Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 234
El impacto de la IA generativa en la labor docente de
estudiantes de bachillerato
The impact of generative AI on the teaching work of high school students
Solis-Aviles, Enny Jeanina
1
Bravo-Briones, Doris Beatriz
2
https://orcid.org/0009-0007-3635-7246
https://orcid.org/0009-0008-1144-4949
enny.solis@docentes.educacion.edu.ec
beatriz.bravo@docentes.educacion.edu.ec
Unidad Educativa Ventanas, Ecuador, Ventanas.
Unidad Educativa Ventanas, Ecuador, Ventanas.
Solis-Aviles, Jessica Yesenia
3
Mera-Medina, Esther Jessenia
4
https://orcid.org/0009-0003-6993-256X
https://orcid.org/0009-0008-6596-1175
yesenia.solis@docentes.educacion.edu.ec
esther.mera@docentes.educacion.edu.ec
Escuela de Educación Básica Morona Santiago,
Ecuador, Babahoyo.
Unidad Educativa Soldado Monge, Ecuador,
Empalme.
Moya-Muñoz, Laura Dolores
5
https://orcid.org/0009-0003-0241-2893
laurad.moya@docentes.educacion.edu.ec
Unidad Educativa Ventanas, Ecuador, Ventanas.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v3/n4/108
Resumen: La revisión sitúa el auge de la IA generativa en
el bachillerato como un cambio pedagógico ambivalente y
se propone analizar su impacto en tareas docentes
nucleares. Emplea un diseño exploratorio de revisión
bibliográfica (2023–2025) con búsquedas en Scopus, Web
of Science, ERIC y Education Source; aplica criterios de
inclusión para K-12/bachillerato, cribado por pares,
valoración de calidad y síntesis temática. Los hallazgos
muestran: (i) mayor eficiencia en planificación y diseño, con
personalización por niveles y desplazamiento del rol
docente hacia la curaduría y verificación, pero con riesgo
de desalineación curricular; (ii) tensiones de integridad
académica (plagio y límites de detectores), que impulsan
evaluación auténtica y trazabilidad; (iii) sesgos
socioculturales en salidas de modelos que exigen
mediación crítica; y (iv) preocupaciones de privacidad que
demandan gobernanza institucional. Concluye que el valor
educativo depende de guardarraíles curriculares,
protocolos de validación, políticas de datos y desarrollo
profesional; propone un trípode estratégico (formación
docente, gobernanza, evaluación por procesos) y agenda
futura sobre efectos, alineamiento y trazabilidad.
Palabras clave: IA generativa; bachillerato; planificación
didáctica; evaluación auténtica; integridad académica.
Artículo Científico
Received: 13/Oct/2025
Accepted: 26/Oct/2025
Published: 13/Nov/2025
Cita: Solis-Aviles, E. J., Bravo-Briones, D.
B., Solis-Aviles, J. Y., Mera-Medina, E. J., &
Moya-Muñoz, L. D. (2025). El impacto de la
IA generativa en la labor docente de
estudiantes de bachillerato. Revista
Científica Ciencia Y Método, 3(4), 234-
248. https://doi.org/10.55813/gaea/rcym/v3/
n4/108
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2025. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 235
Artículo Científico
Abstract:
The review positions the rise of generative AI in high school as an ambivalent
pedagogical change and aims to analyze its impact on core teaching tasks. It uses an
exploratory literature review design (2023–2025) with searches in Scopus, Web of
Science, ERIC, and Education Source; it applies inclusion criteria for K-12/high school,
peer screening, quality assessment, and thematic synthesis. The findings show: (i)
greater efficiency in planning and design, with personalization by level and a shift in
the teaching role toward curation and verification, but with a risk of curricular
misalignment; (ii) tensions of academic integrity (plagiarism and detector limitations),
which drive authentic assessment and traceability; (iii) sociocultural biases in model
outputs that require critical mediation; and (iv) privacy concerns that demand
institutional governance. It concludes that educational value depends on curricular
guardrails, validation protocols, data policies, and professional development; it
proposes a strategic tripod (teacher training, governance, process evaluation) and a
future agenda on effects, alignment, and traceability.
Keywords: Generative AI; high school; instructional planning; authentic assessment;
academic integrity.
1. Introducción
La irrupción de la IA generativa (IAGen), encabezada por modelos de lenguaje de gran
escala como ChatGPT, está reconfigurando de manera acelerada los procesos
pedagógicos y las tareas docentes en los niveles escolares no universitarios. En el
bachillerato, donde confluyen objetivos de desarrollo de competencias cognitivas
superiores, alfabetización digital crítica y preparación para la educación superior o el
trabajo, la expansión de estas herramientas plantea un problema complejo: ¿cómo
impacta la IAGen la labor docente cotidiana —planificación, diseño de materiales,
evaluación y retroalimentación— y con qué efectos sobre la integridad académica, la
equidad y los resultados de aprendizaje? Organismos internacionales han pedido una
adopción “centrada en el ser humano” y basada en evidencia, alertando sobre sesgos,
alucinaciones, opacidad algorítmica y dependencia indebida (UNESCO, 2023). La
literatura científica reciente, a la vez, destaca tanto oportunidades —personalización,
apoyo al diseño instruccional, andamiaje y accesibilidad— como desafíos éticos y
pedagógicos que requieren nuevas competencias docentes y marcos de gobernanza
claros (Kasneci et al., 2023).
En el planteamiento del problema, las escuelas de bachillerato enfrentan tensiones
entre el potencial de la IAGen para aumentar la eficiencia docente y la necesidad de
resguardar la autenticidad y validez de las tareas evaluativas. Estudios empíricos en
contextos K-12 muestran que el profesorado reconoce la utilidad de estas
herramientas, pero expresa inquietudes sobre su efecto en la autoría estudiantil, la
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 236
Artículo Científico
calidad de la retroalimentación y las exigencias de supervisión docente (“human-in-
the-loop”) (Hays, Jurkowski, & Kerr Sims, 2023/2024). Al mismo tiempo, evidencias
cualitativas recientes reportan que las y los docentes ya utilizan la IAGen para generar
ideas, planificar clases, crear recursos, apoyar la evaluación y comunicarse con las
familias y el alumnado, aunque predominan usos en niveles de “aumentación” más
que de “transformación” pedagógica (An & James, 2025).
Los factores o afectaciones del problema se manifiestan en varias dimensiones. En la
dimensión pedagógica, revisiones sistemáticas señalan efectos mixtos sobre el
compromiso y el desempeño, que dependen del diseño instruccional, del andamiaje
docente y de la transparencia sobre el uso de IAGen (Mai et al., 2024; Munaye et al.,
2025). En la dimensión técnico-ética, la literatura converge en la necesidad de atender
la privacidad, el sesgo, la explicabilidad y los riesgos de desinformación y
“alucinaciones” que podrían ser amplificados por estudiantes en proceso de
alfabetización crítica (Kasneci et al., 2023; UNESCO, 2023). En la dimensión
organizacional, aparecen asimetrías de acceso y de preparación docente que
amenazan con ampliar brechas entre centros y estudiantes, además de una carga de
trabajo nueva asociada a la supervisión, verificación de fuentes y rediseño de
evaluaciones auténticas (Hays et al., 2024; An & James, 2025). Finalmente, en la
dimensión de integridad académica, se documenta el riesgo de uso indebido para la
resolución de tareas y ensayos, lo que tensiona los sistemas tradicionales de
evaluación en educación media (Cotton, Cotton, & Shipway, 2023).
La justificación y viabilidad del presente trabajo descansan en la necesidad de
sintetizar evidencia verificable, actual y específica para el bachillerato, de forma que
la toma de decisiones curriculares y de política escolar se apoye en recomendaciones
basadas en investigación. Existen ya aportes que describen contribuciones concretas
de la IAGen a la labor docente: apoyo a la planificación didáctica y al diseño de
actividades, generación y revisión de materiales, y mediación en la retroalimentación
formativa (van den Berg & du Plessis, 2023; Guo & Wang, 2023). Esta promesa hace
viable una integración responsable siempre que se articule con lineamientos de uso
ético, evaluación auténtica y desarrollo profesional docente. Al mismo tiempo,
revisiones sistemáticas subrayan que la adopción debe acompañarse de marcos de
gobernanza y de protocolos para documentar y comunicar el uso de IAGen en las
tareas, con énfasis en transparencia y trazabilidad (Mai et al., 2024; Munaye et al.,
2025). Dado que el bachillerato ocupa un lugar crítico en la formación preuniversitaria,
comprender las condiciones pedagógicas, institucionales y éticas que permiten
convertir la IAGen en un aliado —y no en un sustituto— de la mediación docente
resulta pertinente y oportuno (UNESCO, 2023).
Con base en lo anterior, el objetivo de esta revisión bibliográfica es analizar
críticamente el impacto de la IA generativa en la labor docente con estudiantes de
bachillerato, identificando (a) los cambios en tareas nucleares —planificación, diseño
de recursos, retroalimentación y evaluación—; (b) las oportunidades asociadas a
personalización, accesibilidad y eficiencia; (c) los riesgos y dilemas éticos en
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 237
Artículo Científico
integridad académica, sesgo, privacidad y dependencia tecnológica; y (d) las
condiciones de viabilidad (políticas, formativas y de evaluación) para una integración
responsable. La revisión se enfocará prioritariamente en artículos indexados en
Scopus y Web of Science con DOI y abarcará estudios empíricos y revisiones
publicadas desde 2023, con especial atención al contexto K-12 y a evidencias
transferibles al bachillerato (Piedra-Castro et al., 2024). Este enfoque permitirá
proponer implicaciones prácticas para el rediseño de la enseñanza y la evaluación en
la educación media superior, así como líneas de investigación futura orientadas a
medir efectos sobre aprendizaje, equidad y carga laboral docente en escenarios reales
de aula (Hays et al., 2024; An & James, 2025; Cotton et al., 2023; Kasneci et al., 2023)
2. Materiales y métodos
Este estudio adoptó un diseño exploratorio de revisión bibliográfica orientado a
mapear y sintetizar la evidencia reciente sobre el impacto de la inteligencia artificial
generativa en la labor docente con estudiantes de bachillerato. Se estableció un
protocolo previo que definió preguntas guía, criterios de elegibilidad, fuentes de
información, estrategias de búsqueda, procedimientos de cribado y extracción, así
como el plan de síntesis. La pregunta central fue: “¿Qué implicaciones pedagógicas,
organizacionales y éticas tiene la adopción de IA generativa en las tareas docentes
de planificación, diseño de recursos, retroalimentación y evaluación en el
bachillerato?”. Como subpreguntas se consideraron los tipos de usos reportados por
docentes, los beneficios y riesgos documentados, y las condiciones institucionales y
formativas que facilitan una integración responsable.
Se delimitaron criterios de inclusión enfocados en estudios empíricos (cualitativos,
cuantitativos o mixtos) y revisiones secundarias que abordaran la educación
secundaria o K-12 con hallazgos transferibles al bachillerato. Se contemplaron
artículos publicados en revistas con arbitraje e indexación reconocida, con fecha de
publicación entre 2023 y 2025, en español, inglés o portugués, y con disponibilidad de
texto completo. Se excluyeron preprints no revisados por pares, notas de opinión sin
soporte empírico, literatura puramente técnica sin foco educativo y trabajos centrados
exclusivamente en educación superior universitaria sin implicaciones claras para
bachillerato. Adicionalmente, se dejaron fuera estudios cuyo foco principal fuera la IA
no generativa o el uso de tecnologías digitales generales sin distinguir el componente
generativo.
La búsqueda se realizó en bases de datos académicas y educativas de alta cobertura,
priorizando motores bibliográficos con amplias capacidades de indización disciplinar.
Se incluyeron, de forma prioritaria, bases como Scopus y Web of Science; se
complementó con ERIC y Education Source para garantizar la sensibilidad educativa
de la recuperación. Se utilizaron cadenas booleanas y términos controlados y libres
organizados en tres ejes: tecnología (“inteligencia artificial generativa”, “large
language models”, “ChatGPT”, “IA generativa”), nivel educativo (“bachillerato”,
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 238
Artículo Científico
“educación media”, “secondary education”, “high school”, “K-12”) y foco docente
(“docente”, “enseñanza”, “planificación”, “diseño instruccional”, “retroalimentación”,
“evaluación”, “integridad académica”). A modo de ejemplo, se combinaron
expresiones como: (“generative AI” OR “large language model*” OR “ChatGPT”) AND
(“secondary education” OR “high school” OR “K-12” OR “bachillerato”) AND (teacher*
OR docente* OR instruction* OR “assessment” OR “feedback” OR “lesson planning”).
Las búsquedas se acotaron por rango temporal y por tipo de documento, y se
replicaron en cada base con las adaptaciones terminológicas necesarias.
Los registros recuperados se gestionaron en un gestor bibliográfico, eliminando
duplicados de forma automática y manual. El cribado se realizó en dos fases por
pares: primero, revisión de títulos y resúmenes frente a los criterios de inclusión;
después, lectura a texto completo de los estudios potencialmente pertinentes. Las
discrepancias se resolvieron mediante discusión y, de ser necesario, con la
intervención de una tercera persona revisora. Se diseñó una matriz de extracción de
datos que capturó metadatos (año, país, nivel educativo, tipo de estudio),
características de la intervención o del uso de la IA generativa, tareas docentes
implicadas, resultados principales (pedagógicos, organizacionales, de integridad
académica), consideraciones éticas y limitaciones. Para estudios empíricos se
registraron muestras, contextos, instrumentos y métricas; para revisiones, el alcance,
las fuentes consultadas y las categorías temáticas (Ayala-Chavez et al., 2025).
Con fines de transparencia y valoración crítica, cada estudio incluido fue sometido a
una apreciación de calidad metodológica mediante una lista de verificación apropiada
al diseño (cualitativo, cuantitativo o mixto), atendiendo a coherencia del diseño,
adecuación muestral, validez de instrumentos, claridad analítica y congruencia entre
datos y conclusiones. Este juicio no se utilizó de forma excluyente, pero sí para
ponderar el peso de la evidencia en la síntesis narrativa. Se efectuó, además, una
lectura atenta de posibles sesgos de publicación, geográficos y de idioma, y se
registraron vacíos temáticos y metodológicos relevantes (Mendoza-Armijos et al,
2023).
Dada la heterogeneidad esperada de diseños, contextos y métricas, se optó por una
síntesis cualitativa temática. Los hallazgos se organizaron en categorías predefinidas
alineadas con la pregunta guía —planificación y diseño didáctico, retroalimentación y
evaluación, condiciones institucionales y desarrollo profesional, e integridad
académica y ética—, abiertas a la emergencia de subtemas inductivos. Cuando fue
posible, se ofrecieron comparaciones narrativas entre estudios y una evaluación de
consistencias, divergencias y moderadores contextuales (por ejemplo, políticas
escolares, acceso a infraestructura, experiencia docente). Finalmente, se elaboró un
mapa de evidencias que conecta oportunidades, riesgos y condiciones de viabilidad,
y se propusieron líneas de investigación futura y recomendaciones prácticas derivadas
de la convergencia de resultados (Ayala-Chavez et al., 2025).
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 239
Artículo Científico
Todo el proceso quedó documentado en un registro interno que permite su
replicabilidad: fecha de cada búsqueda, bases y filtros aplicados, cadenas exactas,
número de registros en cada fase y razones de exclusión a texto completo. La
trazabilidad de decisiones metodológicas se resguardó en planillas de control y actas
de resolución de discrepancias, garantizando consistencia procedimental y
auditabilidad del corpus resultante (Michuy-Guingla et al., 2025).
3. Resultados
3.1. Planificación y diseño didáctico
3.1.1. Mayor rapidez en la creación de materiales y actividades
La IA generativa (IAGen) ha demostrado acelerar sustantivamente la preparación de
clases al automatizar borradores de objetivos, secuencias didácticas, consignas de
actividades y bancos de ítems, lo que libera tiempo docente para la orquestación
pedagógica fina. En experiencias con profesorado en formación y en servicio, el uso
de ChatGPT permitió esbozar planes de lección de manera expedita, manteniendo la
coherencia macroestructural del diseño y facilitando iteraciones sucesivas con ajustes
contextuales (van den Berg & du Plessis, 2023). Asimismo, en estudios con docentes
K-12 se reporta un desplazamiento del tiempo desde la redacción “desde cero” hacia
la curaduría, verificación y adaptación, al tiempo que se reconoce la utilidad de la
IAGen para generar múltiples variantes de materiales y rúbricas con rapidez (Hays,
Jurkowski, & Kerr Sims, 2024). Revisiones sistemáticas recientes corroboran que la
eficiencia en la producción de recursos es uno de los beneficios más consistentes,
siempre supeditado al juicio profesional para asegurar pertinencia y calidad (Mai et al.,
2024).
3.1.2. Contenidos más personalizados según el nivel del alumnado
La IAGen posibilita una diferenciación dinámica del contenido y de la demanda
cognitiva, ajustando textos, ejemplos y ejercicios al perfil de competencia del
estudiantado. Un estudio escolar con 110 alumnos de educación primaria y media
reportó la personalización “en tiempo real” del material durante la clase —agrupando
por niveles y modulando la complejidad— con mejora del “ajuste cognitivo” y la
motivación, sin perder de vista las metas curriculares (Jauhiainen & Garagorry Guerra,
2024). Esta evidencia empírica converge con análisis más amplios que subrayan el
potencial de los modelos generativos para escalonar apoyos, adaptar
representaciones y sostener trayectorias diferenciadas de aprendizaje (Kasneci et al.,
2023). Incluso en dominios específicos como la escritura en L2, la IAGen ha mostrado
generar retroalimentación granular que el docente puede calibrar por nivel,
favoreciendo una personalización pragmática del andamiaje (Guo & Wang, 2023).
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 240
Artículo Científico
3.1.3. El rol docente se centra en curar y validar la información
La incorporación de IAGen reconfigura la labor docente hacia tareas de alta agencia
profesional: fijar criterios pedagógicos, depurar sesgos, contrastar factualidad, y
alinear el output con la progresión de objetivos y estándares. La literatura empírica
con profesorado K-12 señala que, si bien las herramientas aceleran la generación de
borradores, la calidad final depende del tamiz experto: verificación de exactitud,
adecuación cultural, pertinencia evaluativa y coherencia con el contexto (Hays et al.,
2024). En el plano instruccional, se requiere una “curaduría instructiva” que convierta
las propuestas de la IAGen en recursos didácticamente sólidos y éticamente
responsables; esto incluye documentar decisiones, transparentar límites y realizar
ajustes finos en ejemplos, consignas y criterios (Piedra-Castro et al., 2024). De forma
complementaria, se reporta que la colaboración humano-IA resulta más eficaz cuando
el docente establece prompts guía, valida evidencias y explicita el uso de fuentes,
desplazando el foco desde la producción al control de calidad (Guo & Wang, 2023;
van den Berg & du Plessis, 2023).
3.1.4. Riesgo de desalineación con los objetivos curriculares
Pese a las ganancias de eficiencia y personalización, persiste el riesgo de que las
salidas de la IAGen —por alucinaciones, sesgos o falta de contexto— se desvíen de
las metas curriculares, especialmente cuando se omiten criterios explícitos de logro y
progresión. La investigación identifica errores plausibles y “excesiva confianza” del
modelo como factores que erosionan la validez instruccional si no median protocolos
de verificación y trazabilidad (Kasneci et al., 2023). A nivel de diseño, se han propuesto
marcos algorítmicos para evaluar la congruencia entre descriptores de curso y sílabos,
encontrando desajustes que ilustran la necesidad de controles de alineamiento al
integrar contenido generado (GAI-powered Educational Alignment) (Chen et al., 2024).
Incluso en estudios que logran personalización efectiva, los autores enfatizan
mantener la referencia operativa al currículo para evitar desviaciones temáticas o de
nivel cognitivo (Jauhiainen & Garagorry Guerra, 2024; Mai et al., 2024). En suma, la
mitigación exige rúbricas de alineamiento, verificación cruzada de objetivos y fuentes,
y documentación del uso de IAGen en los artefactos instruccionales (Arias-Macias,
2025).
3.2. Integridad académica y ética
3.2.1. Riesgo de plagio y uso indebido de IA.
La irrupción de modelos generativos ha reconfigurado los umbrales de autoría y
originalidad, al posibilitar la elaboración de textos verosímiles que pueden insertarse
en tareas sin trazas evidentes de copia. La evidencia muestra que las respuestas de
estos sistemas pueden eludir con relativa facilidad la detección basada en
coincidencias textuales, erosionando la capacidad de verificación ex post y
desplazando el foco hacia el rediseño de evaluaciones y la declaración explícita de
usos de IA (Elkhatat, 2023). En revisiones y ensayos críticos se advierte que, sin
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 241
Artículo Científico
lineamientos y alfabetización ética, el uso no reconocido de IAGen socava principios
de honestidad académica y desdibuja la frontera entre asistencia y suplantación
autoral (Eke, 2023; Cotton, Cotton, & Shipway, 2023). La literatura reciente en
educación superior recomienda sustituir la dependencia en detectores por estrategias
de evaluación auténtica —defensa oral, elaboración en clase y trazabilidad de
procesos— como mitigación razonable del uso indebido (Grover, 2024; Hays,
Jurkowski, & Kerr Sims, 2024).
3.2.2. Sesgos y estereotipos presentes en los resultados
Los modelos de lenguaje aprenden regularidades de corpus extensos y, por ello,
reproducen y amplifican sesgos culturales, de género, raciales y lingüísticos, con
consecuencias didácticas y éticas si sus salidas se usan acríticamente en materiales
o retroalimentaciones (Bommasani et al., 2024; Hovy & Prabhumoye, 2024). Una
síntesis en Computational Linguistics documenta sesgos en múltiples etapas del ciclo
de vida de LLMs y revisa técnicas de evaluación y mitigación, pero subraya la
persistencia de disparidades aun tras intervenciones técnicas (Sun et al., 2024). En el
plano sociocultural, análisis sobre “sesgo cultural” señalan que la composición de
datos, el diseño algorítmico y la interacción usuario-sistema co-construyen
estereotipos que pueden invisibilizar variedades lingüísticas o visiones no
hegemónicas, lo que obliga a la curaduría docente y a la diversificación deliberada de
fuentes (Zhang, 2023). En contextos escolares, esto implica revisar ejemplos,
consignas y rúbricas generadas, y acompañarlas con marcos de lectura crítica para
evitar la naturalización del sesgo (Nuñez-Espin, 2025).
3.2.3. Preocupación por la privacidad y protección de datos
La utilización de IAGen en entornos escolares plantea tensiones entre innovación
pedagógica y cumplimiento de principios de minimización, finalidad y seguridad de
datos estudiantiles. Organismos internacionales y reguladores recomiendan políticas
de consentimiento informado, restricción de datos sensibles y evaluación de impacto
antes de desplegar herramientas, privilegiando arquitecturas que eviten el envío de
información identificable a terceros (UNESCO, 2023; OECD, 2024). Estudios recientes
discuten riesgos específicos de IAGen —reconstrucción inferencial, retención de
prompts, fugas de contexto y transferencia transfronteriza— y abogan por gobernanza
institucional que combine cláusulas contractuales, controles técnicos y alfabetización
de privacidad para docentes y estudiantes (Huang & Li, 2024; Wang, Li, & Cong,
2025). En suma, la adopción responsable exige seleccionar proveedores con
garantías verificables, implementar anonimización/seudonimización en las entradas y
documentar los flujos de datos en cada actividad didáctica.
3.2.4. Fomento del uso crítico y responsable en el aula
La respuesta educativa más efectiva integra la IAGen como objeto de estudio y como
herramienta mediada, articulando “alfabetización en IA” con prácticas de indagación,
citación y trazabilidad. Las revisiones sobre alfabetización crítica en IA proponen
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 242
Artículo Científico
objetivos de aprendizaje que incluyen: comprender capacidades/limitaciones del
modelo, evaluar sesgos y riesgos, verificar fuentes y explicitar el uso de IAGen en los
productos académicos (Veldhuis, Lo, Kenny, & Antle, 2025). Marcos de competencia
y guías institucionales sugieren diseñar actividades que hagan visible el proceso —
versionado de borradores, diarios de decisión, anexos de prompts—, transiten del
prompting instrumental a la reflexión ética, y promuevan un criterio docente de “calidad
por validación” más que de “calidad por generación” (EDUCAUSE, 2024; Hays et al.,
2024). Este viraje didáctico, centrado en agencia y autoría responsable, tiende
puentes entre integridad académica, equidad y desarrollo de juicio crítico en la
educación media y superior, en la presente figura 1 se muestra la integración de la
Inteligencia Artificial en la educación exige un uso crítico, ético y transparente que
potencie el aprendizaje sin perder el juicio humano.
Figura 1
Claves para un uso responsable de la Inteligencia Artificial en la Educación
Nota: El esquema propone cinco ejes para un uso responsable de la IA: reconocer sesgos, verificar
fuentes, declarar su uso, reflexionar éticamente y asegurar la calidad del trabajo académico (Autores,
2025).
4. Discusión
La evidencia reunida permite sostener que la IA generativa (IAGen) opera como un
catalizador ambivalente en la enseñanza de bachillerato: acorta los ciclos de diseño
instruccional y multiplica variantes de recursos, pero simultáneamente desplaza el
centro de gravedad del trabajo docente hacia la curaduría experta y la garantía de
alineamiento con el currículo, la ética y la integridad académica (Vimos-Buenaño et
al., 2024). En el plano de la eficiencia, estudios en formación docente y contextos K-
12 describen un pasaje desde la “redacción desde cero” al ensamblaje y refinamiento
de borradores generados por modelos, con ganancias de tiempo y cobertura de
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 243
Artículo Científico
actividades (p. ej., bancos de ítems, consignas, rúbricas) sin pérdida de coherencia
macroestructural cuando media el juicio pedagógico (van den Berg & du Plessis, 2023;
Hays, Jurkowski, & Kerr Sims, 2024). En paralelo, revisiones sistemáticas ubican
dicha eficiencia como hallazgo consistente, aunque condicionada por protocolos de
verificación docente para asegurar pertinencia y calidad (Mai et al., 2024; Munaye et
al., 2025).
En términos de personalización, los datos empíricos muestran que la IAGen puede
modular, en tiempo real, la demanda cognitiva y el registro discursivo conforme al nivel
de desempeño, con efectos positivos sobre el “ajuste” de tareas y la motivación,
siempre que se mantengan anclajes curriculares explícitos (Jauhiainen & Garagorry
Guerra, 2024). Esta potencialidad converge con análisis que describen a los modelos
como andamiajes flexibles para escalonar apoyos y diversificar representaciones, si
bien advierten sobre la facilidad con que las salidas pueden desbordar el alcance de
los objetivos cuando los prompts carecen de criterios evaluables (Kasneci et al., 2023).
Por ello, el valor agregado docente se redefine: más que “producir”, el profesorado
demarca estándares, audita factualidad y sesgos, y documenta decisiones para
garantizar la trazabilidad del diseño (Guo & Wang, 2023; Hays et al., 2024).
La otra cara de la ecuación emerge con fuerza en integridad académica. La literatura
reciente advierte que la IAGen puede generar textos verosímiles con baja coincidencia
en verificadores tradicionales, desplazando el control ex post hacia estrategias de
evaluación auténtica (defensa oral, producción en clase, seguimiento de versiones) y
hacia la declaración explícita del uso de IA (Eke, 2023; Cotton, Cotton, & Shipway,
2023). Estudios en revistas de integridad educativa muestran, además, que los
detectores de contenido de IA exhiben falsos positivos/negativos y una sensibilidad
decreciente ante modelos más avanzados, por lo que no constituyen salvaguardas
suficientes (Elkhatat, 2023). Este panorama obliga a reconfigurar el ecosistema
evaluativo y a fortalecer la metacognición del estudiantado sobre procesos, fuentes y
atribución (Fuentes-Riquero, 2025)).
A ello se suma el problema de los sesgos y estereotipos. Las síntesis recientes en
Computational Linguistics muestran que los grandes modelos de lenguaje aprenden y
pueden amplificar sesgos sociales, de género y culturales, incluso cuando se aplican
técnicas de mitigación, con riesgos de “normalización” si las salidas se incorporan sin
mediación crítica (Hovy & Prabhumoye, 2024). La implicación para el bachillerato es
nítida: todo material generado requiere una curaduría que evalúe representatividad,
lenguaje inclusivo y adecuación cultural, complementada con actividades de lectura
crítica sobre la propia tecnología. Esta mediación pedagógica evita que el sesgo se
traduzca en “currículos paralelos” de baja diversidad y promueve competencias de
evaluación de evidencia (Cajamarca-Correa et al., 2024).
En privacidad y protección de datos, el consenso regulatorio y académico converge
en principios de minimización, finalidad y seguridad, y en la necesidad de evaluar
impactos antes del despliegue de herramientas en contextos escolares. La guía de
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 244
Artículo Científico
UNESCO reclama una adopción centrada en la persona que preserve agencia y
diversidad lingüístico-cultural, con salvaguardas explícitas para poblaciones menores
de edad; la OCDE, por su parte, propone sinergias entre marcos de privacidad y
principios de IA confiable, con cooperación internacional para cerrar brechas
normativas (UNESCO, 2023; OECD, 2024). En clave técnica-organizacional, la
literatura en Telecommunications Policy destaca riesgos específicos de IAGen —
retención de prompts, inferencias sobre datos sensibles, transferencia
transfronteriza— y recomienda gobernanza multicapas (contractual, procedimental y
tecnológica) junto con alfabetización de privacidad para docentes y estudiantes
(Huang & Li, 2024). Investigaciones recientes en ética académica confirman, además,
que las preocupaciones por privacidad son determinantes en la aceptación y el uso
pedagógico de estas herramientas, especialmente en jóvenes (Wang, Li, & Cong,
2025).
¿Qué significan estos hallazgos, en conjunto, para la práctica docente en bachillerato?
Primero, que la eficacia de la IAGen no es un atributo inherente de la herramienta sino
un emergente del acoplamiento sociotécnico: sin criterios y procesos de verificación,
la ganancia de celeridad puede comprarse al costo de desalineación curricular o de
deterioro de la validez evaluativa (Caicedo-Basurto et al., 2024). Segundo, que la
personalización sostenible depende de “guardarraíles” curriculares explícitos
(objetivos observables, indicadores de logro, taxonomías cognitivas) embebidos en
los prompts y en las rúbricas, de modo que la variación no erosione la progresión
esperada (Jauhiainen & Garagorry Guerra, 2024). Tercero, que la formación docente
debe migrar desde un prompting instrumental a una alfabetización avanzada: análisis
de sesgos, verificación de fuentes, documentación del proceso y tratamiento de datos,
junto con marcos institucionales que definan usos permitidos y deberes de
transparencia (EDUCAUSE, 2024; Hays et al., 2024). Cuarto, que las políticas
escolares han de incorporar cláusulas de privacidad “desde el diseño”, evaluación de
impacto y selección de proveedores con garantías verificables; sin ello, la innovación
didáctica puede entrar en conflicto con obligaciones legales y con la confianza
pedagógica necesaria para enseñar con y sobre IA (OECD, 2024; UNESCO, 2023;
Huang & Li, 2024).
Finalmente, las lagunas de conocimiento identificadas sugieren líneas de
investigación de alto valor para el bachillerato: efectos causales de la IAGen sobre
aprendizaje y equidad en diseños de campo; métricas de alignment curricular y validez
de tareas generadas; protocolos robustos de trazabilidad (versionado, anexos de
prompts) y su impacto en integridad; y evaluaciones de seguridad/privacidad en
escenarios reales con menores de edad. Una agenda así equilibraría la promesa de
personalización y eficiencia con la obligación ética de proteger agencia, autoría y
datos de estudiantes y docentes (Mai et al., 2024; Cotton et al., 2023; Hovy &
Prabhumoye, 2024)
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 245
Artículo Científico
5. Conclusiones
Las evidencias examinadas permiten afirmar que la IA generativa representa un vector
de transformación pedagógica cuyo valor depende menos de sus prestaciones
técnicas y más del entramado de decisiones didácticas, éticas y organizacionales que
median su uso. En el plano operativo, las herramientas aceleran la planificación y la
producción de materiales, habilitando iteraciones ágiles y múltiples variantes de
actividades; sin embargo, esta ganancia de eficiencia solo se traduce en mejora
educativa cuando el profesorado asume una función de curaduría rigurosa, verificando
factualidad, adecuación cultural y alineamiento explícito con los objetivos curriculares.
En términos de enseñanza diferenciada, la IA generativa facilita la personalización de
contenidos y niveles de demanda cognitiva, siempre que existan guardarraíles
curriculares claros (criterios observables, indicadores de logro y rúbricas
transparentes). La ausencia de estos marcos incrementa el riesgo de desalineación y
de una sobreconfianza en salidas plausibles, pero pedagógicamente débiles.
La integridad académica emerge como un eje crítico: la simple dependencia de
detectores resulta insuficiente, por lo que se impone el rediseño de la evaluación hacia
formatos auténticos, con trazabilidad del proceso y autoría demostrable. Del mismo
modo, la privacidad y la protección de datos requieren políticas institucionales
robustas, selección responsable de proveedores y prácticas de minimización y
documentación de flujos de información en el aula.
En consecuencia, la adopción sostenible de IA generativa en bachillerato exige un
trípode estratégico: desarrollo profesional docente orientado a alfabetización
avanzada en IA (sesgos, validación, ética y privacidad), gobernanza institucional con
normas claras y auditables, y prácticas evaluativas centradas en procesos y
desempeño. Solo bajo estas condiciones la IA generativa puede operar como
catalizador de calidad y equidad, potenciando la agencia del profesorado y del
estudiantado, y evitando que la innovación tecnológica derive en atajos que erosionen
el aprendizaje, la autoría y la confianza pedagógica. Se recomienda, finalmente,
consolidar agendas de investigación aplicada que midan efectos en contextos reales
y que desarrollen métricas de alineamiento curricular y trazabilidad de procesos.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
An, Y., & James, S. (2025). Generative AI integration in K–12 settings: Teachers’
perceptions and levels of integration. TechTrends.
https://doi.org/10.1007/s11528-025-01114-9
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 246
Artículo Científico
Arias-Macias, L. E. (2025). Inteligencias múltiples e inclusión educativa, un reto para
el profesorado. Revista Científica Zambos, 4(1), 101-113.
https://doi.org/10.69484/rcz/v4/n1/79
Ayala-Chavez, N. E., Lino-Garces, C. J., Zambrano-Zambrano, F. M. A., & Gonzalez-
Segovia, L. A. (2025). Percepciones estudiantiles sobre la educación virtual
implementada en el nivel secundario. Revista Científica Ciencia Y Método, 3(2),
88-101. https://doi.org/10.55813/gaea/rcym/v3/n2/57
Ayala-Chavez, N. E., Ordoñez-Loor, I. I., Marquez-Pazán, M. E., Yucailla-Verdesoto,
M. M., & Marquez-Ruiz, S. D. C. (2025). Competencias digitales docentes y su
relación con el aprendizaje autónomo en bachillerato. Revista Científica Ciencia
Y Método, 3(2), 74-87. https://doi.org/10.55813/gaea/rcym/v3/n2/56
Bommasani, R., Narayanan, A., & Steinhardt, J. (2024). The many faces of AI bias:
Measurement, sources, and mitigation. Computational Linguistics, 50(3), 1097–
1143.
Caicedo-Basurto, R. L., Camacho-Medina, B. M., Quinga-Villa, C. A., Fonseca-
Lombeida, A. F., & López-Freire, S. A. (2024). Análisis y beneficios de la
educación en la era de la inteligencia artificial. Journal of Economic and Social
Science Research, 4(4), 291–302.
https://doi.org/10.55813/gaea/jessr/v4/n4/148
Cajamarca-Correa, M. A., Cangas-Cadena, A. L., Sánchez-Simbaña, S. E., & Pérez-
Guillermo, A. G. (2024). Nuevas tendencias en el uso de recursos y
herramientas de la Tecnología Educativa para la Educación Universitaria
. Journal of Economic and Social Science Research, 4(3), 127–150.
https://doi.org/10.55813/gaea/jessr/v4/n3/124
Chen, Y., et al. (2024). Generative AI-powered educational alignment: A framework for
matching course descriptions and syllabus content. Proceedings of the 2024
ACM Conference on Innovation and Technology in Computer Science
Education, 1–11.
Cotton, D. R. E., Cotton, P. A., & Shipway, J. R. (2023). Chatting and cheating:
Ensuring academic integrity in the era of ChatGPT. Innovations in Education
and Teaching International. https://doi.org/10.1080/14703297.2023.2190148
EDUCAUSE. (2024). A framework for AI literacy. EDUCAUSE Review / Columbia
Academic Commons.
Eke, D. O. (2023). ChatGPT and the rise of generative AI: Threat to academic integrity?
Journal of Responsible Technology, 13, 100060.
https://doi.org/10.1016/j.jrt.2023.100060
Elkhatat, A. (2023). Evaluating the authenticity of ChatGPT responses: A study on text-
matching capabilities. International Journal for Educational Integrity, 19, 15.
https://doi.org/10.1007/s40979-023-00137-0
Fuentes-Riquero, S. Y. (2025). Estrategias de aprendizaje autónomo a través de las
TIC en estudios sociales: Un enfoque para mejorar la autoeficacia y el
rendimiento académico. Revista Científica Zambos, 4(1), 74-86.
https://doi.org/10.69484/rcz/v4/n1/77
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 247
Artículo Científico
Guo, K., & Wang, D. (2023). To resist it or to embrace it? Examining ChatGPT’s
potential to support teacher feedback in EFL writing. Education and Information
Technologies. https://doi.org/10.1007/s10639-023-12146-0
Hays, L., Jurkowski, O., & Kerr Sims, S. (2024). ChatGPT in K-12 education.
TechTrends, 68, 281–294. https://doi.org/10.1007/s11528-023-00924-z
Hovy, D., & Prabhumoye, S. (2024). Bias and fairness in large language models: A
survey. Computational Linguistics, 50(3), 1097–1143.
Huang, L., & Li, Y. (2024). Privacy and personal data risk governance for generative
artificial intelligence. Telecommunications Policy, 48(10), 102817.
Jauhiainen, J. S., & Garagorry Guerra, A. (2024). Generative AI and education:
Dynamic personalization of pupils’ school learning material with ChatGPT.
Frontiers in Education, 9, 1288723.
https://doi.org/10.3389/feduc.2024.1288723
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., …
Kuhn, J. (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
Mai, D. T. T., Da, C. V., & Nguyen, N. V. (2024). The use of ChatGPT in teaching and
learning: A systematic review through SWOT analysis approach. Frontiers in
Education, 9, 1328769. https://doi.org/10.3389/feduc.2024.1328769
Mendoza-Armijos, H. E., Rivadeneira-Moreira, J. C., Carvajal-Jumbo, A. V., &
Saavedra-Calberto, I. M. (2023). Análisis de la relación entre el uso de
dispositivos digitales y el rendimiento académico en matemáticas. Revista
Científica Ciencia Y Método, 1(2), 43-57.
https://doi.org/10.55813/gaea/rcym/v1/n2/14
Michuy-Guingla, T. E., Fajardo-Andrade, C. A., Fajardo-Andrade, M. F., Limongi-
Basantes, D. S., & Quiroz-Parraga, F. A. (2025). La tecnología educativa en el
proceso de aprendizaje de estudiantes con necesidades educativas
especificas. Revista Científica Ciencia Y Método, 3(3), 42-58.
https://doi.org/10.55813/gaea/rcym/v3/n3/59
Munaye, Y. Y., Admass, W., Belayneh, Y., Molla, A., & Asmare, M. (2025). ChatGPT
in education: A systematic review on opportunities, challenges, and future
directions. Algorithms, 18(6), 352. https://doi.org/10.3390/a18060352
Nuñez-Espin, R. A. (2025). Implementación de una guía de formador de formadores
para una educación personalizada, fundamentada en la teoría de las
inteligencias múltiples. Revista Científica Zambos, 4(1), 166-177.
https://doi.org/10.69484/rcz/v4/n1/84
OECD. (2024). AI, data governance and privacy. Paris: OECD Publishing.
Piedra-Castro, W. I., Burbano-Buñay, E. S., Tamayo-Verdezoto, J. J., & Moreira-
Alcívar, E. F. (2024). Inteligencia artificial y su incidencia en la estrategia
metodológica de aprendizaje basado en investigación. Journal of Economic and
Social Science Research, 4(2), 178–196.
https://doi.org/10.55813/gaea/jessr/v4/n2/106
Revista Científica Ciencia y Método | Vol.03 | Núm.04 | Oct – Dic | 2025 | www.revistacym.com pág. 248
Artículo Científico
Piedra-Castro, W. I., Cajamarca-Correa, M. A., Burbano-Buñay, E. S., & Moreira-
Alcívar, E. F. (2024). Integración de la inteligencia artificial en la enseñanza de
las Ciencias Sociales en la educación superior. Journal of Economic and Social
Science Research, 4(3), 105–126.
https://doi.org/10.55813/gaea/jessr/v4/n3/123
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO.
van den Berg, G., & du Plessis, E. (2023). ChatGPT and generative AI: Possibilities
for its contribution to lesson planning, critical thinking and openness in teacher
education. Education Sciences, 13(10), 998.
https://doi.org/10.3390/educsci13100998
Veldhuis, A., Lo, P. Y., Kenny, S., & Antle, A. N. (2025). Critical artificial intelligence
literacy: A scoping review and framework synthesis. International Journal of
Child-Computer Interaction, 43, 100708.
https://doi.org/10.1016/j.ijcci.2024.100708
Vimos-Buenaño, K. E., Viteri-Ojeda, J. C., Naranjo-Sánchez, M. J., & Novillo-Heredia,
K. H. (2024). Uso de la inteligencia artificial en los procesos de investigación
científica, por parte de los docentes universitarios. Journal of Economic and
Social Science Research, 4(4), 215–236.
https://doi.org/10.55813/gaea/jessr/v4/n4/143
Wang, N., Li, Y., & Cong, F. (2025). University students’ privacy concerns towards
generative artificial intelligence. Journal of Academic Ethics, 23, 2401–2422.
https://doi.org/10.1007/s10805-025-09658-4
Zhang, L. (2023). Cultural bias in large language models: A comprehensive analysis.
Journal of Transcultural Communication, 10(2), 155–176.