Cap1

Introducción: la irrupción de la Inteligencia Artificial Generativa (IAG) ha redefinido las dinámicas en la educación superior. Objetivo: explorar las percepciones multidisciplinarias del profesorado sobre la incorporación y el impacto de estas herramientas en sus prácticas pedagógicas. Metodología: bajo un enfoque cuantitativo, no experimental y de alcance descriptivo-inferencial, se aplicó una encuesta estructurada a una muestra estratificada de 334 docentes de la Universidad de Guayaquil, abarcando 17 unidades académicas. Los datos fueron procesados en Python, empleando análisis de varianza (ANOVA), pruebas Post-Hoc de Tukey y correlación Rho de Spearman. Resultados y discusión: revelan una percepción predominantemente positiva (media global de 4.03), destacando la eficiencia laboral (4.32) como la dimensión más valorada. No obstante, la confianza en los contenidos generados mostró el desempeño más discreto (3.56), evidenciando preocupaciones éticas. El análisis inferencial confirmó diferencias significativas en la percepción de eficiencia entre facultades, siendo Ciencias Médicas la unidad con mayor aceptación frente a Ciencias Administrativas. Conclusiones: si bien existe una apertura estratégica hacia la IAG como motor de personalización es imperativo implementar políticas de alfabetización ética y capacitaciones diferenciadas por áreas del saber para garantizar una integración pedagógica crítica y responsable.

Palabras clave: enseñanza superior, formación de docentes, innovación educativa, inteligencia artificial generativa, personalización del aprendizaje, práctica pedagógica.

Abstract

Introduction: the emergence of Generative Artificial Intelligence (GAI) has redefined the dynamics of higher education. Objective: to explore the multidisciplinary perceptions of faculty members regarding the incorporation and impact of these tools on their pedagogical practices. Methodology: following a quantitative, non-experimental approach with a descriptive-inferential scope, a structured survey was administered to a stratified sample of 334 professors from 17 academic units at the University of Guayaquil. Data were processed using Python, employing analysis of variance (ANOVA), Tukey’s Post-Hoc tests, and Spearman’s Rho correlation. Results and discussion: the findings reveal a predominantly positive perception (overall mean of 4.03), with labor Efficiency (4.32) being the most highly valued dimension. However, Trust in generated content showed the lowest performance (3.56), highlighting underlying ethical concerns. Inferential analysis confirmed significant differences in the perception of efficiency across faculties, with Medical Sciences showing higher levels of acceptance compared to Administrative Sciences. Conclusions: while there is a strategic openness toward GAI as a driver for personalization, it is imperative to implement ethical literacy policies and differentiated training by field of knowledge to ensure a critical and responsible pedagogical integration.

Keywords: higher education, pedagogical efficiency, educational innovation, generative artificial intelligence, faculty perception, personalized learning.

Introducción
La transformación digital ha marcado de manera decisiva el rumbo de la educación superior en el siglo actual, evolucionando desde la simple automatización de tareas administrativas hacia una redefinición profunda de la pedagogía. Uno de los desarrollos más recientes y disruptivos en este panorama es la Inteligencia Artificial Generativa (IAG), una tecnología que, a diferencia de la IA tradicional, posee la capacidad de producir textos, imágenes, códigos y evaluaciones con una rapidez y precisión inéditas, fundamentándose en el entrenamiento de modelos algorítmicos avanzados y arquitecturas de redes neuronales como las antagónicas (GAN) o los autoencoders (Dwivedi et al., 2021).
Su irrupción en la docencia universitaria representa un fenómeno de dualidad crítica, por un lado, abre la posibilidad de optimizar la enseñanza, personalizar la formación y reducir significativamente la carga laboral; por otro, plantea interrogantes profundos sobre la confiabilidad de los contenidos, el riesgo de dependencia tecnológica y las implicaciones éticas y legales de su uso indiscriminado (García Peñalvo et al., 2024).
El problema central que motiva esta investigación radica en que, a pesar de la creciente presencia de la IA en la educación superior y de los programas de formación técnica que se han implementado, aún existe un vacío en el conocimiento sobre cómo los docentes perciben estas herramientas en su práctica cotidiana. Las experiencias y valoraciones del profesorado constituyen el factor determinante para una integración efectiva, pues de ellas depende el impacto real en la calidad del proceso de enseñanza-aprendizaje. Sin evidencia empírica suficiente sobre estas percepciones, resulta difícil determinar si la IAG se está convirtiendo en un recurso transformador o si persisten resistencias que obstaculizan su potencial.
En este sentido, la Universidad de Guayaquil (UG), como la institución pública más grande del Ecuador, ha impulsado diversas iniciativas de formación, tales como los cursos de «Utilización de la IA en la docencia» e «Implementación de IAG en evaluación», integrados en su Plan Institucional de Formación del Personal Académico. No obstante, la efectividad de estos esfuerzos depende de cómo los docentes los interioricen, lo que hace urgente un análisis detallado de sus percepciones.
Desde una perspectiva conceptual, la IA término acuñado por McCarthy en ١٩٥٦ busca que las computadoras imiten capacidades humanas de razonamiento y toma de decisiones (Jiang et al., ٢٠٢٢; Agarwal, ٢٠٢٣). Dentro de este campo, la IAG ha emergido como una rama distintiva enfocada en la creación de contenido original a partir de datos preexistentes y comandos específicos denominados prompts (Lim et al., ٢٠٢٣; Vega Figueroa, ٢٠٢٣). La popularización de estos modelos, catalizada por el lanzamiento de ChatGPT a finales de ٢٠٢٢, ha transformado el rol del docente, quien ahora cuenta con herramientas que actúan como asistentes suplementarios para la creación de materiales y el análisis de datos (Sánchez Vera, ٢٠٢٣; Maslej et al., ٢٠٢٥).
La aplicación de estas herramientas en el aula se manifiesta en múltiples dimensiones. El profesorado utiliza modelos conversacionales como ChatGPT, Gemini o Copilot no solo para consultas rápidas, sino para la generación de recursos didácticos complejos, incluyendo rúbricas, cuestionarios y ejercicios adaptados (Alfaro Salas y Díaz Porras, ٢٠٢٣). En el contexto ecuatoriano, la IA se reconoce como un recurso valioso que facilita la planificación y la evaluación, incluso frente a limitaciones tecnológicas, mejorando el compromiso y la eficacia del aprendizaje mediante la personalización de contenidos (Carchipulla-Fajardo et al., ٢٠٢٤; Tzirides et al., ٢٠٢٣).
La percepción sobre la eficiencia laboral es particularmente positiva; estudios recientes sugieren que el ١٠٠ ٪ de los docentes encuestados considera que la IA reduce el estrés y mejora la calidad de vida profesional (Nacimba Rivera et al., ٢٠٢٤). Esta eficiencia se traduce en ahorros tangibles de tiempo, con reportes que indican reducciones de entre una y tres horas semanales en tareas administrativas y hasta un ٦٠ ٪ en la elaboración de planificaciones y evaluaciones repetitivas (Rodríguez Sierra et al., ٢٠٢٥; Chisag Pallmay et al., ٢٠٢٥).
Sin embargo, la integración de la IAG no está exenta de retos críticos, especialmente en lo referente a la confianza y la integridad académica. La preocupación por el plagio y la desinformación es alta, con un 62.9 % de docentes manifestando inquietud sobre el uso que los estudiantes dan a estas tecnologías (Sánchez Vera, 2023). La posibilidad de que la IA genere información sesgada, incorrecta o las denominadas «alucinaciones» exige que el docente mantenga una revisión constante y desarrolle competencias críticas para validar los resultados (Baidoo-Anu y Owusu Ansah, 2023; Segovia Juárez y Baumgartner, 2023). Además, riesgos éticos como las «citas fantasmas» referencias ficticias producidas por algoritmos comprometen la validez científica y la reputación académica si no existe una supervisión humana rigurosa (Gallent-Torres et al., 2023). A estos desafíos se suman las brechas en la formación y la infraestructura. Por ejemplo, en algunas investigaciones se muestra que, en Ecuador, solo el 15.4 % de los docentes ha recibido capacitación específica en IAG y un 63.5 % identifica la falta de preparación como un obstáculo insalvable para su práctica (Nacimba Rivera et al., 2024; Tobar Litardo et al., 2023). Asimismo, la insuficiencia tecnológica institucional, especialmente en zonas con acceso limitado a versiones premium de estas herramientas, agrava la brecha digital (Chisag Palma, 2025; UNESCO, 2023). La protección de la privacidad de los datos de los estudiantes y la transparencia algorítmica también emergen como preocupaciones fundamentales que requieren regulaciones efectivas y políticas institucionales claras (Selwyn, 2022).
El presente estudio se justifica en la necesidad de contar con evidencia empírica que permita comprender cómo el profesorado de la Universidad de Guayaquil percibe la incorporación de la IAG, identificando tanto sus beneficios en la personalización de la enseñanza como las limitaciones éticas que perciben. Con el objetivo de explorar estas percepciones, la investigación analizó las posturas de 334 docentes pertenecientes a 17 facultades.

Metodología

La presente investigación adoptó un enfoque cuantitativo, orientado a medir y analizar de manera objetiva las percepciones de los docentes sobre el uso de herramientas de inteligencia artificial generativa en sus prácticas pedagógicas. El diseño fue no experimental y transversal, ya que los datos se recolectaron en un único momento (junio - agosto 2025), sin manipulación de variables. En cuanto a su alcance, corresponde a un estudio descriptivo y exploratorio, pues se centra en caracterizar percepciones, identificar tendencias y señalar beneficios y limitaciones en el uso de la IA generativa en la docencia.

Población y muestra

La población de estudio estuvo conformada por 2 464 docentes de la Universidad de Guayaquil, pertenecientes a 17 facultades. A partir de este universo, se calculó el tamaño muestral mediante la fórmula para poblaciones finitas, considerando un nivel de confianza del 95 % y un margen de error del 5 %. El resultado indicó un tamaño mínimo de 333 participantes. Finalmente, se trabajó con una muestra efectiva de 334 docentes, lo que asegura representatividad. Se aplicó un muestreo proporcional estratificado, de forma que cada facultad aportó docentes en proporción a su peso en la población total. Ante los redondeos, se utilizó el método de restos mayores, asignándose un caso adicional a la Facultad de Filosofía, Letras y Ciencias de la Educación. La distribución final se presenta en la tabla 1.

Tabla 1. Distribución de la muestra por facultad

Facultad	Población (Ni)	Muestra asignada (ni)
Jurisprudencia, Ciencias Sociales y Políticas	123	17
Ciencias Médicas	366	49
Ciencias Matemáticas y Físicas	212	29
Filosofía, Letras y Ciencias de la Educación	322	44
Ciencias Químicas	67	9
Ciencias Económicas	96	13
Ciencias Administrativas	338	46
Odontología	153	21
Ciencias Naturales	56	7
Arquitectura y Urbanismo	105	14
Ingeniería Química	113	15
Comunicación Social	160	22
Ingeniería Industrial	168	23
Ciencias Psicológicas	51	7
Medicina Veterinaria y Zootecnia	24	3
Ciencias de las Actividades Físicas	65	9
Ciencias Agrarias	45	6
Total	2 464	334

Nota. Datos tomados del Sistema Integrado de la Universidad de Guayaquil (SIUG).

Los criterios de inclusión consideraron a docentes titulares y contratados ocasionales con actividad académica vigente en el período de aplicación de la encuesta (junio–agosto de 2025). Se excluyeron aquellos que estaban con licencias, permisos prolongados o sin carga horaria docente. La participación fue voluntaria, con consentimiento informado y garantía de confidencialidad de las respuestas.

Técnicas e instrumento de recolección
La técnica de recolección de información fue la encuesta estructurada en línea, aplicada a través de un formulario digital distribuido a través de correo institucional a las autoridades de las diferentes unidades académicas para su difusión con el personal docente. El instrumento consta de ocho ítems: seis preguntas cerradas tipo escala Likert de cinco puntos (de «totalmente en desacuerdo» a «totalmente de acuerdo») y dos preguntas abiertas.
Los ítems de escala Likert exploraron las dimensiones:
- Eficiencia docente: percepción de mayor efectividad en la labor académica.
- Carga laboral: reducción de tiempo o esfuerzo en tareas pedagógicas.
- Confiabilidad de contenidos: confianza en la información generada por IA.
- Producción de materiales: apoyo en elaboración de recursos didácticos y temáticos.
- Apoyo pedagógico: contribución al proceso de enseñanza–aprendizaje.
- Personalización: adaptación de la enseñanza a las características de los estudiantes.
Las preguntas abiertas indagaron en:
- La herramienta de IA más utilizada por el docente.
- Las actividades educativas principales en las que emplea dicha herramienta.
Procesamiento y análisis de la información
Los datos recolectados fueron sistematizados en matrices estadísticas y analizados en dos fases. Primero, se aplicó un análisis descriptivo que incluyó frecuencias absolutas y relativas, medidas de tendencia central (media y mediana) y dispersión (desviación estándar) para cada ítem de la escala Likert. Las respuestas abiertas fueron procesadas mediante un análisis categorial inductivo, permitiendo agruparlas en categorías relacionadas con las herramientas de IA más empleadas y sus principales usos pedagógicos. Posteriormente, se realizó un análisis inferencial para profundizar en la estructura de los datos. Este incluyó la prueba de ANOVA de un factor para comparar las percepciones entre las 17 facultades, seguida de la prueba Post-Hoc de Tukey HSD para identificar las diferencias significativas específicas. Asimismo, se aplicó el coeficiente de correlación Rho de Spearman para determinar la fuerza y dirección de la relación entre las dimensiones del estudio.
El procesamiento estadístico y la generación de representaciones gráficas avanzadas (diagramas de caja, mapas de calor y matrices de correlación) se llevaron a cabo utilizando Python 3.10 en el entorno de Google Colab, asegurando la precisión en el manejo de los 334 registros obtenidos.

Resultados y discusión

Para el tratamiento de la información, se aplicó un análisis estadístico descriptivo e inferencial, procesando las respuestas de la muestra mediante el lenguaje de programación Python. Este enfoque permitió identificar no solo las tendencias centrales de percepción de los 334 docentes, sino también la variabilidad y distribución de sus posturas frente a la Inteligencia Artificial Generativa (IAG).

Análisis descriptivo de la percepción docente

La percepción general sobre la integración de la IAG en la educación superior es marcadamente positiva, alcanzando una media global de 4.03. Considerando que la escala tipo Likert utilizada oscila entre 1 (totalmente en desacuerdo) y 5 (totalmente de acuerdo), este valor se ubica dentro del rango correspondiente a la categoría «De acuerdo», lo que evidencia una tendencia general favorable del profesorado hacia los beneficios de estas tecnologías, más que una mayoría en términos estrictamente porcentuales.

Como se detalla en la tabla ١, la dimensión con la puntuación más elevada es la Eficiencia (٤.٣٢), la cual destaca por presentar una mediana de ٥.٠٠. Este valor indica que al menos el ٥٠ ٪ de los docentes otorgó la máxima puntuación en esta dimensión, lo que sugiere una alta concentración de respuestas en los niveles superiores de la escala y, por tanto, una tendencia predominante hacia una valoración muy favorable de la IAG como herramienta que potencia significativamente la efectividad de sus tareas.

Tabla 2. Estadísticos descriptivos de la percepción docente sobre la IAG (n=334)

Dimensión	Media (xˉ)	Mediana	Desv. Estándar (σ)
Eficiencia (Mayor efectividad)	4.32	5.00	0.84
Generación de Contenido (Apoyo en recursos)	4.24	4.00	0.75
Valor Pedagógico (Contribución al P-E-A)	4.14	4.00	0.86
Adaptabilidad (Personalización)	4.03	4.00	0.91
Carga Laboral (Reducción de esfuerzo)	3.87	4.00	0.98
Confianza (Fiabilidad de contenidos)	3.56	4.00	1.05
Media Global	4.03	4.00	0.86

Nota. Escala de 1 (Totalmente en desacuerdo) a 5 (Totalmente de acuerdo).

Para comprender la consistencia de estas opiniones, se ha generado un gráfico de cajas o Boxplot (figura 1). En este se observa que la Eficiencia posee una distribución fuertemente sesgada hacia el valor máximo (5). Por el contrario, la Confianza presenta el desempeño más discreto (3.56) y la mayor heterogeneidad (1.05), reflejando la persistencia de dudas éticas o técnicas respecto a la veracidad de la información generada.

Figura 1. Distribución de las percepciones docentes sobre la IA (Boxplot)

Nota. Gráfico generado del análisis de los datos de las encuestas a través de Python.

Identificación de herramientas de IAG utilizadas
ChatGPT es la herramienta predominante con un 58.4 % de las menciones, seguida por Google Gemini (10.2 %), como se ilustra en la figura 2. Respecto a la finalidad del uso (figura 3), la aplicación se concentra en dos ejes: la Generación/Adaptación de Contenidos (32.4 %) y el Diseño de Actividades y Evaluación (31.4 %). Este hallazgo indica que casi un tercio de la planta docente emplea la IAG para tareas de alta complejidad pedagógica.
Figura 2. Herramientas IA más utilizadas por los docentes (Top 10)
Nota. Gráfico generado del análisis de los datos de las encuestas a través de Python.
Figura 3. Principales categorías de uso académico de la IAG
Nota. Gráfico generado del análisis de los datos de las encuestas a través de Python.
Distribución de percepciones por Unidad Académica
Para un análisis más detallado, la figura 4 (Heatmap) presenta el comportamiento de las medias de percepción desglosadas por cada una de las 17 facultades y las 6 dimensiones de estudio.
Figura 4. Media de percepción de la IAG por facultad y dimensión
Nota. Gráfico generado del análisis de los datos de las encuestas a través de Python.
El mapa de calor permite identificar patrones de adopción y percepción diferenciados. Se observa que dimensiones como Eficiencia y Generación de Contenido presentan tonalidades más oscuras (valores cercanos a 5.0), lo que indica una valoración positiva generalizada en toda la institución. Por el contrario, la dimensión de Confianza muestra colores más claros en la mayoría de las unidades académicas, reflejando una postura más escéptica de los docentes, con puntos críticos en facultades como Ciencias Económicas (2.85).
Visualmente, destacan contrastes importantes en la dimensión de Eficiencia: mientras Facultades como Veterinaria y Zootecnia (5.00) y Ciencias Médicas (4.63) muestran niveles de satisfacción muy altos, otras como Ciencias Administrativas (3.87) reportan valoraciones más moderadas. Estas variaciones visuales, que podrían estar influenciadas por el tamaño de la muestra de cada unidad, se analizan a continuación mediante la prueba de significancia ANOVA para determinar cuáles de estas diferencias son estadísticamente representativas.

Análisis inferencial: comparación por Facultades (ANOVA)

Se aplica un ANOVA de un factor para determinar la influencia de la facultad en la percepción. Como se resume en la tabla 3, no se observan diferencias significativas en cinco de las seis dimensiones (p > .05), lo que sugiere una visión institucional mayoritariamente homogénea.

Tabla 3. Resumen de resultado del ANOVA (comparación entre facultades)

	F-static	p-valor	Significativo p<=0.05
Eficiencia	2.039	0.011	Verdadero
Carga laboral	1.550	0.081	Falso
Confianza	1.564	0.077	Falso
Generación de contenidos	1.085	0.368	Falso
Valor pedagógico	1.370	0.155	Falso
Adaptación	1.254	0.225	Falso

Nota. Datos procesados en Python (Google Colab).

Sin embargo, se encontró una excepción crítica en la dimensión de Eficiencia (Mayor efectividad), donde el resultado fue estadísticamente significativo (F = 2.039; p = 0.011). Al ser el p-valor inferior al umbral de 0.05, se rechaza la hipótesis nula, confirmando que la percepción de qué tan eficiente es la IA para el trabajo docente varía significativamente según la Facultad. Para identificar dónde radican estas diferencias en la dimensión de Eficiencia, se aplicó la prueba Post-Hoc de Tukey HSD. Los resultados revelan que la diferencia estadísticamente significativa más robusta se da entre la Facultad de Ciencias Médicas y Ciencias Administrativas (p_adj = 0.0011), con una diferencia de medias de 0.763.

Al observar el mapa de calor (figura 3), se confirma que mientras los docentes de Ciencias Médicas reportan una de las percepciones de eficiencia más altas de la institución (4.63), sus pares de Ciencias Administrativas muestran una valoración significativamente más moderada (3.87). Este hallazgo sugiere que, en esta muestra particular, los docentes del área de salud han encontrado en la IAG un aliado más potente para la efectividad de sus procesos diagnósticos o académicos que los docentes del área administrativa.

Análisis de correlación entre dimensiones (Rho de Spearman)

Para finalizar el análisis de resultados, se examinó la fuerza y dirección de la relación entre las diferentes dimensiones de percepción mediante el coeficiente de correlación Rho de Spearman. Esta prueba no paramétrica es ideal para variables medidas en escala Likert. Como se observa en la tabla 4, todas las dimensiones presentan correlaciones positivas y estadísticamente significativas. Las relaciones más robustas se encuentran entre el Valor Pedagógico y la Adaptación (rs=0.812), lo que sugiere que los docentes que perciben una mayor utilidad didáctica en la IAG son también quienes más valoran su capacidad para personalizar el aprendizaje.

Tabla 4. Matriz de correlación Rho de Spearman entre dimensiones de percepción

Dimensión	Eficiencia	Carga laboral	Confianza	Gen. Contenido	Valor pedagógico	Adaptación
Eficiencia	1.000	0.644	0.461	0.617	0.647	0.628
Carga Laboral	0.644	1.000	0.565	0.613	0.711	0.708
Confianza	0.461	0.565	1.000	0.532	0.553	0.604
Gen. Contenido	0.617	0.613	0.532	1.000	0.685	0.724
Valor Pedagógico	0.647	0.711	0.553	0.685	1.000	0.812
Adaptación	0.628	0.708	0.604	0.724	0.812	1.000

Nota. Todas las correlaciones son significativas al nivel 0.01.

Asimismo, destaca la fuerte correlación entre la Carga Laboral y el Valor Pedagógico (rs=0.711). Este hallazgo es fundamental, pues indica que la percepción de la IA como una herramienta que reduce el esfuerzo docente está intrínsecamente ligada a su reconocimiento como un aporte valioso para el proceso de enseñanza-aprendizaje. Por el contrario, la Confianza es la dimensión que presenta las correlaciones más moderadas, especialmente con la Eficiencia (rs=0.461), confirmando que los docentes pueden encontrar la herramienta efectiva, aunque mantengan reservas sobre la fiabilidad de sus contenidos.

Discusión
Los hallazgos de esta investigación revelan una aceptación institucional de la Inteligencia Artificial Generativa (IAG) que supera el umbral de la mera experimentación, consolidándose como una herramienta de apoyo pedagógico con una media global de 4.03. Esta percepción positiva coincide con la literatura internacional (Valenzuela Ramírez y otros, 2024) la cual sugiere que el profesorado universitario identifica en la IA un recurso transformador capaz de elevar la calidad de vida profesional.
No es coincidencia que la Eficiencia sea la dimensión con la valoración más alta (4.32); este dato valida las tesis de Rodríguez Sierra et al. (2025) y Chisag Pallmay et al. (2025), quienes enfatizan que el ahorro de tiempo en tareas administrativas y de planificación es el beneficio más tangible y valorado de la IAG en el contexto ecuatoriano. Sin embargo, al contrastar la alta valoración de la eficiencia con el desempeño más discreto de la dimensión de Confianza (3.56), surge una contradicción interesante. Mientras que los docentes utilizan la herramienta de forma masiva con ChatGPT liderando con el 58.4 %, mantienen un escepticismo saludable.
Esta brecha de confianza confirma las preocupaciones de Baidoo-Anu y Owusu Ansah (2023) y Segovia Juárez y Baumgartner (2023) sobre las «alucinaciones» algorítmicas. La mayor heterogeneidad en las respuestas de esta dimensión (١.٠٥) refleja que persiste una incertidumbre ética y técnica que obliga al docente a actuar como un filtro crítico, tal como sugieren Gallent-Torres et al. (٢٠٢٣) respecto al riesgo de las «citas fantasmas». Un aporte significativo es la disparidad estadística encontrada entre Ciencias Médicas (٤.٦٣) y Ciencias Administrativas (٣.٨٧). Esto refuerza la necesidad planteada por Tobar Litardo et al. (٢٠٢٣) de diseñar programas de capacitación específicos por dominio académico, en lugar de capacitaciones genéricas. A la luz de estos resultados, la robusta correlación entre el Valor Pedagógico y la Adaptación (rs = ٠.٨١٢) ofrece una base empírica para sostener que la IAG está siendo percibida como un motor de personalización del aprendizaje (Tzirides y otros, ٢٠٢٣).

Conclusiones
El análisis integral y multidisciplinario de la visión docente en la Universidad de Guayaquil permite determinar que la Inteligencia Artificial Generativa ha dejado de ser una tecnología emergente para consolidarse como un componente operativo de la labor académica. La marcada valoración positiva en términos de eficiencia sugiere que el profesorado ha identificado en la IAG una solución pragmática frente a la saturación administrativa, permitiendo una redistribución del esfuerzo intelectual hacia tareas de mayor valor pedagógico. No obstante, esta adopción no es uniforme; la brecha detectada en la dimensión de confianza revela un claustro docente que, si bien utiliza la herramienta de forma masiva, mantiene una vigilancia crítica necesaria para mitigar riesgos éticos asociados a la veracidad de la información y la integridad académica.
Bajo el análisis de las disparidades disciplinares, se deduce que el impacto de la IAG está condicionado por la naturaleza de la facultad y el dominio del conocimiento. El hecho de que áreas como Ciencias Médicas reporten niveles de eficiencia significativamente superiores a las Ciencias Administrativas indica que las herramientas generativas encuentran un eco más potente en disciplinas que demandan una síntesis constante de evidencia científica. Por consiguiente, el éxito de la transformación digital universitaria no podrá gestionarse desde políticas institucionales estandarizadas, sino que requerirá estrategias de integración diferenciadas que reconozcan las necesidades específicas de cada área del saber. Como corolario de estos hallazgos, se desprenden recomendaciones críticas tanto para la gestión como para la prospectiva científica. En el plano institucional, resulta imperativo transitar desde capacitaciones técnicas genéricas hacia la creación de nodos de experimentación pedagógica por facultad. Estos espacios deben enfocarse en el desarrollo de una alfabetización en IA que priorice la validación de contenidos y la seguridad jurídica del docente. Es vital que la universidad garantice que la tecnología actúe como un catalizador de la personalización del aprendizaje y no como una barrera que fomente la dependencia tecnológica o la erosión del pensamiento crítico.
En lo que respecta a la agenda de investigación futura, el presente estudio identifica rutas necesarias para profundizar en este fenómeno. Resulta fundamental desarrollar investigaciones de corte longitudinal que evalúen si la percepción de eficiencia se mantiene estable en el tiempo o si responde a una curva de entusiasmo tecnológico inicial. Asimismo, se requiere triangular la visión docente con estudios que midan el impacto real de la IAG en el rendimiento estudiantil y la validez psicométrica de los instrumentos de evaluación (rúbricas y reactivos) generados algorítmicamente. Finalmente, es prioritario analizar la presencia de sesgos culturales en los modelos de IA cuando se aplican al contexto lingüístico y social ecuatoriano.
En última instancia, este estudio ratifica que la visión docente en la Universidad de Guayaquil es de una apertura estratégica. El profesorado está dispuesto a integrar la IAG en su práctica cotidiana, pero demanda marcos regulatorios claros y una infraestructura que sustente esta evolución. La transición hacia una universidad asistida por IA es ya una realidad; el desafío actual radica en asegurar que esta integración sea pedagógicamente coherente, científicamente validada y éticamente responsable con las exigencias de la sociedad digital contemporánea.
Agradecimientos
Se expresa un sincero agradecimiento a los docentes de la Universidad de Guayaquil por su valiosa participación en la encuesta, cuya colaboración y disposición hicieron posible la recolección de la información necesaria para el desarrollo de este estudio.
Agradecimiento a los revisores
La Revista «La Universidad» agradece a los siguientes revisores por su evaluación y sugerencias en este artículo:
MSc. Melvin Adalberto Cruz Cruz
Especialista informático y Técnico de Planificación-Evaluación Institucional,
Universidad de El Salvador.
melvin.cruz@ues.edu.sv
MSc. Yaneth Idalia Martínez Molina
Docente y especialista en entornos virtuales, Universidad Autónoma de Santa Ana, UNASA.
yaneth.martinez@unasa.edu.sv
Sus aportes fueron fundamentales para mejorar la calidad y rigor de esta investigación.
Referencias bibliográficas
Agarwal, S. (2023). El impacto de la inteligencia artificial (IA) en la sociedad. Journal of Advances in Science and Technology, 20(1), 194–200. https://doi.org/10.29070/rx6mcp48
Alfaro Salas, H., y Díaz Porras, J. (٢٠٢٣). Percepciones del personal docente acerca del uso ético de la inteligencia artificial. Innovaciones Educativas, ٢٦(41), 63–77. https://doi.org/10.22458/ie.v26i41.4952
Baidoo-Anu, D., y Owusu Ansah, L. (2023). Educación en la era de la inteligencia artificial generativa (IA): Comprender los beneficios potenciales de ChatGPT para promover la enseñanza y el aprendizaje. Journal of AI, 7(1), 52–62. https://doi.org/10.2139/ssrn.4337484
Carchipulla-Fajardo, D., González-Maldonado, D., y Flores-Chuquimarca, D. (2024). Inteligencia artificial como apoyo docente: Perspectivas y desafíos desde docentes. MQRInvestigar, 8(3), 2607–2630. https://doi.org/10.56048/MQR20225.8.3.2024.2607-2630
Chisag Pallmay, E., Guamán Altamirano, V., Altamirano Cajilema, S., Sisa Sangucho, S., y Vargas Vaca, J. (2025). El uso de herramientas con inteligencia artificial en la optimización de tareas administrativas del docente. Revista Latinoamericana de Ciencias Sociales y Humanidades, 6(2), 2293–2313. https://doi.org/10.56712/latam.v6i2.3831
Dwivedi, Y., Hughes, L., Aarts, G., Coombs, C., Crick, T., Duan, Y., ... Williams, M. (2021). Inteligencia artificial (IA): Perspectivas multidisciplinarias sobre desafíos emergentes, oportunidades y agenda para la investigación, la práctica y las políticas. International Journal of Information Management, 57, 101994. https://doi.org/10.1016/j.ijinfomgt.2019.08.002
Gallent-Torres, C., Zapata-González, A., y Ortego-Hernando, J. (2023). El impacto de la inteligencia artificial generativa en educación superior: Una mirada desde la ética y la integridad académica. RELIEVE, 29(2). https://doi.org/10.30827/relieve.v29i2.29134
García Peñalvo, F., Llorens-Largo, F., y Vidal, J. (2024). 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
Jiang, Y., Li, X., Luo, H., Yin, S., y Kaynak, O. (2022). ¿Quo vadis, inteligencia artificial? Discover Artificial Intelligence, 2(4). https://doi.org/10.1007/s44163-022-00022-8
Lim, W., Asanka, G., Leigh Pallant, J., Ian Pallant, J., y Pechenkina, E. (2023). IA generativa y el futuro de la educación: ¿Ragnarök o reforma? Una perspectiva paradójica desde la perspectiva de los educadores en gestión. The International Journal of Management Education, 21(2), 100790. https://doi.org/10.1016/j.ijme.2023.100790
Maslej, N., Fattorini, L., Raymond Perrault, R., Gil, Y., Parli, V., Kariuki, N., ... Lyons, T. (2025, abril). Artificial Intelligence Index Report 2025. Institute for Human-Centered Artificial Intelligence, Stanford University. https://hai.stanford.edu/ai-index/2025-ai-index-report
Nacimba Rivera, N., Trávez Osorio, G., Moreno Corrales, A., y Jiménez Zambrano, B. (2024). Evaluación cuantitativa y cualitativa del impacto de la inteligencia artificial en la satisfacción, eficacia, gestión del tiempo y reducción del estrés laboral en la jornada laboral docente ecuatoriana presencialmente o fuera del plantel. Explorador Digital, 8(3), 101–122. https://doi.org/10.33262/exploradordigital.v8i3.3082
Rodríguez Sierra, B., Quintana Serrano, K., Mamarandi Zambrano, K., Miranda Ruiz, P., y Quintana Serrano, C. (2025). Uso de la IA por parte de los docentes como herramienta facilitadora en la carga administrativa. Revista Multidisciplinar Veritas. https://doi.org/10.61616/rvdc.v6i2.739
Sánchez Vera, M. (2023). La inteligencia artificial como recurso docente: Usos y posibilidades para el profesorado. Educar, 60(1), 33–47. https://doi.org/10.5565/rev/educar.1810
Segovia Juárez, J., y Baumgartner, R. (2023). El uso de aplicaciones de inteligencia artificial para la educación e investigación científica. Revista de Investigación Hatun Yachay Wasi, 3(1), 98–111. https://doi.org/10.57107/hyw.v3i1.61
Selwyn, N. (2022). El futuro de la IA y la educación: Algunas notas de advertencia. European Journal of Education, 57(4), 620–631. https://doi.org/10.1111/ejed.12532
Tobar Litardo, J., Rodríguez Wong, C., Martínez Ruiz, S., y Pozo Benites, K. (2023). Retos y oportunidades docentes en la implementación de la inteligencia artificial en la educación superior ecuatoriana. South Florida Journal of Development, 4(2). https://doi.org/10.46932/sfjdv4n2-020
Tzirides, A., Akash Saini, G., Duane Searsmith, B., Vania Castro, M., John Jones, T., Abrantes da Silva, R., ... Polyxeni Kastania, N. (2023). Generative AI: Implications and applications for education. arXiv. https://arxiv.org/pdf/2305.07605
UNESCO. (2023). ChatGPT e inteligencia artificial en la educación superior: Guía de inicio rápido. https://unesdoc.unesco.org/ark:/48223/pf0000385146
Valenzuela Ramírez, S., Contreras Basurto, A., y Rivera Landeros, E. (2024). La introducción de la inteligencia artificial como herramienta educativa del docente. Ingenio y Conciencia, 11(22), 150–152. https://repository.uaeh.edu.mx/revistas/index.php/sahagun/issue/archive
Vega Figueroa, E. (2023). Inteligencia artificial generativa e investigación científica. Departamento Académico de Sociología, Universidad Nacional Federico Villarreal. https://www.researchgate.net/publication/376202660_Inteligencia_Artificial_Generativa_e_Investigacion_Cientifica