen el uso ético de la inteligencia artificial generativa en los procesos de enseñanza y aprendizaje? En consecuencia, el objetivo de esta investigación es analizar las estrategias educativas que favorecen el uso ético de la inteligencia artificial generativa en los procesos de enseñanza y aprendizaje.
MÉTODO
El método de la investigación fue documental. Su desarrollo abarcó las etapas de recolección, selección, interpretación y análisis de textos, y la presentación coherente de los resultados. Se consultaron artículos arbitrados publicados entre 2025 y 2026 en revistas indexadas en SciELO y Scopus, localizados mediante combinaciones de los descriptores “inteligencia artificial generativa”, “ética”, “educación”, “estrategias docentes” e “integridad académica”. Se seleccionaron aquellos estudios que abordaban de manera directa los riesgos éticos de la IAG o las estrategias para su uso responsable en contextos educativos, y se descartaron los documentos sin arbitraje, las opiniones periodísticas y la literatura gris. La información se organizó en fichas de contenido y se analizó mediante la comparación de los aportes de cada estudio.
En la etapa de recolección se exploraron las colecciones nacionales de la red SciELO y revistas iberoamericanas indexadas en Scopus. En la selección se aplicaron como criterios de inclusión que los artículos estuvieran evaluados por pares, que abordaran la educación como contexto principal y que ofrecieran evidencia empírica o una revisión sistemática sobre el tema. En la etapa de interpretación, cada documento se leyó en texto completo para identificar los riesgos éticos descritos y las estrategias propuestas, y en la etapa de análisis se compararon los hallazgos para reconocer coincidencias, discrepancias y vacíos. Como resultado, se conformó un corpus de nueve investigaciones principales, complementadas con estudios sobre competencia digital docente y evaluación formativa que permitieron contextualizar la discusión.
El análisis se organizó en dos categorías. La primera reúne los riesgos éticos asociados al uso educativo de la IAG; la segunda agrupa las estrategias educativas que la literatura propone para afrontarlos. Esta organización permitió relacionar cada riesgo con las respuestas pedagógicas e institucionales que lo atienden, tal como se presenta en los resultados.
RESULTADOS
Los resultados se presentan en función del método propuesto, lo que permite comparar los aportes de los estudios analizados. La tabla 1 resume las investigaciones seleccionadas y su contribución al tema.
Tabla 1.
Estrategias educativas y uso ético de la inteligencia artificial generativa.
Autor(es) |
Investigación |
Aportes |
Camacho Vázquez et al. (2025) |
Implicaciones éticas del uso de inteligencia artificial en educación superior. |
La comunidad universitaria valora la IAG, pero no la cita como fuente ni verifica sus respuestas; se requiere educación en integridad académica. |
Galicia Alarcón et al. (2026) |
La inteligencia artificial generativa en la educación superior. Revisión sistemática sobre los desafíos éticos en el contexto iberoamericano. |
Identifica cinco desafíos: integridad académica, reflexión crítica, uso responsable, brechas de acceso y condiciones institucionales. |
López Jacobo & Angulo Armenta (2025) |
Transformación educativa con inteligencia artificial: revisión de aplicaciones y desafíos en educación. |
Propone regulación institucional, lineamientos de uso, formación digital e inversión en infraestructura para un acceso equitativo. |
Martínez-Garcés et al. (2026) |
Inteligencia artificial generativa en la pedagogía universitaria. Revisión sistemática. |
Describe usos instrumentales, intervenciones para el pensamiento crítico y aplicaciones en la evaluación; los docentes muestran percepciones ambivalentes. |
Martínez-Márquez (2025) |
Inteligencia artificial y educación. |
Señala la falta de normas éticas y de alfabetización digital docente como principales retos para un uso responsable. |
Ricra Ruiz et al. (2025) |
Implicaciones éticas de la inteligencia artificial generativa en la educación superior: una revisión sistemática. |
Recomienda integrar la ética y la alfabetización en IA en el currículo, con formación docente continua y auditorías periódicas. |
Romani Pillpe et al. (2025) |
Revisión sistemática de inteligencia artificial generativa (GenIA) para el diseño de experiencias de aprendizaje, 2020-2025. |
La IAG funciona mejor como complemento de la enseñanza convencional y exige desarrollar la alfabetización en IA y el pensamiento crítico. |
Sánchez et al. (2025) |
Inteligencia artificial generativa en educación superior: una revisión sistemática de literatura hispanohablante. |
Advierte sobre sesgos, opacidad algorítmica, aprendizaje superficial, plagio y desigualdad en el acceso en América Latina. |
Urías Rivas et al. (2026) |
Impacto del uso de la inteligencia artificial en la educación superior. |
El 71 % de los estudiantes usa IAG; los riesgos para la privacidad de los datos son la amenaza más mencionada. |
Elaboración: Los autores.
La tabla 1 muestra un amplio consenso sobre los riesgos. La integridad académica aparece en casi todos los estudios: la IAG difumina la autoría y facilita la presentación de textos ajenos como propios (Galicia Alarcón et al., 2026; Sánchez et al., 2025). A ello se suman la dependencia tecnológica, que puede debilitar el pensamiento crítico (Ricra Ruiz et al., 2025), los sesgos y la opacidad de los algoritmos (Sánchez et al., 2025), los riesgos para la privacidad de los datos (Urías Rivas et al., 2026) y la desigualdad en el acceso a estas herramientas, ligada a la conectividad y a la alfabetización digital (Galicia Alarcón et al., 2026).
En cuanto a las estrategias, los estudios convergen en cinco líneas de acción. La primera es la alfabetización crítica en IA, que enseña a reconocer las limitaciones de las herramientas, a contrastar la información y a detectar sesgos (Romani Pillpe et al., 2025; Galicia Alarcón et al., 2026). La segunda es el rediseño de la evaluación, de modo que valore el proceso y no solo el producto final; Martínez-Garcés et al. (2026) documentan intervenciones didácticas que usan la IAG precisamente para estimular el pensamiento crítico y no para sustituirlo. La tercera es la declaración transparente de su uso, que incluye citar la herramienta y verificar sus respuestas (Camacho Vázquez et al., 2025). La cuarta es la formación docente continua (Martínez-Márquez, 2025; Ricra Ruiz et al., 2025), y la quinta, la definición de políticas institucionales con lineamientos claros (López Jacobo & Angulo Armenta, 2025).
Tabla 2.
Riesgos éticos de la inteligencia artificial generativa y estrategias educativas asociadas.
Riesgo ético |
Estrategia educativa |
Fuentes |
Pérdida de integridad académica |
Declaración transparente del uso de la IAG; criterios explícitos de autoría; tareas que exigen elaboración personal. |
Camacho Vázquez et al. (2025); Galicia Alarcón et al. (2026) |
Dependencia tecnológica |
Rediseño de la evaluación hacia el proceso; actividades de análisis y mejora crítica de textos generados. |
Ricra Ruiz et al. (2025); Martínez-Garcés et al. (2026) |
Sesgos y opacidad algorítmica |
Alfabetización crítica en IA; contraste de fuentes y verificación de la información. |
Sánchez et al. (2025); Romani Pillpe et al. (2025) |
Vulneración de la privacidad |
Políticas institucionales sobre gestión de datos; orientación sobre la información que no debe compartirse. |
Urías Rivas et al. (2026); Ricra Ruiz et al. (2025) |
Desigualdad en el acceso |
Inversión en infraestructura y formación digital; uso de herramientas disponibles para todos los estudiantes. |
López Jacobo & Angulo Armenta (2025); Galicia Alarcón et al. (2026) |
Elaboración: Los autores.
La tabla 2 muestra que cada riesgo admite una respuesta pedagógica concreta. En el caso de la integridad académica, la estrategia más citada no es la vigilancia, sino la transparencia: acordar con los estudiantes en qué actividades se permite la IAG, cómo debe declararse su uso y de qué manera se citan sus aportes. Camacho Vázquez et al. (2025) muestran que, sin estas orientaciones, los estudiantes tienden a no citar la herramienta y a verificar sus respuestas de forma irregular, lo que convierte la falta de reglas en una fuente de prácticas cuestionables.
Frente a la dependencia tecnológica, los estudios proponen actividades en las que la IAG se use como punto de partida y no como resultado final. Pedir a los estudiantes que comparen la respuesta de la herramienta con otras fuentes, que identifiquen sus errores o que mejoren un texto generado son tareas que fortalecen el pensamiento crítico en lugar de sustituirlo (Martínez-Garcés et al., 2026). Romani Pillpe et al. (2025) coinciden en que la IAG produce mejores resultados cuando complementa la enseñanza convencional y cuando el diseño de la experiencia de aprendizaje incluye la reflexión sobre su uso.
Los sesgos y la opacidad de los algoritmos requieren, por su parte, una alfabetización crítica que va más allá del manejo técnico. Sánchez et al. (2025) advierten que la investigación hispanohablante sobre IAG es aún incipiente y que la evidencia sobre su impacto real en el aprendizaje es escasa, por lo que formar a los estudiantes para cuestionar los resultados de estas herramientas resulta tan importante como enseñarles a utilizarlas.
En relación con la privacidad, Urías Rivas et al. (2026) encontraron que los riesgos para los datos personales son la amenaza más mencionada por los estudiantes. Este hallazgo indica que la comunidad educativa percibe el problema, pero necesita orientaciones claras sobre qué información puede compartirse con estas plataformas y qué datos deben protegerse. Finalmente, la desigualdad en el acceso, asociada a la conectividad, la infraestructura y la alfabetización digital, exige respuestas institucionales que garanticen condiciones equitativas para todos los estudiantes (López Jacobo & Angulo Armenta, 2025; Galicia Alarcón et al., 2026).
DISCUSIÓN
Al discutir los resultados, se evidencia que el uso ético de la IAG en la educación no puede reducirse a una lista de prohibiciones. Los estudios analizados muestran que estudiantes y docentes ya utilizan estas herramientas (Urías Rivas et al., 2026) y que la ausencia de orientaciones es, en sí misma, una fuente de prácticas inadecuadas, como no citar la herramienta o no verificar lo que produce (Camacho Vázquez et al., 2025). La tarea pedagógica consiste, entonces, en convertir un uso espontáneo en un uso reflexivo.
En este proceso, la comunicación del docente ocupa un lugar central. Molina et al. (2025) plantean el discurso metacomunicativo como herramienta para el aprendizaje en el aula; aplicado a la IAG, implica explicitar en cada actividad si se permite su uso, con qué propósito, en qué momentos y cómo debe declararse. Esta claridad reduce la ambigüedad sobre la autoría que señalan Galicia Alarcón et al. (2026) y transforma la ética en una práctica cotidiana y no en una norma abstracta.
Del mismo modo, el rediseño de la evaluación responde a uno de los riesgos más señalados. Si las tareas pueden resolverse por completo con una herramienta, el problema no es solo del estudiante, sino también del diseño didáctico. Las actividades que exigen argumentar, contrastar fuentes, reflexionar sobre la propia experiencia o mejorar críticamente un texto generado por la IAG favorecen el aprendizaje y desalientan el uso deshonesto, en consonancia con lo descrito por Martínez-Garcés et al. (2026) y Romani Pillpe et al. (2025).
La evaluación formativa ofrece aquí un marco especialmente útil. Velasquez Diaz (2025) identifica la retroalimentación como el componente central de la evaluación formativa y destaca la autoevaluación y la coevaluación como vías para promover la autonomía y la reflexión. Imaicela Vega et al. (2025), por su parte, señalan que la retroalimentación inmediata, específica y centrada en el proceso favorece la metacognición y la autorregulación. Trasladadas al contexto de la IAG, estas prácticas permiten que el docente acompañe la forma en que el estudiante usa la herramienta, dialoga con ella y transforma lo que obtiene, en lugar de limitarse a calificar un producto cuya autoría resulta difícil de establecer.
La formación docente es la condición que hace posibles todas las estrategias anteriores. Aguilar Chávez (2025) concluye que las competencias digitales de los docentes de educación básica todavía no responden a las demandas actuales y que persisten vacíos en la formación inicial y continua. Si el profesorado no domina estas herramientas ni comprende sus limitaciones, difícilmente podrá orientar a sus estudiantes en un uso crítico y responsable. Por ello, la capacitación debe incluir no solo el manejo instrumental de la IAG, sino también el diseño de actividades, la evaluación del proceso y la reflexión ética sobre sus consecuencias.
Es necesario advertir, además, que la mayor parte de la evidencia analizada procede de la educación superior. La experiencia en la educación básica muestra que la sola dotación de equipos y plataformas no garantiza su integración pedagógica, y que los estudiantes de los primeros grados necesitan mayor guía para desenvolverse en entornos digitales (Vega-Sanjuán, 2026). Estas particularidades sugieren que las estrategias descritas deben adaptarse a la edad y al nivel de autonomía de los estudiantes antes de trasladarse a la escuela.
Por último, ninguna estrategia de aula resulta sostenible sin respaldo institucional. La falta de políticas sobre privacidad, plagio y uso responsable (Ricra Ruiz et al., 2025) deja a cada docente resolviendo en solitario dilemas que requieren criterios compartidos. La incorporación de la ética de la IA en el currículo puede apoyarse en experiencias de articulación curricular como la descrita por Isea Arguelles et al. (2026), quienes muestran que integrar la vinculación con la sociedad en el currículo universitario acerca la formación a las necesidades reales del entorno. Asimismo, la equidad en el acceso exige inversión en infraestructura y formación digital para que la IAG no amplíe las brechas existentes (López Jacobo & Angulo Armenta, 2025).
CONCLUSIONES
El uso ético de la inteligencia artificial generativa en la educación depende menos de la herramienta que de las decisiones pedagógicas e institucionales que acompañan su incorporación. La literatura analizada coincide en que sus principales riesgos son la pérdida de integridad académica, la dependencia tecnológica, los sesgos algorítmicos, la vulneración de la privacidad y la desigualdad en el acceso.
Para enfrentar estos riesgos, las estrategias más consistentes son la alfabetización crítica en IA, el rediseño de la evaluación hacia el proceso, la declaración transparente de su uso, la formación docente continua y la existencia de políticas institucionales claras. Cada una responde a un riesgo concreto, pero su eficacia depende de que se apliquen de manera articulada.
El docente ocupa un papel decisivo en este proceso. Su capacidad para comunicar con claridad las reglas de uso, diseñar actividades que exijan elaboración personal y acompañar el proceso mediante la retroalimentación determina que la IAG se convierta en un recurso para pensar mejor y no en un atajo para dejar de hacerlo. Por ello, la formación docente en competencias digitales y en ética de la IA constituye una prioridad.
Finalmente, se recomienda que futuras investigaciones evalúen empíricamente la aplicación de estas estrategias en distintos niveles educativos, en particular en la educación básica, donde la evidencia es todavía escasa, y que las instituciones elaboren lineamientos que orienten a docentes y estudiantes sobre el uso responsable de estas herramientas.
FINANCIAMIENTO
No monetario.
AGRADECIMIENTOS
A todos los agentes sociales involucrados en el desarrollo de la investigación.
REFERENCIAS CONSULTADAS
Aguilar Chávez, F. A. (2025). Desarrollo de la competencia digital docente en educación básica: revisión sistemática. Horizontes. Revista de Investigación en Ciencias de la Educación, 9(38), 1948-1962. https://doi.org/10.33996/revistahorizontes.v9i38.1028
Camacho Vázquez, M. R., Pérez Méndez, J., Cárdenas Castellanos, J., & Adaile Benítez, N. T. (2025). Implicaciones éticas del uso de inteligencia artificial en educación superior. Emerging Trends in Education, 8(15), 122-139. https://doi.org/10.19136/etie.v8n15.6343
Chipana Rodríguez, L., Sánchez Huamani, P. L., Cespedes Rojas, J. W., & Flores Julca, J. R. (2026). Competencias digitales de los docentes: una revisión sistemática. Revista InveCom, 6(4), e604055. https://ve.scielo.org/pdf/ric/v6n4/2739-0063-ric-6-04-e604055.pdf
Galicia Alarcón, L. A., Ayala Sánchez, G. I., & Suárez Ortigoza, M. (2026). La inteligencia artificial generativa en la educación superior. Revisión sistemática sobre los desafíos éticos en el contexto iberoamericano. Revista Latinoamericana de Estudios Educativos, 56(2), 351-377. https://doi.org/10.48102/rlee.2026.56.2.801
Imaicela Vega, R. E., Conza Chuquirima, J. H., Conza Chuquirima, M. E., Jiménez Chuquimarca, K. N., Cango Alejandro, M. C., & Vega Lanchi, M. M. (2025). Estrategias de retroalimentación formativa para potenciar el desempeño escolar. Revista InveCom, 5(1), e501084. https://ve.scielo.org/pdf/ric/v5n1/2739-0063-ric-5-01-e501084.pdf
Isea Arguelles, J. J., Romero Fernández, A. J., Infante Miranda, M. E., & Comas Rodríguez, R. (2026). Integración de la vinculación con la sociedad en el currículo universitario: el caso en una universidad ecuatoriana. Revista San Gregorio, 1(65), 72-79. https://n9.cl/9abxxr
López Jacobo, D. R., & Angulo Armenta, J. (2025). Transformación educativa con inteligencia artificial: revisión de aplicaciones y desafíos en educación. Apertura, 17(2), 44-55. https://doi.org/10.32870/Ap.v17n2.2662
Martínez-Garcés, J., Asprilla-Castillo, V., & Montenegro-Perafán, E. D. (2026). Inteligencia artificial generativa en la pedagogía universitaria. Revisión sistemática. Alteridad, 21(2), 207-221. https://doi.org/10.17163/alt.v21n2.2026.03
Martínez-Márquez, M. A. (2025). Inteligencia artificial y educación. Revista Tecnológica-Educativa Docentes 2.0, 18(1), 245-257. https://doi.org/10.37843/rted.v18i1.614
Molina, T., Lizcano, C., Burbano, L., & Isea, J. (2025). Discurso metacomunicativo como herramienta para el aprendizaje en el aula. Revista Conrado, 21(103), e4353. https://n9.cl/30pax
Ricra Ruiz, R. A., Queque Luque, E. F., Vega Lazo, F. H., Martínez Horna, D. J., Ross Audureau, J., & Lara Tapia, L. M. (2025). Implicaciones éticas de la inteligencia artificial generativa en la educación superior: una revisión sistemática. Revista InveCom, 6(2), e602066. https://ve.scielo.org/pdf/ric/v6n2/2739-0063-ric-6-02-e602066.pdf
Romani Pillpe, G., Macedo Inca, K. S., Soto Loza, G. E., Franco Guevara, A. M., & Ore Choque, M. K. (2025). Revisión sistemática de inteligencia artificial generativa (GenIA) para el diseño de experiencias de aprendizaje, 2020-2025. Revista Espacios, 46(3), 13-27. https://doi.org/10.48082/espacios-a25v46n03p02
Ruiz del Hoyo Loeza, E., Quiñonez Pech, S. H., & Zapata González, A. (2023). Retos en el desarrollo de la competencia digital en docentes de secundaria. Apertura, 15(1), 122-137. https://doi.org/10.32870/Ap.v15n1.2272
Sánchez, N. E., Michay, G. C., & Calderón, J. V. (2025). Inteligencia artificial generativa en educación superior: una revisión sistemática de literatura hispanohablante. Revista Espacios, 46(6). https://doi.org/10.48082/espacios-a25v46n06p02
Urías Rivas, M. O., Lugo Hernández, L. T., Rivera Obregón, M. L., Fonseca Bojórquez, C., & Díaz Huicho, D. V. (2026). Impacto del uso de la inteligencia artificial en la educación superior. Revista Latinoamericana de Estudios Educativos, 56(1), 189-214. https://doi.org/10.48102/rlee.2026.56.1.760
Vega-Sanjuán, H. W. (2026). Apropiación pedagógica de plataformas digitales en la enseñanza básica primaria en Colombia. Revista Arbitrada Interdisciplinaria Koinonía, 11(21), 219-232. https://doi.org/10.35381/r.k.v11i21.5006
Velasquez Diaz, W. S. (2025). Retos de la evaluación formativa en estudiantes de secundaria en los últimos años. Revista InveCom, 5(4), e504038. https://ve.scielo.org/pdf/ric/v5n4/2739-0063-ric-5-04-e504038.pdf
©2026 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)