The adoption of generative artificial intelligence by university faculty does not depend solely on technological access, as various pedagogical, personal, ethical, social, and institutional factors intervene within university contexts. The objective of this article was to analyze the factors influencing the adoption of generative artificial intelligence tools by university professors, considering their experiences, perceptions, motivations, institutional conditions, and criteria related to their integration into academic practice. A qualitative descriptive-interpretive study was conducted with 15 professors from three universities in Quito, using semi-structured interviews, purposive sampling, and primarily inductive thematic analysis to interpret their experiences, perceptions, and decisions. Adoption was influenced by perceived usefulness, competencies, trust, ethical considerations, peer influence, and institutional conditions, with different levels of integration depending on each professor and the academic purpose of use. The sustainable integration of generative artificial intelligence requires pedagogical intentionality, faculty training, professional autonomy, academic responsibility, and appropriate institutional governance.

Keywords: Artificial intelligence, adoption, faculty, university, technology.

Resumen

La adopción docente de inteligencia artificial generativa no depende solo del acceso tecnológico, pues intervienen factores pedagógicos, personales, éticos, sociales e institucionales diversos en contextos universitarios. El objetivo del artículo fue analizar los factores que influyen en la adopción de herramientas de inteligencia artificial generativa por docentes universitarios, considerando sus experiencias, percepciones, motivaciones, condiciones institucionales y criterios relacionados con su incorporación a la práctica académica. Se desarrolló un estudio cualitativo descriptivo-interpretativo con 15 docentes de tres universidades de Quito, mediante entrevistas semiestructuradas, muestreo intencional y análisis temático principalmente inductivo para interpretar experiencias, percepciones y decisiones. La adopción estuvo condicionada por utilidad percibida, competencias, confianza, aspectos éticos, influencia de colegas y condiciones institucionales, con diferentes niveles de integración según cada docente y finalidad académica de uso. La integración sostenible de inteligencia artificial generativa requiere intencionalidad pedagógica, formación docente, autonomía profesional, responsabilidad académica y adecuada gobernanza institucional.

Palabras clave: Inteligencia artificial, adopción, docentes, universidad, tecnología.

Introduction

La inteligencia artificial generativa ha ampliado las posibilidades de uso de la inteligencia artificial en la educación superior al permitir la producción y transformación de textos, imágenes, audios, videos, código y otros contenidos mediante instrucciones formuladas por los usuarios (Bond et al., 2024). En el ámbito universitario, estas herramientas han comenzado a incorporarse en actividades relacionadas con la planificación de clases, elaboración de materiales, generación de ejemplos, apoyo a la escritura, investigación y evaluación (Hernández-Herrera et al., 2026). La disponibilidad de estas tecnologías no implica necesariamente su incorporación sistemática a la práctica académica, debido a que los docentes toman decisiones sobre su uso a partir de criterios pedagógicos, conocimientos previos, experiencias, expectativas y condiciones del entorno institucional (Shata & Hartley, 2025).

La incorporación de inteligencia artificial generativa también ha comenzado a formar parte de las decisiones institucionales de las universidades. Ullah et al. (2024) señalan que las instituciones de educación superior avanzan en la formulación de orientaciones para su utilización, aunque persisten diferencias en el nivel de preparación y confianza de quienes las emplean. Junto con el crecimiento del uso profesional de estas herramientas permanecen dudas relacionadas con sus aplicaciones pedagógicas, sus implicaciones éticas y las capacidades necesarias para utilizarlas de manera adecuada (Bolaño-García & Duarte-Acosta, 2023).

La adopción docente de inteligencia artificial generativa constituye, por tanto, un fenómeno que comprende factores distintos al acceso tecnológico. Cabero-Almenara et al. (2024) identificaron que las expectativas de desempeño y esfuerzo, la influencia social, las condiciones facilitadoras, la motivación y las creencias pedagógicas intervienen en la aceptación y utilización de estas tecnologías. Las concepciones que poseen los docentes sobre la enseñanza y el aprendizaje pueden influir en la disposición para incorporar herramientas de inteligencia artificial en sus prácticas académicas.

Pinto-Llorente et al. (2025) encontraron que la percepción de utilidad presenta una influencia importante en las actitudes y en la intención de utilizar inteligencia artificial generativa entre docentes universitarios. A ello se suman la confianza y la influencia de los colegas, debido a que las experiencias compartidas dentro de las comunidades académicas pueden contribuir tanto a favorecer como a limitar la incorporación de estas herramientas, la adopción puede construirse a partir de la valoración de sus beneficios para el trabajo académico y de las interacciones que se producen dentro de las instituciones universitarias.

Mah & Groß (2024) identificaron diferencias entre docentes universitarios en cuanto a autoeficacia, percepción de beneficios, dificultades y necesidades de desarrollo profesional vinculadas con la inteligencia artificial. La alfabetización en inteligencia artificial comprende no solo el conocimiento operativo de las herramientas, sino también la capacidad para interpretar sus resultados, reconocer sus limitaciones y tomar decisiones respecto de cuándo y cómo utilizarlas. Ayyoub et al. (2025) destacan la importancia de las competencias en inteligencia artificial, la utilidad y facilidad percibidas, el desarrollo profesional, el apoyo de la comunidad académica y la experiencia tecnológica previa.

A estos factores se añaden consideraciones relacionadas con la confiabilidad de las respuestas generadas, la integridad académica, la privacidad, la protección de datos, los sesgos, la autoría y las transformaciones que estas herramientas pueden producir en las formas de enseñar, aprender y evaluar. La Alier-Forment et al. (2025) plantea que la incorporación de inteligencia artificial generativa en educación debe desarrollarse desde una perspectiva centrada en las personas, acompañada de orientaciones institucionales y criterios que permitan un uso responsable. La existencia de políticas, lineamientos, formación y acompañamiento institucional puede intervenir en las decisiones de los docentes respecto de experimentar, restringir o incorporar estas tecnologías en su práctica (Salcedo-Frisancho & Pain-Lecaros, 2023).

La evidencia disponible ha permitido identificar diferentes factores asociados con la aceptación y adopción de tecnologías de inteligencia artificial, entre ellos la utilidad percibida, facilidad de uso, autoeficacia, influencia social, confianza, competencias digitales y condiciones facilitadoras (Culebro Castillo et al., 2025). La identificación de estos factores no permite comprender por completo cómo son interpretados por los docentes dentro de su experiencia cotidiana, qué situaciones concretas favorecen o dificultan la incorporación de estas herramientas ni por qué una misma condición puede estimular su utilización en algunos profesores y generar resistencia en otros.

Esta situación plantea la necesidad de profundizar en las experiencias y percepciones de los docentes universitarios, considerando que la adopción de herramientas de inteligencia artificial generativa se produce dentro de contextos institucionales y profesionales particulares (Mejía Ortega et al., 2026). Conocer las razones que conducen a utilizarlas, limitar su empleo o descartarlas permite comprender el proceso de adopción más allá de la disponibilidad tecnológica y reconocer los factores pedagógicos, personales, profesionales, sociales, institucionales y éticos que intervienen en las decisiones docentes.

A partir de estos antecedentes se planteó el objetivo de la investigación la cual fue analizar los factores que influyen en la adopción de herramientas de inteligencia artificial generativa por docentes universitarios, considerando sus experiencias, percepciones, motivaciones, condiciones institucionales y criterios relacionados con su incorporación a la práctica académica.

Methodology

La investigación se desarrolló con un enfoque cualitativo y alcance descriptivo-interpretativo (Hernández et al., 2014), orientado a comprender los factores que influyen en la adopción de herramientas de inteligencia artificial generativa a partir de las experiencias y percepciones de docentes universitarios.

Participaron 15 docentes de tres universidades de la ciudad de Quito, cinco por institución, seleccionados mediante muestreo intencional. Como criterios de inclusión se consideró ejercer docencia universitaria, tener experiencia o conocimiento previo sobre herramientas de inteligencia artificial generativa y aceptar voluntariamente participar en el estudio. Se procuró incluir docentes con distintos niveles de uso, desde usuarios frecuentes hasta quienes las empleaban ocasionalmente o expresaban reservas sobre su incorporación.

La técnica de recolección de información fue la entrevista semiestructurada, se elaboró una guía con preguntas abiertas sobre experiencias de uso, razones para adoptar o evitar estas herramientas, utilidad percibida, facilidad de uso, competencias requeridas, influencia de colegas, condiciones institucionales, formación, confianza en los resultados y aspectos pedagógicos y éticos. Estos temas orientaron la entrevista sin constituir categorías analíticas predeterminadas, con el fin de permitir la aparición de factores no previstos inicialmente.

Las entrevistas se realizaron de manera individual, en modalidad virtual, en horarios acordados con los participantes y con una duración aproximada de 30 minutos, con autorización previa, fueron grabadas en audio y posteriormente transcritas. Para preservar el anonimato se asignaron códigos a los participantes según su universidad, como D01-U1, D06-U2 y D11-U3.

La información se analizó mediante análisis temático; el proceso comprendió la lectura de las transcripciones, codificación inicial de unidades de significado, agrupación de códigos, construcción y revisión de temas, y definición de las categorías finales. El análisis tuvo un carácter principalmente inductivo, de modo que los factores identificados surgieran de los testimonios de los participantes. Los antecedentes teóricos sobre adopción tecnológica se utilizaron posteriormente para interpretar los hallazgos y no como categorías cerradas de análisis.

Durante el análisis se identificaron coincidencias y diferencias entre los participantes y entre las tres universidades; la comparación entre instituciones tuvo un propósito interpretativo y permitió reconocer factores comunes y condiciones asociadas con contextos institucionales particulares, sin realizar comparaciones estadísticas. Para fortalecer el rigor del estudio se atendieron criterios de credibilidad, dependencia, confirmabilidad y transferibilidad. Se conservaron las transcripciones y registros de codificación, se contrastaron las categorías con los testimonios originales y se utilizaron fragmentos representativos de las entrevistas para sustentar la interpretación de los resultados.

Results

El análisis temático permitió organizar los factores vinculados con la adopción de herramientas de inteligencia artificial generativa en seis categorías: utilidad percibida, competencias para el uso, confianza en los resultados, aspectos éticos y académicos, influencia de colegas y condiciones institucionales. De manera transversal se identificó el criterio pedagógico del docente como elemento que condiciona la decisión de incorporar estas herramientas en actividades concretas. Las diferencias entre participantes mostraron que la adopción no respondió a un único factor, sino a la combinación de beneficios percibidos, experiencia previa, capacidad para valorar los resultados y condiciones del entorno universitario.

Tabla 1

Categorías y subcategorías relacionadas con la adopción de inteligencia artificial generativa

Categoría	Subcategorías	Manifestaciones identificadas
Utilidad percibida	Ahorro de tiempo; apoyo a la planificación; elaboración de materiales; personalización	Uso para preparar actividades, organizar información, generar ejemplos, adaptar materiales y reducir tareas preparatorias
Competencias para el uso	Manejo de herramientas; formulación de instrucciones; autoaprendizaje; formación	Diferencias en la capacidad para formular prompts, seleccionar herramientas y evaluar los resultados obtenidos
Confianza	Precisión; verificación; control docente	Revisión de contenidos, identificación de errores y uso de la IA como apoyo inicial
Aspectos éticos y académicos	Autoría; integridad académica; privacidad; dependencia	Preocupación por trabajos generados sin comprensión, protección de datos y uso responsable
Influencia de colegas	Recomendaciones; intercambio de experiencias	Acercamiento a las herramientas mediante experiencias y prácticas compartidas por otros docentes
Condiciones institucionales	Formación; lineamientos; recursos; acompañamiento	Necesidad de capacitación, orientaciones sobre usos permitidos y acceso institucional a herramientas

La utilidad percibida apareció vinculada principalmente con la posibilidad de simplificar tareas habituales. Los docentes identificaron aplicaciones para preparar actividades, generar ejemplos, organizar información, producir borradores y adaptar materiales. La valoración favorable no dependió únicamente del ahorro de tiempo. Algunos participantes consideraron relevante la posibilidad de explorar diferentes alternativas para una misma actividad o ajustar contenidos según las características de los estudiantes.

Para algunos docentes, la IA generativa resultaba pertinente únicamente cuando proporcionaba una ventaja concreta respecto de los procedimientos que ya utilizaban. En estos casos, la facilidad de acceso a la herramienta no fue suficiente para producir una adopción frecuente. La decisión estuvo condicionada por la utilidad específica que el docente encontraba para su disciplina o actividad académica.

Tabla 2

Manifestaciones de la utilidad percibida en la práctica docente

Subcategoría	Descripción
Planificación	Elaboración inicial de actividades, preguntas, secuencias y ejemplos
Producción de materiales	Generación y adaptación de textos, casos y recursos
Organización de información	Síntesis, clasificación y estructuración preliminar
Personalización	Adaptación de explicaciones y actividades
Ahorro de tiempo	Reducción del tiempo dedicado a tareas preparatorias
Utilidad limitada	Uso ocasional cuando no se identifica una ventaja concreta

Las competencias para utilizar la IA generativa constituyeron otro elemento relevante. Los participantes diferenciaron entre acceder a una plataforma y conseguir resultados adecuados para una finalidad académica. La formulación de instrucciones, la selección de información pertinente y la capacidad para identificar respuestas incorrectas fueron consideradas habilidades necesarias para integrar estas herramientas de manera autónoma.

El aprendizaje de estas competencias se produjo mediante diferentes vías. Algunos docentes señalaron procesos de exploración y ensayo individual, mientras otros atribuyeron importancia a la formación o al intercambio con colegas. Las dificultades para construir instrucciones precisas o corregir los resultados disminuyeron la frecuencia de uso entre quienes poseían menor experiencia. Esto mostró que la disponibilidad tecnológica no garantizaba por sí sola su incorporación a la práctica docente.

La confianza en las respuestas generadas influyó principalmente en la forma en que se utilizaban las herramientas. Los docentes que identificaban posibles errores no necesariamente abandonaban la IA, sino que tendían a utilizarla como recurso preliminar sujeto a revisión. La verificación de información apareció, por tanto, como una condición para incorporar los resultados generados a materiales o actividades académicas.

Tabla 3

Factores que condicionan la confianza en la inteligencia artificial generativa

Factor	Manifestación en el uso docente
Precisión de las respuestas	Evaluación de errores, imprecisiones o respuestas generales
Verificación	Contraste de la información antes de utilizarla
Experiencia previa	Mayor capacidad para reconocer limitaciones de la herramienta
Tipo de tarea	Mayor o menor confianza según la finalidad del uso
Supervisión docente	Revisión y modificación del producto generado

Los aspectos éticos y académicos estuvieron relacionados principalmente con la autoría, la integridad académica, la privacidad y el riesgo de dependencia. La preocupación por el uso estudiantil ocupó un lugar particular, debido a que algunos participantes consideraron necesario revisar las estrategias de evaluación para evitar que la IA sustituya procesos de análisis, escritura o resolución que correspondían al estudiante.

Estas preocupaciones no implicaron necesariamente una posición de rechazo, en varios casos se relacionaron con la necesidad de definir límites, solicitar transparencia en el uso de las herramientas y mantener la responsabilidad del docente y del estudiante sobre el producto final. El cuestionamiento ético funcionó tanto como una posible barrera como un criterio para establecer formas de utilización consideradas aceptables.

Tabla 4

Principales preocupaciones asociadas con el uso de IA generativa

Aspecto	Preocupación identificada
Integridad académica	Presentación de contenidos generados como producción propia
Autoría	Dificultad para determinar la participación humana en los productos
Privacidad	Ingreso de información personal o institucional en plataformas externas
Dependencia	Reducción del esfuerzo de análisis y elaboración
Confiabilidad	Incorporación de información incorrecta sin comprobación
Evaluación	Necesidad de modificar actividades y formas de valorar el aprendizaje

Las experiencias compartidas, demostraciones informales y recomendaciones permitieron que algunos docentes conocieran aplicaciones que posteriormente incorporaron a sus actividades. También se identificaron casos en los que el intercambio profesional contribuyó a modificar posiciones iniciales de resistencia.

Las condiciones institucionales aparecieron asociadas con la seguridad con la que los docentes decidían incorporar la inteligencia artificial. La existencia de capacitación, orientaciones sobre protección de datos, criterios para la evaluación y acceso a herramientas favorecía una percepción de mayor respaldo institucional. La ausencia de lineamientos generaba incertidumbre respecto de los usos considerados aceptables.

Tabla 5

Condiciones profesionales e institucionales vinculadas con la adopción

Ámbito	Factor	Incidencia en la adopción
Profesional	Experiencias de colegas	Facilitan el conocimiento y prueba de nuevas herramientas
Profesional	Cultura académica	Puede favorecer la experimentación o reforzar reservas
Institucional	Capacitación	Incrementa conocimientos técnicos y pedagógicos
Institucional	Lineamientos	Reduce incertidumbre sobre usos permitidos
Institucional	Recursos	Facilita acceso estable a plataformas y servicios
Institucional	Acompañamiento	Proporciona apoyo ante problemas técnicos o pedagógicos
Institucional	Criterios de evaluación	Orienta el uso docente y estudiantil de la IA

La comparación interpretativa entre participantes mostró además distintos niveles de adopción; algunos docentes incorporaban estas herramientas de manera frecuente en varias actividades; otros mantenían un uso selectivo, limitado a tareas en las que identificaban una ventaja concreta; mientras que otro grupo mostraba una adopción reducida debido a falta de formación, baja utilidad percibida o preocupaciones sobre integridad académica. Estas posiciones evidenciaron que conocer una herramienta no equivalía necesariamente a adoptarla de manera habitual.

Tabla 6

Patrones de adopción identificados

Patrón	Características
Adopción amplia	Uso frecuente, experimentación, valoración de la utilidad y capacidad para verificar los resultados
Adopción selectiva	Utilización según la actividad, manteniendo revisión y control docente
Adopción condicionada	Interés por utilizar IA, pero limitado por formación, confianza o condiciones institucionales
Adopción restringida	Uso ocasional o mínimo debido a baja utilidad percibida o preocupaciones académicas y éticas

Los hallazgos permitieron interpretar la adopción de inteligencia artificial generativa como un proceso multidimensional; la utilidad y el ahorro de tiempo favorecieron el acercamiento inicial, pero no explicaron por sí solos la continuidad de uso. Las competencias docentes determinaron la capacidad para obtener y valorar resultados; la confianza definió el nivel de autonomía concedido a las herramientas; las consideraciones éticas establecieron límites de utilización; y la influencia profesional y el respaldo institucional proporcionaron condiciones que podían facilitar o restringir su incorporación.

Los docentes tendieron a valorar favorablemente la inteligencia artificial cuando podían mantener control sobre el proceso, verificar los resultados y vincular su utilización con una finalidad académica concreta. La adopción no se presentó como aceptación o rechazo absoluto de la tecnología, sino como un continuo de decisiones que iban desde la experimentación ocasional hasta su integración habitual en determinadas tareas docentes.

Discussion

Los resultados muestran que la adopción de herramientas de inteligencia artificial generativa por docentes universitarios no depende exclusivamente de su disponibilidad o facilidad de acceso, sino de la interacción entre utilidad percibida, competencias, confianza, consideraciones éticas, influencia de colegas y condiciones institucionales. Este hallazgo coincide con Cabero-Almenara et al. (2024), quienes identificaron que la aceptación de la inteligencia artificial en docentes universitarios está relacionada con expectativas de desempeño y esfuerzo, influencia social, condiciones facilitadoras y creencias pedagógicas, los resultados permiten ampliar esta perspectiva al mostrar que estos factores no actúan de manera independiente, sino que son valorados por los docentes según la actividad académica, su experiencia previa y el grado de control que consideran necesario mantener sobre la herramienta.

La utilidad percibida constituyó uno de los principales factores que favorecieron el acercamiento a la inteligencia artificial generativa. Los docentes encontraron ventajas principalmente en la planificación, elaboración y adaptación de materiales, organización de información y reducción del tiempo destinado a determinadas tareas preparatorias. Este resultado coincide con Shata y Hartley (2025), quienes encontraron que la utilidad percibida influye en las actitudes y en la intención de los profesores universitarios de utilizar inteligencia artificial generativa, los hallazgos muestran que reconocer beneficios generales no garantiza una adopción frecuente, debido a que los docentes valoran la utilidad en función de situaciones concretas de su práctica. La adopción se fortalece cuando la herramienta permite resolver una necesidad académica específica y no únicamente por las posibilidades tecnológicas que ofrece.

Las competencias docentes también desempeñaron una función importante en la continuidad del uso, los participantes diferenciaron entre acceder a una herramienta y disponer de las capacidades necesarias para formular instrucciones, seleccionar respuestas pertinentes, identificar errores y adaptar los productos generados. Esta situación coincide con Ayyoub et al. (2025), quienes identificaron las competencias en inteligencia artificial, la utilidad y facilidad percibidas, el desarrollo profesional y el apoyo de la comunidad como factores relacionados con la alfabetización en inteligencia artificial del profesorado universitario. Los resultados permiten considerar que la competencia para utilizar IA generativa trasciende el conocimiento instrumental, debido a que requiere valorar críticamente sus respuestas y determinar su pertinencia para una finalidad educativa.

Esta interpretación también se relaciona con los hallazgos de Mah y Groß (2024), quienes encontraron diferencias entre docentes universitarios respecto de su autoeficacia, formas de utilización, valoración de beneficios y necesidades de desarrollo profesional. Estas diferencias se manifestaron en patrones que oscilaron entre una adopción amplia, selectiva, condicionada y restringida. La experiencia con inteligencia artificial generativa no debería entenderse mediante una división entre usuarios y no usuarios, los docentes pueden modificar la intensidad y las formas de utilización conforme adquieren experiencia, desarrollan competencias o encuentran aplicaciones que consideran pertinentes para su actividad académica.

La confianza en los resultados generados apareció estrechamente relacionada con la capacidad de supervisión del docente, la presencia de errores o imprecisiones no condujo necesariamente al abandono de las herramientas, sino a formas de utilización en las que la inteligencia artificial funcionaba como un recurso inicial que posteriormente debía ser revisado, contrastado o modificado. Este resultado resulta relevante porque muestra que la confianza no implica aceptar automáticamente el contenido generado. Shata y Hartley (2025) identificaron la confianza como un componente relacionado con la percepción de utilidad, facilidad de uso, actitud e intención de utilizar inteligencia artificial generativa. En los participantes, la confianza adquirió un carácter condicionado: aumentaba cuando el docente podía comprobar la información y conservar la decisión final sobre el producto utilizado.

Las preocupaciones relacionadas con integridad académica, autoría, privacidad y dependencia tampoco se presentaron exclusivamente como factores de rechazo. Los docentes reconocieron riesgos, especialmente cuando la inteligencia artificial podía sustituir procesos que deberían realizar los estudiantes, pero estas preocupaciones también condujeron a plantear formas de utilización basadas en la supervisión, transparencia y establecimiento de límites. García-Peñalvo (2024) advierte que las posibilidades educativas de la inteligencia artificial generativa conviven con desafíos asociados con la alfabetización en IA, la privacidad, seguridad y dimensiones éticas, por lo que su incorporación requiere una perspectiva crítica y responsable. García-Peñalvo et al. (2025) destacan la necesidad de abordar explícitamente la dimensión ética de la inteligencia artificial generativa en la formación universitaria.

La influencia de los colegas mostró que la adopción también posee una dimensión social. Las recomendaciones, demostraciones y experiencias compartidas facilitaron que algunos docentes conocieran aplicaciones que posteriormente incorporaron a sus actividades. Este resultado coincide con Shata y Hartley (2025), quienes consideran el refuerzo social dentro de los factores asociados con la adopción de inteligencia artificial generativa, y con Ayyoub et al. (2025), quienes encontraron que el apoyo de la comunidad académica se relaciona con el desarrollo de competencias y alfabetización en inteligencia artificial. La adopción depende los intercambios profesionales que permiten observar aplicaciones concretas, resolver dificultades y contrastar experiencias de uso.

Las condiciones institucionales constituyeron otro componente que podía facilitar o restringir la incorporación de estas herramientas. La capacitación, disponibilidad de recursos, acompañamiento y existencia de lineamientos aportaron mayor seguridad para decidir cuándo y cómo utilizar inteligencia artificial generativa. La falta de orientaciones generó incertidumbre respecto de la privacidad, evaluación y usos considerados aceptables. Este resultado guarda relación con Ayyoub et al. (2025), quienes destacan la importancia del desarrollo profesional y del apoyo académico, y con Mah y Groß (2024), quienes identificaron necesidades diferenciadas de formación entre docentes universitarios. La respuesta institucional no debería reducirse al acceso a plataformas, sino incorporar formación pedagógica, criterios éticos y orientaciones que permitan tomar decisiones fundamentadas sobre su utilización.

Los hallazgos también presentan coincidencias con Mejía Ortega et al. (2026), quienes, desde una aproximación cualitativa con docentes universitarios, identificaron valoraciones favorables junto con desafíos vinculados con la incorporación de inteligencia artificial generativa en los procesos de enseñanza y aprendizaje. La coexistencia de oportunidades y preocupaciones encontrada en ambos estudios evidencia que los docentes no necesariamente mantienen posiciones completamente favorables o contrarias frente a estas tecnologías. Pueden reconocer beneficios para determinadas tareas y, simultáneamente, establecer restricciones para otras cuando consideran comprometidos los objetivos de aprendizaje, la confiabilidad de la información o la participación intelectual del estudiante.

La utilidad, confianza, competencias y condiciones externas adquirieron relevancia cuando el docente debía decidir si una herramienta contribuía realmente a una actividad de enseñanza, aprendizaje o evaluación. Esto permite interpretar la adopción como una decisión pedagógica y no únicamente tecnológica. En esta dirección, García-Peñalvo (2024) sostiene que la integración de la inteligencia artificial generativa requiere considerar conjuntamente sus posibilidades, riesgos y condiciones de aplicación dentro del ecosistema educativo. La evidencia sugiere que una mayor disponibilidad tecnológica no conduce automáticamente a una mayor integración educativa si el docente no identifica una finalidad académica concreta para su utilización.

Conclusions

La incorporación de inteligencia artificial generativa en la docencia universitaria requiere ser comprendida como una decisión profesional situada, vinculada con la forma en que cada docente interpreta las necesidades de su práctica, las características de sus estudiantes y las exigencias propias de su área de conocimiento, su integración educativa no puede reducirse al dominio técnico de determinadas plataformas.

Las universidades necesitan asumir un papel más activo en la construcción de condiciones para un uso responsable de la inteligencia artificial generativa. Esto implica promover procesos de formación continua, orientaciones institucionales claras y espacios de reflexión pedagógica que permitan a los docentes tomar decisiones fundamentadas sobre sus posibilidades y límites dentro de la enseñanza, el aprendizaje y la evaluación.

El estudio permite concluir que el desarrollo futuro de la inteligencia artificial en la educación superior dependerá menos de la expansión de las herramientas disponibles que de la capacidad de las comunidades universitarias para incorporarlas con intencionalidad pedagógica, autonomía profesional y responsabilidad académica, la formación docente y la gobernanza institucional constituyen elementos indispensables para una integración sostenible de estas tecnologías.

References

Alier-Forment, M., Casañ-Guerrero, M. J., Pereira, J., García-Peñalvo, F. J., & Llorens-Largo, F. (2025). Inteligencia artificial generativa y autonomía educativa: Metáforas históricas y principios éticos para la transformación pedagógica. RIED-Revista Iberoamericana de Educación a Distancia. https://doi.org/10.5944/ried.45536

Ayyoub, A. M., Khlaif, Z. N., Shamali, M., Abu Eideh, B., Assali, A., Hattab, M. K., Barham, K. A., & Bsharat, T. R. K. (2025). Advancing higher education with GenAI: Factors influencing educator AI literacy. Frontiers in Education, 10, 1530721. https://doi.org/10.3389/feduc.2025.1530721

Bolaño-García, M., & Duarte-Acosta, N. (2023). Una revisión sistemática del uso de la inteligencia artificial en la educación. Revista Colombiana de Cirugía. https://doi.org/10.30944/20117582.2365

Bond, M., Khosravi, H., De Laat, M., Bergdahl, N., Negrea, V., Oxley, E., Pham, P., Chong, S. W., & Siemens, G. (2024). A meta systematic review of artificial intelligence in higher education: A call for increased ethics, collaboration, and rigour. International Journal of Educational Technology in Higher Education, 21(1), 4. https://doi.org/10.1186/s41239-023-00436-z

Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre, M. I., & Andrade-Abarca, P. S. (2024a). The impact of pedagogical beliefs on the adoption of generative AI in higher education: Predictive model from UTAUT2. Frontiers in Artificial Intelligence, 7, 1497705. https://doi.org/10.3389/frai.2024.1497705

Cabero-Almenara, J., Palacios-Rodríguez, A., Loaiza-Aguirre, M. I., & Andrade-Abarca, P. S. (2024b). The impact of pedagogical beliefs on the adoption of generative AI in higher education: Predictive model from UTAUT2. Frontiers in Artificial Intelligence, 7, 1497705. https://doi.org/10.3389/frai.2024.1497705

Culebro Castillo, K., Garizurieta Bernabe, J., & Gazca Herrera, L. A. (2025). Estudio sobre la percepción del uso de la Inteligencia Artificial Generativa en los procesos de aprendizaje en estudiantes de educación superior. RIDE Revista Iberoamericana Para La Investigación y El Desarrollo Educativo, 16(31). https://doi.org/10.23913/ride.v16i31.2661

Hernández, R., Fernández, C., & Baptista, P. (2014). Metodología de la investigación. McGraw-Hill.

Hernández-Herrera, J. R., Ortiz-Bejar, J., & Ortiz-Bejar, J. (2026). Adaptive and Personalized Learning in Higher Education: An Artificial Intelligence-Based Approach. Education Sciences, 16(1), 109. https://doi.org/10.3390/educsci16010109

Mah, D.-K., & Groß, N. (2024). Artificial intelligence in higher education: Exploring faculty use, self-efficacy, distinct profiles, and professional development needs. International Journal of Educational Technology in Higher Education, 21(1), 58. https://doi.org/10.1186/s41239-024-00490-1

Mejía Ortega, I. D., Saavedra Bautista, C. E., & Chaparro Díaz, D. J. (2026). Percepciones de docentes universitarios sobre la Inteligencia Artificial Generativa en los procesos de enseñanza y aprendizaje. Revista Latinoamericana de Estudios Educativos, 56(2), 307–324. https://doi.org/10.48102/rlee.2026.56.2.781

Pinto-Llorente, A. M., Izquierdo-Álvarez, V., & Dolcet-Negre, M. M. (2025). Autopercepción y utilidad de la inteligencia artificial generativa en docentes en formación. RIED-Revista Iberoamericana de Educación a Distancia. https://doi.org/10.5944/ried.45480

Salcedo-Frisancho, A., & Pain-Lecaros, O. A. (2023). Uso de las TIC para la enseñanza en docentes universitarios. Magis, Revista Internacional de Investigación En Educación, 16, 1–21. https://doi.org/10.11144/Javeriana.m16.uted

Shata, A., & Hartley, K. (2025). Artificial intelligence and communication technologies in academia: Faculty perceptions and the adoption of generative AI. International Journal of Educational Technology in Higher Education, 22(1), 14. https://doi.org/10.1186/s41239-025-00511-7

Ullah, M., Bin Naeem, S., & Kamel Boulos, M. N. (2024). Assessing the Guidelines on the Use of Generative Artificial Intelligence Tools in Universities: A Survey of the World’s Top 50 Universities. Big Data and Cognitive Computing, 8(12), 194. https://doi.org/10.3390/bdcc8120194

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.