Artificial intelligence (AI) poses pedagogical challenges of particular relevance in the training of health professionals. The objective of this research was to explore the perceptions of university faculty in the health sciences regarding the challenges and opportunities of AI in teaching-learning processes in Ecuadorian universities. The study used a qualitative approach with an interpretive phenomenological design. Semi-structured interviews were conducted with 15 faculty members from health-related programs at four universities in Ecuador between February and April 2026. The analysis was carried out through thematic coding using Atlas.ti 23. Four categories emerged: (1) opportunities of AI in clinical teaching; (2) ethical and epistemological tensions; (3) gaps in faculty continuing education; and (4) proposals for curricular integration. Participants acknowledged the potential of AI to personalize learning and support diagnostic reasoning, but expressed concerns about technological dependence and the privacy of clinical data. It was concluded that the integration of AI into the training of health professionals requires a deliberate pedagogical approach, the strengthening of faculty digital competencies, and specific institutional ethical frameworks.

Keywords: Artificial intelligence, medical education, health training, university pedagogy, ethics in AI.

Resumen

La inteligencia artificial (IA) plantea desafíos pedagógicos de singular relevancia en la formación de profesionales de la salud. El objetivo de la investigación fue explorar las percepciones de docentes universitarios del área de la salud respecto a los desafíos y oportunidades de la IA en los procesos de enseñanza-aprendizaje en cuatro universidades ecuatorianas. El estudio fue cualitativo con diseño fenomenológico interpretativo. Se realizaron entrevistas semiestructuradas a 15 docentes de carreras afines de salud en universidades del Ecuador, durante febrero-abril 2026. El análisis se realizó mediante codificación temática con Atlas.ti 23. Emergieron cuatro categorías: (1) oportunidades de la IA en la enseñanza clínica; (2) tensiones éticas y epistemológicas; (3) brechas en la formación continua docente; y (4) propuestas de integración curricular. Los participantes reconocieron el potencial de la IA para personalizar el aprendizaje y apoyar el razonamiento diagnóstico, pero manifestaron preocupaciones sobre dependencia tecnológica y privacidad de datos clínicos. Se concluyó que la integración de la IA en la formación de profesionales de la salud requiere un enfoque pedagógico deliberado, fortalecimiento de competencias digitales docentes y marcos éticos institucionales específicos.

Palabras clave: inteligencia artificial, educación médica, formación en salud, pedagogía universitaria, ética en IA.

Introduction

La inteligencia artificial (IA) ha irrumpido con fuerza creciente en el ámbito de la educación superior, transformando profundamente los procesos de enseñanza y aprendizaje en diversas disciplinas. En el campo de las ciencias de la salud, esta transformación adquiere una dimensión particular, dado que la formación de médicos, enfermeras y otros profesionales sanitarios no solo implica la transmisión de conocimientos técnicos y clínicos, sino también el desarrollo de competencias humanísticas, éticas y relacionales fundamentales para el ejercicio responsable de la profesión (Topol, 2019; Wartman & Combs, 2018).

Herramientas basadas en IA como los modelos de lenguaje de gran escala (LLM), los sistemas de diagnóstico por imagen asistido por computadora y las plataformas de simulación clínica inteligente han comenzado a integrarse en distintas etapas del proceso formativo. Haug & Drazen (2023) documentaron cómo la IA puede equiparar o superar el desempeño humano en tareas diagnósticas específicas, lo que plantea interrogantes fundamentales sobre el rol del razonamiento clínico humano y su enseñanza en los programas universitarios de salud.

La incorporación de la IA en la educación médica demanda una revisión profunda de los marcos curriculares, los métodos de evaluación y los supuestos epistemológicos que subyacen a la práctica docente (Hawkins et al., 2015; Masters, 2019). Esto es urgente en contextos como Ecuador, donde la brecha digital, las limitaciones de infraestructura tecnológica y la heterogeneidad institucional condicionan significativamente las posibilidades de integración pedagógica (Cobo, 2020).

La voz de los docentes universitarios resulta un elemento central para comprender tanto las oportunidades como las resistencias que emergen en la intersección entre la IA y la pedagogía en salud. Sin embargo, en el contexto ecuatoriano, la evidencia empírica sobre las percepciones docentes en este ámbito es escasa, por eso el objetivo de la investigación fue explorar las percepciones de docentes universitarios del área de la salud respecto a los desafíos y oportunidades de la IA en los procesos de enseñanza-aprendizaje en universidades ecuatorianas.

Methodology

Se realizó un estudio de enfoque cualitativo con alcance exploratorio y diseño fenomenológico interpretativo (Creswell & Creswell, 2017). Este enfoque resultó pertinente dado que el propósito central era capturar y comprender las experiencias vividas y los significados que los docentes universitarios atribuyen al uso de la IA en sus prácticas de enseñanza, más que establecer frecuencias o relaciones causales entre variables.

La muestra fue intencional y estuvo conformada por 15 docentes universitarios del área de la salud de cuatro universidades ecuatorianas. Los criterios de inclusión fueron: (a) docencia activa en carreras de salud a nivel de pregrado; (b) experiencia docente mínima de tres años; y (c) disposición voluntaria para participar y firma del consentimiento informado. La Tabla 1 presenta el perfil sociodemográfico y académico de los participantes.

Tabla 1.

Perfil de los participantes del estudio.

ID	Sexo	Carrera	Años Docencia	Formación	Uso previo IA
D01	M	Medicina	12	PhD Ciencias Médicas	Sí (ChatGPT, Perplexity)
D02	F	Enfermería	8	Mg. Educación en Salud	Sí (ChatGPT)
D03	M	Medicina	15	PhD Educación Médica	Sí (ChatGPT, Gemini)
D04	F	Nutrición	6	Mg. Nutrición Clínica	No
D05	M	Medicina	20	PhD Ciencias de la Salud	Sí (ChatGPT)
D06	F	Odontología	9	Mg. Docencia Universitaria	No
D07	M	Medicina	11	PhD Fisiología	Sí (ChatGPT, Claude)
D08	F	Enfermería	7	Mg. Salud Pública	No
D09	M	Medicina	14	Especialista + Mg.	Sí (ChatGPT)
D10	F	Terapia Física	5	Mg. Neurorehabilitación	No
D11	M	Medicina	18	PhD Ciencias Médicas	Sí (ChatGPT, Copilot)
D12	F	Odontología	10	Mg. Educación Superior	Sí (ChatGPT)
D13	M	Medicina	16	PhD Bioética	Sí (ChatGPT, Gemini)
D14	F	Enfermería	9	PhD Ciencias de Enfermería	No
D15	M	Medicina	13	PhD Epidemiología	Sí (ChatGPT, Copilot)

Se diseñó una guía de entrevista semiestructurada organizada en cinco bloques temáticos: (1) experiencias y conocimientos previos sobre IA; (2) percepción sobre el potencial de la IA en la docencia en salud; (3) preocupaciones éticas y pedagógicas; (4) necesidades de formación docente continua; y (5) propuestas de integración curricular. El instrumento fue validado mediante juicio de cinco expertos en educación médica y tecnología educativa, y se realizó una prueba piloto con dos docentes no incluidos en la muestra definitiva.

Las entrevistas se realizaron de manera virtual a través de la plataforma Zoom durante febrero-abril de 2026, con una duración promedio de 52 minutos (rango: 38-71 minutos). Todas las sesiones fueron audio-grabadas y transcritas verbatim por el equipo investigador, previa firma del consentimiento informado.

El análisis se realizó mediante codificación temática inductiva-deductiva siguiendo el proceso propuesto por Braun & Clarke (2006) en seis fases: familiarización con los datos, generación de códigos iniciales, búsqueda de temas, revisión de temas, definición y denominación de temas, y producción del informe analítico. Se utilizó el software Atlas.ti 23 para la codificación y gestión de los datos cualitativos. El rigor metodológico se garantizó aplicando los criterios de credibilidad (triangulación de investigadores), transferibilidad (descripción densa), dependibilidad (auditoría del proceso analítico) y confirmabilidad (revisión por pares) (Guba & Lincoln, 1989).

El estudio garantizó la confidencialidad y el anonimato de todos los participantes mediante la asignación de códigos alfanuméricos (D01-D15). La participación fue estrictamente voluntaria.

Results

El análisis temático de las 15 entrevistas permitió identificar cuatro categorías centrales con sus respectivas subcategorías. La Tabla 2 presenta la síntesis de los hallazgos.

Categoría 1: Oportunidades de la IA en la enseñanza clínica

Esta categoría fue la más mencionada y concentró el mayor número de referencias positivas. Los docentes identificaron tres subcategorías: (a) personalización del aprendizaje, (b) apoyo al razonamiento diagnóstico, y (c) acceso a recursos clínicos actualizados. Diez de los quince participantes (66.7%) reconocieron que las herramientas de IA pueden adaptar los ritmos y niveles de complejidad de la información a las necesidades individuales del estudiante:

"Cuando un estudiante le pregunta a ChatGPT sobre una arritmia, la herramienta le responde exactamente en el nivel que él puede comprender, algo que yo como docente no siempre logro hacer con 80 estudiantes en el aula. Eso tiene un valor pedagógico enorme si sabemos orientarlo." (D05, Medicina, UG)

Nueve participantes señalaron que la IA puede funcionar como un andamio cognitivo que potencia el razonamiento clínico sin sustituirlo:

"La IA debería actuar como un Sócrates digital: no dando las respuestas sino haciendo mejores preguntas. Si el estudiante aprende a dialogar críticamente con la IA para resolver un caso clínico, estamos ante un salto cualitativo en la enseñanza del método clínico." (D01, Medicina, UCE)

Categoría 2: Tensiones éticas y epistemológicas

Todos los participantes expresaron preocupación por la posibilidad de que el uso no regulado de herramientas de IA genere dependencia tecnológica, deteriorando la capacidad de razonamiento autónomo del estudiante:

"Mi mayor temor es que el estudiante llegue a la cama del paciente y no sepa qué hacer si no tiene el celular con la IA. El juicio clínico se construye equivocándose y reflexionando, no preguntándole a una máquina." (D11, Medicina, UTA)

Ocho participantes (53.3%) expresaron preocupaciones sobre los riesgos de que los estudiantes introduzcan información de pacientes reales en plataformas de IA sin la debida protección:

"He visto ya casos donde los internos suben datos del paciente a ChatGPT para que les ayude con el diagnóstico. Eso es una violación gravísima de la confidencialidad y ninguno parece ser consciente de ello. Nadie les ha enseñado ética digital." (D13, Medicina, PUCE)

Categoría 3: Brechas en la formación continua docente

Diez de los quince participantes indicaron no haber recibido ninguna capacitación formal sobre el uso pedagógico de herramientas de IA por parte de sus instituciones:

"Todo lo que sé sobre IA lo aprendí por mi cuenta, en YouTube, en artículos, probando. La universidad no ha hecho absolutamente nada. Espero que no tengamos que esperar diez años para que esto sea parte de la formación docente." (D07, Medicina, UG)

Los docentes que reportaron no usar IA (cinco participantes) atribuyeron esta situación principalmente a la falta de conocimiento y orientación pedagógica:

"No es que me niegue a usarla. Es que nadie me ha mostrado cómo hacerlo bien. Si me dicen que ChatGPT puede ayudar a mis estudiantes a preparar mejor su historia clínica, sí quiero saber cómo, pero necesito formación para no hacer el ridículo delante de ellos." (D10, Terapia Física, UTA)

Categoría 4: Propuestas de integración curricular

La propuesta más frecuente (12 de 15 docentes, 80%) fue incorporar transversalmente el pensamiento crítico sobre la IA en todas las asignaturas del área de la salud, en lugar de crear una asignatura aislada:

"No necesitamos una materia de IA. Necesitamos que en Semiología el estudiante aprenda cuándo confiar en la IA y cuándo no; en Farmacología aprenda a verificar las interacciones que la IA le sugiere; en Ética aprenda los límites. La IA debe estar en todas partes, pero críticamente." (D03, Medicina, UCE)

Nueve participantes (60%) señalaron la necesidad de desarrollar marcos institucionales de uso ético de la IA, y ocho (53.3%) propusieron el rediseño de los procesos de evaluación para contemplar el uso fundamentado de estas herramientas.

Tabla 2

Síntesis de categorías, subcategorías y frecuencia de mención.

Categoría	Subcategorías principales	n	%
1. Oportunidades de la IA en la enseñanza clínica	Personalización del aprendizaje / Apoyo al razonamiento diagnóstico / Acceso a recursos actualizados	10 / 9 / 12	66.7 / 60.0 / 80.0
2. Tensiones éticas y epistemológicas	Dependencia tecnológica / Privacidad de datos clínicos / Desplazamiento de la relación médico-paciente	15 / 8 / 7	100 / 53.3 / 46.7
3. Brechas en la formación continua docente	Sin capacitación formal / Formación aislada y no sistemática	10 / 5	66.7 / 33.3
4. Propuestas de integración curricular	Transversalización crítica / Marcos éticos institucionales / Rediseño de evaluación	12 / 9 / 8	80.0 / 60.0 / 53.3

Relación entre oportunidades, riesgos y condiciones de integración

Además de la frecuencia de mención de cada categoría, el análisis permitió observar que las percepciones docentes no se organizaron en posiciones de aceptación o rechazo absoluto frente a la IA. Los participantes que reconocieron oportunidades pedagógicas también señalaron condiciones necesarias para su incorporación en la enseñanza universitaria en salud. En este sentido, la personalización del aprendizaje y el apoyo al razonamiento diagnóstico fueron valorados positivamente, siempre que el uso de la IA estuviera acompañado por orientación docente, verificación de la información y límites éticos claros.

Tabla 3

Condiciones señaladas por los docentes para la integración pedagógica de la IA

Aspecto identificado	Condición señalada por los docentes	Frecuencia
Personalización del aprendizaje	Uso guiado por el docente para ajustar el nivel de complejidad de la información.	10
Razonamiento diagnóstico	Empleo de la IA como apoyo para formular preguntas y contrastar hipótesis, no como fuente única de respuesta.	9
Acceso a recursos actualizados	Verificación de la información generada por IA antes de usarla en actividades clínicas o académicas.	12
Dependencia tecnológica	Necesidad de fortalecer el juicio clínico autónomo del estudiante.	15
Privacidad de datos clínicos	Prohibición de ingresar información real de pacientes en plataformas de IA sin protección institucional.	8
Formación docente	Capacitación institucional sobre usos pedagógicos, éticos y evaluativos de la IA.	10
Integración curricular	Incorporación transversal de la IA en asignaturas clínicas, éticas y metodológicas.	12
Evaluación	Rediseño de tareas para valorar el uso crítico y justificado de herramientas de IA.	8

Los resultados muestran que la IA fue percibida como una herramienta pedagógica útil, pero condicionada por tres exigencias recurrentes: formación docente, regulación ética e integración curricular crítica. La mayor coincidencia apareció en la preocupación por la dependencia tecnológica, mencionada por todos los participantes, seguida por la necesidad de transversalizar el uso de la IA en el currículo. Por tanto, los hallazgos evidencian una percepción docente favorable al uso de estas herramientas como apoyo formativo, aunque limitada por la falta de lineamientos institucionales y por los riesgos asociados al uso no regulado en contextos clínicos.

Discussion

Los hallazgos del presente estudio ofrecen una visión multidimensional de las percepciones docentes sobre la IA en la formación de profesionales de la salud en el contexto universitario ecuatoriano, que encuentra resonancias significativas en la literatura internacional disponible.

En consonancia con estudios previos en contextos de educación médica latinoamericanos y europeos (García Peñalvo et al., 2023; Meskó & Görög, 2020), los docentes participantes reconocieron el potencial de la IA para personalizar los procesos de aprendizaje y fortalecer el razonamiento clínico. La metáfora del 'Sócrates digital' empleada por D01 conecta con los postulados de Holmes et al. (2022) quienes argumentan que las herramientas de IA generativa pueden actuar como interlocutores que promueven la reflexión crítica del estudiante, siempre que la interacción sea pedagógicamente orientada por el docente.

Sin embargo, los resultados revelan tensiones de alta relevancia pedagógica que coinciden con las preocupaciones documentadas por la Organización Mundial de la Salud (2023) el riesgo de que la IA genere dependencia tecnológica y erosione las capacidades de razonamiento autónomo del estudiante. Esta tensión resulta especialmente crítica en la formación de profesionales de la salud, dado que el juicio clínico constituye una competencia irreductible que no puede delegarse a ningún sistema de IA (Topol, 2019). El hecho de que el 100% de los docentes haya expresado esta preocupación la convierte en la tensión más unánime del estudio, lo que señala la necesidad urgente de marcos pedagógicos explícitos para el uso de la IA en la enseñanza clínica.

La preocupación por la privacidad de los datos clínicos, expresada por el 53.3% de los participantes, constituye uno de los hallazgos más relevantes del estudio y complementa la evidencia aportada por Char et al. (2018). Los docentes identificaron prácticas ya presentes entre los estudiantes como el ingreso de datos de pacientes reales en plataformas de IA que representan vulneraciones graves a los principios bioéticos de confidencialidad. Esta situación señala una urgencia formativa concreta que los programas de salud ecuatorianos aún no han abordado de manera sistemática.

La brecha formativa identificada en la Categoría 3 replica resultados similares reportados en contextos iberoamericanos (Cobo, 2020). El hecho de que el 66.7% de los docentes no haya recibido ninguna formación formal sobre el uso pedagógico de la IA evidencia una desconexión preocupante entre el ritmo de avance tecnológico y la velocidad de respuesta institucional. Esta desconexión es especialmente significativa en las universidades ecuatorianas, donde el proceso de acreditación impone exigencias crecientes de innovación pedagógica sin necesariamente proveer los recursos de formación continua correspondientes.

Las propuestas de integración curricular articuladas en la Categoría 4 se alinean con los lineamientos del Marco Europeo de Competencias Digitales para Educadores (European Commission. Joint Research Centre., 2017) y con las recomendaciones de la UNESCO (2023) sobre IA en educación. La demanda de transversalización crítica, en particular, apunta a un modelo curricular coherente con las teorías del aprendizaje situado (Lave y Wenger, 1991), según las cuales las competencias se desarrollan de manera más efectiva cuando están integradas en contextos disciplinares auténticos.

Como limitación debe señalarse que la muestra intencional de quince participantes no permite la generalización estadística al conjunto de docentes universitarios de salud en Ecuador. No obstante, el diseño fenomenológico adoptado no persigue la representatividad estadística, sino la profundidad comprensiva de las experiencias exploradas. Futuros estudios podrían complementar estos hallazgos con diseños cuantitativos de mayor alcance o diseños mixtos que integren ambas perspectivas.

Conclusions

Los docentes universitarios del área de la salud de las cuatro universidades ecuatorianas participantes reconocen el potencial transformador de la IA para personalizar el aprendizaje y fortalecer el razonamiento diagnóstico, pero condicionan su implementación a una orientación pedagógica deliberada que preserve la autonomía intelectual del estudiante.

Las tensiones éticas identificadas, especialmente las relativas a la dependencia tecnológica y a la privacidad de los datos clínicos, señalan la urgencia de incorporar la ética digital como componente explícito y transversal en los programas de formación de profesionales de la salud.

La brecha formativa existente entre las demandas de integración pedagógica de la IA y los recursos institucionales de formación continua disponibles para el profesorado constituye el principal obstáculo para una adopción pedagógicamente fundamentada de estas tecnologías en el contexto universitario ecuatoriano.

Las propuestas de integración curricular formuladas por los docentes apuntan hacia un modelo de transversalización crítica de la competencia en IA, el rediseño de los procesos de evaluación y el desarrollo de marcos éticos institucionales específicos, componentes que deberían articularse en políticas universitarias coherentes y sostenidas.

References

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa

Char, D. S., Shah, N. H., & Magnus, D. (2018). Implementing Machine Learning in Health Care—Addressing Ethical Challenges. New England Journal of Medicine, 378(11), 981–983. https://doi.org/10.1056/NEJMp1714229

Cobo, C. (2020). Acepto las condiciones: Usos y abusos de las tecnologías digitales. Fundación Santillana.

Creswell, J., & Creswell, D. (2017). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.

European Commission. Joint Research Centre. (2017). European framework for the digital competence of educators: DigCompEdu. Publications Office. https://doi.org/10.2760/159770

García Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2023). La nueva realidad de la educación ante los avances de la inteligencia artificial generativa. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 9–39. https://doi.org/10.5944/ried.27.1.37716

Guba, E., & Lincoln, Y. (1989). Fourth generation evaluation. Sage Publications.

Haug, C. J., & Drazen, J. M. (2023). Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. New England Journal of Medicine, 388(13), 1201–1208. https://doi.org/10.1056/NEJMra2302038

Hawkins, R. E., Welcher, C. M., Holmboe, E. S., Kirk, L. M., Norcini, J. J., Simons, K. B., & Skochelak, S. E. (2015). Implementation of competency‐based medical education: Are we addressing the concerns and challenges? Medical Education, 49(11), 1086–1102. https://doi.org/10.1111/medu.12831

Holmes, W., Porayska-Pomsta, K., Holstein, K., Sutherland, E., Baker, T., Shum, S. B., Santos, O. C., Rodrigo, M. T., Cukurova, M., Bittencourt, I. I., & Koedinger, K. R. (2022). Ethics of AI in Education: Towards a Community-Wide Framework. International Journal of Artificial Intelligence in Education, 32(3), 504–526. https://doi.org/10.1007/s40593-021-00239-1

Masters, K. (2019). Artificial intelligence in medical education. Medical Teacher, 41(9), 976–980. https://doi.org/10.1080/0142159X.2019.1595557

Meskó, B., & Görög, M. (2020). A short guide for medical professionals in the era of artificial intelligence. Npj Digital Medicine, 3(1), 126. https://doi.org/10.1038/s41746-020-00333-z

Organización Mundial de la Salud. (2023). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. WHO Press. https://www.who.int/publications/i/item/9789240084759

Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7

UNESCO. (2023). Guía para el uso de inteligencia artificial generativa en la educación y la investigación. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386693

Wartman, S. A., & Combs, C. D. (2018). Medical Education Must Move From the Information Age to the Age of Artificial Intelligence. Academic Medicine, 93(8), 1107–1109. https://doi.org/10.1097/ACM.0000000000002044

Funding

The authors received no funding for the development of the research.

Conflict of Interest

The authors declare that they have no conflicts of interest.

Author Contributions

The authors contributed to the development of the manuscript.