nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
Desde el lanzamiento de ChatGPT en noviembre de 2022, la inteligencia artificial generativa (IAG) ha desatado intensos debates sobre las transformaciones en los sistemas educativos a nivel global. Las promesas son atractivas: personalización del aprendizaje, automatización de tareas administrativas, evaluación instantánea con retroalimentación inmediata y acceso a tutores virtuales permanentes (Abbasi et al., 2025). En América Latina, instituciones de todos los niveles han adoptado rápidamente estas herramientas, con frecuencia sin marcos regulatorios ni evaluaciones críticas de equidad (Rivadeneira et al., 2025).
Esta transformación tecnológica llega a la región más desigual del planeta, con un coeficiente de Gini promedio de 0.46 que refleja brechas económicas, sociales y educativas persistentes (Comisión Económica para América Latina y el Caribe [CEPAL], 2024). La pandemia por Covid-19 evidenció estas disparidades: mientras sectores privilegiados pasaron a la educación remota con conectividad estable, más de 50 millones de niños latinoamericanos perdieron del todo el vínculo educativo por falta de acceso digital (UNESCO, 2023). Surge entonces la pregunta fundamental: ¿será la IA una herramienta para cerrar brechas históricas o un nuevo mecanismo para profundizar las desigualdades?
La literatura internacional sobre IA educativa creció exponencialmente en dos años, pero presenta tres limitaciones críticas para América Latina. Primero, marcado sesgo geográfico hacia el Norte Global, con escasa consideración de realidades caracterizadas por alta desigualdad, infraestructura digital limitada y sistemas subfinanciados (Fernández et al., 2024). Segundo, predomina un enfoque técnico que privilegia la eficiencia y la innovación, mientras que la justicia social y la equidad aparecen de manera marginal (De la Torre y Baldeon, 2024). Tercero, las perspectivas críticas latinoamericanas están ausentes del debate dominante sobre la IA educativa.
Este artículo busca llenar estos vacíos mediante una revisión que articula la producción académica reciente con marcos teóricos de justicia social, del derecho a la educación y de la pedagogía crítica latinoamericana. La pregunta central: ¿cómo se relaciona la implementación de la IA con las estructuras de desigualdad educativa en América Latina y qué vacíos deben abordarse para que estas tecnologías contribuyan a la equidad en lugar de profundizar las brechas?
El objetivo general es analizar críticamente el estado del arte de la IA educativa en América Latina e identificar tensiones entre discursos innovadores y realidades desiguales. Los objetivos específicos incluyen: sistematizar la producción académica reciente; identificar contradicciones entre promesas tecnológicas y condiciones materiales; analizar vacíos en el conocimiento sobre grupos vulnerables y proponer marcos conceptuales que integren la IA con la justicia social.
Marco conceptual
Inteligencia artificial en educación: definiciones
Definimos la IA en educación como sistemas computacionales que realizan tareas humanas -aprendizaje, razonamiento, resolución de problemas, comprensión del lenguaje- aplicados en el ámbito educativo para la personalización, evaluación, tutoría, generación de contenidos y gestión. Las tecnologías principales incluyen: IAG (ChatGPT, Gemini, Claude), que producen textos e imágenes; sistemas de tutoría inteligente que adaptan rutas según el desempeño; analítica del aprendizaje mediante minería de datos; evaluación automatizada y chatbots educativos (Abbasi et al., 2025).
Estas tecnologías no son ni neutrales ni universales. Como argumenta Williamson (2017), los sistemas de IA incorporan los valores y sesgos de sus diseñadores y financiadores. Cuando las corporaciones transnacionales desarrollan herramientas con corpus anglocéntricos y bases de datos del Norte Global, los sistemas resultantes reproducen de manera inevitable estas perspectivas como universales.
Marcos de justicia social en educación
Nuestra aproximación se fundamenta en tres perspectivas complementarias. Primero, el enfoque de capacidades de Sen (1999) y Nussbaum (2011) concibe la educación como la ampliación de las libertades reales y de las capacidades para funcionar en la vida valorada. La pregunta relevante no es si los estudiantes tienen acceso técnico a la IA, sino si estas tecnologías expanden de forma genuina sus capacidades para pensar críticamente, crear, colaborar y participar a plenitud.
Segundo, el principio de diferencia de Rawls (1971) establece que las desigualdades sólo son justas si benefician a los miembros menos aventajados. Aplicado a la IA educativa, exigiría demostrar mejoras para quienes históricamente están más excluidos antes que profundizar en las ventajas de los sectores privilegiados.
Tercero, el marco tridimensional de Fraser (2008) permite analizar la IA en redistribución (acceso equitativo a los recursos tecnológicos), reconocimiento (respeto a la diversidad cultural) y representación (participación en las decisiones sobre tecnologías).
Derecho a la educación en América Latina
El derecho humano a la educación constituye el fundamento normativo para evaluar de forma crítica políticas de IA educativa. Siguiendo el marco de las “4A” de Tomasevski (2006) -disponibilidad, accesibilidad, aceptabilidad y adaptabilidad- formulamos preguntas específicas sobre si existen condiciones materiales para implementarla a gran escala, quiénes quedan sistemáticamente excluidos, si los contenidos generados son apropiados a la cultura y si los sistemas son flexibles o imponen modelos rígidos.
Pedagogía crítica latinoamericana
La tradición de la pedagogía crítica, iniciada por Freire (2005), ofrece herramientas conceptuales indispensables. Freire distinguió entre educación “bancaria” -que deposita información en estudiantes pasivos- y “problematizadora” -que cultiva la conciencia crítica-. Esta distinción permite interrogar: ¿funciona la IA como banco de datos que deposita respuestas prefabricadas o como herramienta que potencia el cuestionamiento, la creatividad y el diálogo?
Estudios críticos de datos y dependencia tecnológica
El concepto de “justicia de datos” de Taylor (2017) permite examinar quiénes generan, controlan y se benefician de los datos educativos masivos que alimentan los sistemas de IA. Como documentan Couldry y Mejías (2019), el capitalismo opera mediante la extracción sistemática de información de las poblaciones para la acumulación corporativa. En educación, esto significa que los estudiantes latinoamericanos generan datos valiosos que son apropiados por empresas transnacionales, sin retorno de beneficios ni control democrático.
Metodología
Este estudio adopta un diseño de revisión sistemática con un enfoque crítico. A diferencia de revisiones tan solo descriptivas, nuestra aproximación es interpretativa y evaluativa: buscamos identificar no sólo qué se ha investigado, sino también qué perspectivas predominan, qué voces están ausentes y qué vacíos deben abordarse desde la justicia educativa latinoamericana.
La búsqueda bibliográfica se estructuró en tres fases. En la primera se delimitó el corpus: se estableció como criterio de inclusión la publicación entre 2024 y 2025, periodo que captura investigaciones posteriores a ChatGPT; arbitraje en Scopus, base de datos seleccionada por su mayor cobertura de revistas latinoamericanas en Ciencias Sociales y Educación en comparación con Web of Science; y contexto latinoamericano explícito o relación directa con la equidad educativa. Se excluyeron la literatura no arbitrada, los artículos puramente técnicos sin reflexión educativa, los estudios anteriores a 2024 y los trabajos sin referencias a América Latina. Se reconoce como limitación que bases como Redalyc, ERIC o Latindex contienen producción educativa latinoamericana relevante no siempre indexada en Scopus, por lo que la restricción a esta base constituye un sesgo de publicación asumido de forma explícita.
En la segunda fase se realizaron búsquedas en Scopus, combinando palabras clave en inglés y en español relacionadas con inteligencia artificial, educación, América Latina, desigualdad y equidad. Esta búsqueda arrojó 150 artículos potencialmente relevantes.
En la tercera fase se aplicó una selección en tres etapas con criterios explícitos. La revisión de títulos y resúmenes redujo el universo a 80 artículos pertinentes, excluyendo los trabajos sin un contexto latinoamericano explícito, los estudios de corte puramente técnico-instrumental sin componente pedagógico y las contribuciones sin reflexión sobre el impacto educativo. La lectura completa evaluó la calidad metodológica, la relevancia para el debate de equidad y la profundidad analítica, y condujo a la selección final de 59 artículos que constituyen el corpus de análisis; se descartaron trabajos con insuficiente rigor metodológico, sin aporte crítico al debate de desigualdad o cuyo objeto central era ajeno al campo educativo -por ejemplo, artículos médicos o actas de conferencias sin desarrollo argumentativo-. De estos 59 artículos, 14 fueron sometidos a análisis crítico en profundidad por su mayor relevancia directa para las tres paradojas centrales del estudio; éstos son los artículos con referencia completa en la sección de Referencias principales. Los 45 restantes se presentan en la Tabla 2 y constituyen la base del análisis cuantitativo. La explicitación de estos criterios garantiza la transparencia metodológica y permite evaluar el rigor del proceso de selección.
Tabla 1 Distribución geográfica de los 59 artículos del corpus
| País/Categoría geográfica | N | % |
|---|---|---|
| Estudios multipaís (perspectiva regional latinoamericana) | 11 | 18.6 |
| Ecuador | 6 | 10.2 |
| Brasil | 6 | 10.2 |
| México | 5 | 8.5 |
| Perú | 5 | 8.5 |
| Colombia | 5 | 8.5 |
| Producción desde EU sobre América Latina | 5 | 8.5 |
| Chile | 3 | 5.1 |
| Otros países de América Latina* | 6 | 10.2 |
| Sin contexto latinoamericano específico / global | 7 | 11.9 |
| TOTAL | 59 | 100.0 |
* Paraguay (1, 1.7%), República Dominicana (1, 1.7%), Cuba (1, 1.7%), Uruguay (1, 1.7%), Costa Rica (1, 1.7%), Bolivia (1, 1.7%). Fuente: elaboración propia.
Tabla 2 Caracterización temática del corpus (n = 59)
Nota. En cada categoría se citan los artículos más representativos. Las referencias completas de los 59 artículos del corpus están disponibles como material suplementario. Fuente: elaboración propia.
El análisis siguió un método temático crítico con una matriz de categorías analíticas. Utilizamos NVivo para la codificación y organización de artículos según el nivel educativo abordado, el enfoque en brechas, la consideración de grupos vulnerables, el posicionamiento ético y la presencia de perspectivas críticas latinoamericanas.
Se señalan como limitaciones: sesgo de publicación (sólo en Scopus); sesgo idiomático (la literatura en portugués está subrepresentada); temporalidad específica (2024-2025 carece de perspectiva histórica), y geografía, ya que Centroamérica y el Caribe están subrepresentados. Un factor adicional que explica la relativa escasez de estudios sobre desigualdad e IA en América Latina es el corto periodo de disponibilidad masiva de estas herramientas: aunque la IA tiene décadas de desarrollo en el ámbito informático, su liberación a escala mundial y su uso abierto apenas data de un par de años -con el lanzamiento de ChatGPT en 2022-, lo que hace que la documentación sistemática de sus efectos educativos sea aún incipiente. Este contexto es relevante en especial porque, como señala el propio texto, se requieren y se buscan indagaciones de corte cualitativo y estudios longitudinales que demandan tiempo de maduración.
Resultados
Panorama cuantitativo
El corpus de 59 artículos muestra un crecimiento acelerado: 28 en 2024 y 31 en 2025. La distribución geográfica completa, con base en el país o región desde el que se realiza cada investigación o al que refiere de forma explícita, es la siguiente: estudios multipaís con perspectiva regional latinoamericana (11, 18.6%); Ecuador (6, 10.2%); Brasil (6, 10.2%); México (5, 8.5%); Perú (5, 8.5%); Colombia (5, 8.5%); producción desde Estados Unidos sobre América Latina (5, 8.5%); Chile (3, 5.1%), y otros países de América Latina (6, 10.2%), que incluyen Paraguay (1, 1.7%), República Dominicana (1, 1.7%), Cuba (1, 1.7%), Uruguay (1, 1.7%), Costa Rica (1, 1.7%) y Bolivia (1, 1.7%). Siete artículos (11.9%) carecen de contextualización latinoamericana específica o son de alcance global; fueron incluidos porque aportan marcos teóricos o metodológicos aplicados al corpus, si bien sus hallazgos empíricos no se refieren de manera directa a la región.
El análisis temático revela que 57 artículos (96.6%) mencionan de forma explícita “inteligencia artificial”; 54 (91.5%) refieren a “educación”, y 32 (54.2%) se enfocan en educación superior. Sin embargo, sólo siete (11.9%) abordan “equidad”, “desigualdad” o “brecha”, mientras que apenas ocho (13.6%) tienen América Latina como contexto central. La Tabla 2 presenta la caracterización temática del corpus, organizando los 59 artículos en categorías analíticas con sus referencias representativas.
Discursos dominantes
La literatura articula, sobre todo, tres promesas. La primera es la personalización del aprendizaje. Abbasi et al. (2025) argumentan que los sistemas inteligentes permitirían adaptar contenidos, metodologías y ritmos a las necesidades individuales. Sin embargo, esta narrativa encubre supuestos problemáticos. Primero, asume acceso universal a dispositivos y conectividad, condición falsa, donde el 40% de los hogares carecen de internet de calidad (CEPAL, 2024). Segundo, la personalización algorítmica requiere grandes volúmenes de datos individuales; los estudiantes de escuelas con escasa infraestructura generan información insuficiente y quedan excluidos.
La segunda promesa se refiere a la innovación en la educación superior. Múltiples estudios documentan la adopción acelerada de ChatGPT en universidades latinoamericanas. Vargas et al. (2025) identifican la “ventaja relativa” y la “compatibilidad” como los principales impulsores de la adopción institucional. No obstante, estos estudios evidencian una tendencia preocupante: un énfasis en la “competitividad institucional” y la “eficiencia”, mientras que la equidad queda al margen (Fernández et al., 2024).
La tercera promesa vincula la evaluación y la analítica del aprendizaje. Mello-Roman et al. (2025) utilizan el machine learning para predecir los factores de abandono en Paraguay. Sin embargo, no abordan las implicaciones éticas del perfilamiento algorítmico. Como advierte Taylor (2017), estos sistemas generan “profecías autocumplidas”: si un estudiante es etiquetado como de alto riesgo, podría recibir menor atención, lo que confirma la predicción inicial.
La gran ausencia: grupos vulnerables
El hallazgo más revelador es aquello que la literatura no investiga. Realizamos un análisis sistemático para identificar menciones a poblaciones históricamente excluidas. Los resultados evidencian invisibilización: estudiantes rurales mencionados en apenas dos artículos (3.4%); poblaciones indígenas ausentes (0%); migrantes y refugiados completamente invisibles (0%); personas con discapacidad mencionadas tangencialmente en un artículo (1.7%); perspectiva de hombres y mujeres presente en sólo tres artículos (5.1%).
Esta invisibilización tiene implicaciones profundas. Si la investigación académica no considera cómo la IA afecta de manera diferencial a los pueblos indígenas, las herramientas desarrolladas reproducirán sesgos contra estas poblaciones. Si no se estudia cómo los estudiantes en migración forzada podrían acceder a la educación mediada por IA, estas tecnologías se diseñarán para “estudiantes promedio” estables territorialmente, lo que excluye por diseño a millones de personas en movilidad.
Análisis crítico: tres contradicciones fundamentales
Contradicción de personalización: promesas versus estandarización algorítmica
La promesa más celebrada es la de la personalización radical. Sin embargo, el examen crítico revela que los sistemas operan mediante la estandarización algorítmica. Como documentan Grajeda et al. (2024), los sistemas reproducen con frecuencia modelos transmisivos: los estudiantes consumen contenidos generados por IA en lugar de dialogar con los docentes.
Técnicamente, la personalización algorítmica requiere grandes volúmenes de datos individuales. Estudiantes de escuelas rurales con conectividad intermitente no generan datos suficientes y, paradójicamente, quedan excluidos de la tecnología que se supone inclusiva. Como documenta la CEPAL (2024), 60% de las escuelas rurales carece de acceso a internet adecuado.
Más aún, la supuesta personalización funciona como un mecanismo de clasificación que reproduce desigualdades. Los algoritmos clasifican a los estudiantes en tipologías (“bajo rendimiento”, “alto potencial”, “riesgo de deserción”) y asignan trayectorias diferenciadas, lo que perpetúa la exclusión bajo la apariencia de objetividad técnica.
Contradicción de innovación: discursos transformadores versus profundización de brechas
La segunda contradicción radica en la tensión entre las retóricas de transformación y de profundización de las desigualdades preexistentes. Como evidencian Fernández et al. (2024), las universidades adoptan la IA sin resolver problemas estructurales previos: financiamiento insuficiente, salarios docentes precarios, infraestructura deficiente y deserción masiva.
Esta contradicción se manifiesta en tres brechas interrelacionadas. La brecha de acceso se refiere a las disparidades en la conectividad y en los dispositivos. La brecha de uso se refiere a las diferencias en la apropiación crítica. Rivadeneira et al. (2025) encuentran que estudiantes latinoamericanos utilizan ChatGPT sobre todo para completar tareas de forma mecánica (67%), mientras sólo 12% lo usa para pensamiento crítico. La brecha de diseño es quizás la más profunda: América Latina es consumidora, no productora, de IA educativa.
Contradicción de empoderamiento: retórica democratizadora versus dependencia tecnológica
La tercera contradicción contrasta discursos que celebran la IA como democratizadora con realidades de dependencia tecnológica y de extracción de datos. Primero, el supuesto empoderamiento se basa en una dependencia radical de las corporaciones transnacionales. Estudiantes y docentes latinoamericanos no controlan los algoritmos que median su educación.
Segundo, como documenta la literatura sobre el capitalismo de vigilancia (Couldry y Mejias, 2019), los servicios de IA “gratuitos” operan mediante la extracción de datos. Cada interacción con ChatGPT genera información valiosa que alimenta el entrenamiento de modelos propietarios y acumula valor corporativo sin generar retorno de beneficios.
Estas tres contradicciones revelan que la IA educativa, lejos de ser neutral, reproduce y amplifica las desigualdades que caracterizan los sistemas educativos latinoamericanos.
Vacíos identificados: agenda para investigación crítica
El análisis permite identificar cuatro tipos de vacíos urgentes: empíricos, teóricos, metodológicos y de política pública.
Vacíos empíricos: poblaciones no consideradas
El vacío empírico más grave es la ausencia casi total de investigación sobre grupos vulnerables específicos. Cero artículos abordan a los pueblos indígenas, a pesar de que cerca de 50 millones de sus habitantes viven en América Latina. Esta ausencia no es meramente cuantitativa sino epistémica: implica que las tecnologías se diseñan sin considerar la pertinencia cultural para comunidades con pedagogías comunitarias, transmisión oral de saberes y cosmovisiones relacionales incompatibles con la individualización algorítmica. De manera similar, la ausencia de estudios sobre población migrante y refugiada ‒a pesar de millones en movilidad forzada‒ significa que la IA educativa se diseña para estudiantes establecidos en territorio, excluyendo por omisión a quienes más necesitarían flexibilidad educativa. Tampoco existen estudios longitudinales que evalúen los impactos a mediano y largo plazo. Toda la literatura revisada es transversal y captura percepciones o desempeños en momentos específicos sin seguimiento de trayectorias. No sabemos si el uso intensivo de IA fortalece o debilita el pensamiento crítico a lo largo de los años; si la exposición temprana a tutores algorítmicos afecta el desarrollo socioemocional, o si la vigilancia algorítmica continua tiene consecuencias en la subjetividad y la autonomía estudiantil.
En cuanto a la metodología, la ausencia de etnografías digitales resulta notable. Ningún estudio utiliza la observación participante prolongada para comprender cómo estudiantes y docentes latinoamericanos realmente se apropian, negocian o resisten la IA educativa en contextos situados. No tenemos descripciones densas de qué ocurre cuando se introduce ChatGPT en una escuela rural multigrado peruana, ni de cómo los docentes de educación popular brasileña integran o rechazan la analítica del aprendizaje. Esta ausencia metodológica refleja el predominio de enfoques cuantitativos (68% de los artículos) y privilegia lo medible por encima de las experiencias vividas y de los sentidos atribuidos.
Vacíos teóricos: desconexión con pensamiento crítico latinoamericano
El vacío teórico más significativo es la desconexión casi total entre la literatura sobre IA educativa y las tradiciones intelectuales críticas latinoamericanas. Sólo dos de 59 artículos (3.4%) citan a Freire, fundador de la pedagogía crítica, quien es una referencia obligada en la educación latinoamericana. Autores como Boaventura de Sousa Santos (2010, epistemologías del Sur), Catherine Walsh (2009, interculturalidad crítica), o clásicos del pensamiento educativo latinoamericano están del todo ausentes. Esta omisión no es casual: refleja que la investigación sobre IA educativa reproduce marcos teóricos del Norte Global -con frecuencia positivistas, tecnocéntricos y despolitizados- sin cuestionamiento ni apropiación crítica desde el Sur.
En específico, ningún artículo aplica conceptos emergentes de los estudios críticos de datos como “justicia de datos” (Taylor, 2017), “extractivismo de datos” (Couldry y Mejías, 2019) o “soberanía digital” (Ricaurte, 2019). Esto significa que dimensiones cruciales del poder en la era algorítmica -quién controla los datos educativos, cómo se monetizan, qué implica la dependencia de infraestructuras corporativas- permanecen sin análisis. La oportunidad perdida es conectar los debates críticos sobre el capitalismo de vigilancia con las preocupaciones históricas latinoamericanas sobre el imperialismo cultural y la dependencia tecnológica.
Tampoco existe articulación con cuestionamientos dirigidos a la tecnología. Filgueiras (2025) es la excepción: su análisis de la gobernanza desde la lente de la subordinación tecnológica muestra cómo la dependencia tecnológica reproduce relaciones de dominación en el ámbito digital. Sin embargo, esta perspectiva permanece marginal. La mayoría de los artículos trata la IA como neutral, universal y apolítica, ignorando que el diseño tecnológico siempre está situado geopolíticamente y encarna valores particulares. El marco de subordinación tecnológica exigiría preguntar sistemáticamente: ¿qué conocimientos cuentan y cuáles no cuentan para la IA? ¿Qué epistemicidio tecnológico se produce cuando sólo saberes occidentalizados y cuantificables son reconocidos como válidos? ¿Qué alternativas no tecnocéntricas existen que la obsesión con la IA invisibiliza?
Vacíos metodológicos y de análisis algorítmico
También en materia de método identificamos tres vacíos críticos. Primero, la ausencia de investigación participativa con comunidades educativas vulnerables. Ningún estudio utiliza investigación-acción participativa, codiseño con docentes de escuelas rurales, o consulta genuina a estudiantes indígenas sobre la pertinencia cultural de la IA. Las tecnologías se desarrollan “para” pero no “con” sectores excluidos, lo que reproduce lógicas paternalistas de intervención.
Segundo, falta de análisis críticos de algoritmos específicos. Ninguno de los 59 artículos realiza una auditoría de sesgos en herramientas concretas utilizadas en América Latina. No sabemos si ChatGPT en español reproduce estereotipos de género, raza o clase; si los sistemas de tutoría inteligente discriminan a estudiantes de sectores populares mediante algoritmos, o si la analítica predictiva estigmatiza injustamente a poblaciones vulnerables. Estos sistemas operan como “cajas negras”, ya que procesan a millones de estudiantes sin escrutinio público de su funcionamiento interno.
Tercero, la ausencia de análisis de los conjuntos de datos de entrenamiento. Los modelos de IA aprenden a partir de corpus masivos. ¿Qué corpus utilizan los sistemas de IA educativa? ¿Incluyen literatura latinoamericana, textos en lenguas originarias y perspectivas de subordinación tecnológica, o reproducen cánones eurocéntricos que invisibilizan la producción intelectual del Sur? La ausencia de investigación sobre esta dimensión implica que permanecen ocultos sesgos epistémicos fundamentales.
Vacíos de política pública y regulación
En fin, la literatura presenta vacíos alarmantes en materia de política pública. Sólo uno de cada 59 artículos (2%) menciona la protección de datos estudiantiles, a pesar de que el learning analytics implica una vigilancia masiva. Ningún estudio examina los marcos regulatorios regionales existentes o necesarios para proteger los derechos de los estudiantes en contextos de automatización educativa. Los países latinoamericanos han desarrollado recientemente estrategias nacionales de IA -Brasil (2024), Chile (2023), Uruguay (2025)-, pero estas políticas no han sido objeto de análisis crítico en la literatura académica revisada.
Más grave aún, no existen artículos que documenten la participación de las comunidades educativas en el diseño de políticas de IA. Las decisiones sobre qué tecnologías adoptar en sistemas públicos se toman con frecuencia en esferas tecnocráticas (ministerios, consultorías, empresas tecnológicas), sin consulta vinculante con docentes, estudiantes o familias. Este déficit democrático en la gobernanza tecnológica educativa constituye un vacío que la investigación crítica debe visibilizar y cuestionar.
Estos vacíos ‒empíricos, teóricos, metodológicos y de política‒ no son sólo temas pendientes, sino expresiones de un problema estructural más profundo: la investigación sobre IA educativa reproduce las exclusiones que, en apariencia, busca estudiar.
Propuestas: hacia una agenda de IA educativa para la justicia social
Ejes prioritarios de investigación crítica
Proponemos cuatro ejes de investigación urgente desde la perspectiva de la justicia educativa latinoamericana. Primero, los estudios críticos sobre los grupos invisibilizados deben ser una prioridad absoluta. Esto incluye: investigar cómo la IA educativa afecta la educación intercultural bilingüe indígena, considerando las tensiones entre la estandarización algorítmica y las pedagogías comunitarias; analizar el acceso y la pertinencia para la población en migración forzada; evaluar si el diseño universal incluye de forma genuina a las personas con discapacidad o reproduce capacitismo digital, y examinar la interseccionalidad de género, raza, clase y territorio en el acceso diferencial.
En cuanto al método, estos estudios deben privilegiar la investigación-acción participativa, la etnografía crítica y las historias de vida que den voz a quienes la literatura dominante silencia. No se trata de estudiar “sobre” poblaciones vulnerables sino “con” ellas, reconociendo sus agencias, saberes y capacidades de codiseño tecnológico.
Segundo, el análisis de sesgos y de discriminación algorítmica requiere de urgencia. Esto implica: auditorías algorítmicas de las herramientas más utilizadas en América Latina, que evalúen si reproducen estereotipos; estudios interseccionales que documenten cómo los algoritmos afectan de forma diferenciada según múltiples ejes de opresión, y la evaluación crítica de datasets de entrenamiento para identificar qué corpus lingüísticos, culturales y epistemológicos incluyen o excluyen.
Estas auditorías deben ser tanto técnicas como políticas. No basta identificar qué algoritmo discrimina; es necesario explicar por qué (qué datos históricos alimentan el sistema), contra quiénes (qué poblaciones específicas son perjudicadas) y proponer correctivos no sólo técnicos sino de gobernanza democrática de tecnología educativa.
Tercero, son indispensables los estudios longitudinales de impacto a mediano y largo plazo. Necesitamos seguimientos de tres a cinco años que evalúen: los efectos del uso intensivo de la IA sobre las competencias de pensamiento crítico, creatividad, colaboración y autonomía; las consecuencias de la vigilancia algorítmica sobre la subjetividad estudiantil y las relaciones pedagógicas, y las trayectorias educativas y laborales diferenciadas según el acceso a la IA de calidad versus precaria o ausente.
Cuarto, la economía política de la IA educativa debe investigarse críticamente. Esto incluye: análisis de flujos de inversión que identifique quién financia el desarrollo de la IA educativa en América Latina y bajo qué condiciones; estudios de modelos de negocio que revelen cómo los servicios en apariencia gratuitos operan a través de extractivismo, y evaluación de la dependencia tecnológica mediante análisis de contratos público-privados entre ministerios y corporaciones transnacionales.
Principios para políticas públicas de IA educativa equitativa
Proponemos cinco principios rectores para orientar las políticas públicas. El principio de prioridad de equidad sobre innovación establece que garantizar el acceso universal a la conectividad y a los dispositivos debe preceder a la implementación masiva de la IA. No tiene sentido promover tutores virtuales si 40% de estudiantes carece de internet. La meta debe ser cerrar las brechas de acceso básico antes de 2030, mediante una inversión pública masiva en infraestructura digital educativa que priorice las zonas rurales, indígenas y las periferias urbanas empobrecidas.
El principio de participación comunitaria vinculante exige que docentes, estudiantes, familias y comunidades tengan voz y voto en las decisiones sobre IA. Esto implica: consultas obligatorias previas a la adopción de tecnologías en la educación pública; codiseño de herramientas con los usuarios finales; no imposición vertical y derecho comunitario de veto sobre tecnologías consideradas perjudiciales. La gobernanza democrática debe reemplazar la tecnocracia excluyente.
El principio de soberanía digital y tecnológica plantea que América Latina debe desarrollar capacidades regionales para el diseño de IA educativa, a fin de reducir la dependencia de las corporaciones transnacionales. Esto requiere: inversión en desarrollo regional coordinado (Mercosur, CELAC); prioridad al software libre y al código abierto, que permitan la auditoría pública y la adaptación local, y la protección de los datos educativos como patrimonio público no privatizable. La soberanía tecnológica es una condición de posibilidad para que la IA responda a las necesidades latinoamericanas en lugar de a los intereses corporativos del Norte Global.
El principio de diversidad cultural y lingüística establece que la IA educativa debe respetar el pluralismo epistemológico de América Latina. Esto implica: la obligatoriedad de versiones en lenguas originarias, no como traducción posterior, sino desde el diseño; la incorporación de epistemologías indígenas, afrodescendientes y populares como válidas por igual, y la evaluación de la pertinencia cultural antes de la adopción de cualquier tecnología. El monolingüismo y el eurocentrismo epistémico deben ser inaceptables en la IA educativa pública.
El principio de transparencia y rendición de cuentas exige que los algoritmos que afectan las trayectorias educativas sean auditables públicamente. Esto requiere la prohibición de cajas negras en decisiones sobre los estudiantes; mecanismos de reparación cuando los algoritmos causan daños injustos; y la obligación de las empresas de demostrar que los sistemas no discriminan antes de ser adoptados en educación pública. La opacidad algorítmica es incompatible con los derechos educativos.
Alternativas: IA al servicio de liberación educativa
Más allá de la regulación defensiva, es posible imaginar usos contrahegemónicos de la IA al servicio de la justicia educativa. Primero, la IA para visibilizar y combatir las desigualdades. En lugar de reproducir exclusiones, los sistemas podrían mapear brechas educativas usando datos abiertos para incidir en las políticas; predecir vulnerabilidad, no para estigmatizar, sino para asignar recursos compensatorios, y monitorear la discriminación en textos escolares, currículos y evaluaciones, alertando sobre sesgos de género, raza o clase.
Segundo, IA para fortalecer lenguas y culturas amenazadas. Las herramientas de traducción automática podrían desarrollarse para lenguas minorizadas con validación comunitaria; la generación de materiales educativos en lenguas originarias democratizaría el acceso al conocimiento en lenguas maternas, y los archivos digitales participativos preservarían los saberes ancestrales en riesgo de desaparecer. Crucialmente, estos usos requieren codiseño con las comunidades, no la apropiación extractivista de los conocimientos indígenas.
Tercero, la IA en la educación popular y en los movimientos sociales. Las herramientas libres podrían apoyar la sistematización de experiencias educativas comunitarias; el análisis colaborativo de datos fortalecería la incidencia política de los movimientos por el derecho a la educación, y la comunicación alternativa mediante la IA contrarrestaría la desinformación corporativa y gubernamental. La inspiración proviene de movimientos de software libre latinoamericanos que han reivindicado la tecnología como un bien común no mercantilizable.
Cuarto, pedagogías críticas con/contra IA. En lugar de una adopción acrítica o de rechazo absoluto, los educadores críticos pueden usar la IA como objeto pedagógico: hacer que ChatGPT responda preguntas sobre la conquista de América y analizar en colectivo su eurocentrismo; desarrollar proyectos estudiantiles de auditoría de sesgos algorítmicos y practicar escritura colaborativa humano-IA con reflexión sobre autoría, creatividad y pensamiento. Siguiendo a Freire (2005), la IA puede ser un “tema generador” de conciencia crítica sobre la tecnología, el poder y la sociedad. Estas alternativas no son utopías irrealizables sino posibilidades concretas que requieren voluntad política, inversión pública y organización social. Demuestran que la IA educativa no está tecnológicamente determinada a reproducir desigualdades: puede ser disputada, reorientada y puesta al servicio de proyectos emancipatorios si se articula con las luchas por la justicia social.
Conclusiones
Esta revisión conceptual analizó de forma crítica 59 estudios académicos recientes sobre inteligencia artificial en educación, con particular énfasis en América Latina y equidad educativa. Los hallazgos revelan tres paradojas estructurales que cuestionan narrativas optimistas sobre la IA como democratizadora: mientras se promete personalización, la realidad muestra estandarización algorítmica que beneficia a quienes ya tienen acceso privilegiado; la celebrada innovación coexiste con la profundización de brechas históricas de acceso, uso y diseño, y el discurso de empoderamiento oculta dominación tecnológica digital mediante la dependencia de corporaciones transnacionales y el extractivismo de datos educativos.
El análisis identificó vacíos críticos. Empíricamente, las poblaciones vulnerables están casi del todo ausentes: cero estudios sobre indígenas, cero sobre migrantes, 3.4% sobre contextos rurales. En teoría, existe desconexión entre investigación sobre la IA y tradiciones críticas latinoamericanas de pedagogía liberadora y pensamiento de subordinación. En metodología, predominan enfoques cuantitativos mientras las etnografías y estudios participativos están ausentes. En política pública, no hay análisis de regulación ni de participación comunitaria en gobernanza tecnológica educativa.
La contribución original radica en ser la primera sistematización regional post-ChatGPT que articula la literatura sobre la IA con marcos de justicia social específicamente latinoamericanos. A diferencia de revisiones previas que reproducen marcos teóricos del Norte Global, nuestro análisis evidencia cómo la invisibilización académica de grupos vulnerables reproduce estructuralmente la exclusión y caracterizan sistemas educativos regionales. Los datos cuantitativos presentados -11.9% de artículos menciona equidad, 0% aborda población indígena- no son meramente estadísticas, sino síntomas de un problema epistémico más profundo: la investigación hegemónica sobre la IA educativa ignora voces, experiencias y saberes de quienes más necesitan que la tecnología contribuya a la equidad.
Las implicaciones para la política y la práctica son claras. Para tomadores de decisión: implementar IA sin garantizar antes un acceso universal profundiza apartheid digital; la adopción acrítica reproduce dependencia tecnológica, y se requiere urgentemente regulación ética con participación comunitaria vinculante. Para las instituciones educativas: introducir la IA sin formación docente crítica genera resistencias; la vigilancia algorítmica de los estudiantes exige protocolos éticos estrictos, y deben garantizarse espacios educativos libres de cuantificación total. Para las comunidades educativas: existe el derecho legítimo a cuestionar, negociar y rechazar las tecnologías impuestas de forma vertical; se requiere demanda de codiseño con participación real, y es necesaria la alfabetización crítica en justicia de datos para ejercer la ciudadanía en la era algorítmica.
Como limitación, tenemos el sesgo de publicación, que implica analizar sólo artículos en Scopus, lo que excluye experiencias comunitarias documentadas fuera de circuitos académicos hegemónicos. El sesgo idiomático implica que la literatura en portugués está subrepresentada. La temporalidad específica (2024-2025) captura la explosión de la IA generativa, pero carece de profundidad histórica. En cuanto al método, esta revisión conceptual identifica vacíos, pero no sustituye la investigación empírica de campo urgentemente necesaria. En cuanto a geografía, incluso dentro de América Latina existen desigualdades en la representación: Centroamérica y el Caribe están subrepresentados en comparación con Brasil, Colombia y Perú.
La pregunta que atraviesa este artículo -¿será la IA democratizadora o reproductora de desigualdades educativas?- no admite una respuesta determinista. La tecnología no es neutral, pero tampoco está predeterminada: puede ser disputada, reorientada y puesta al servicio de proyectos emancipatorios. La respuesta dependerá de si logramos anteponer derechos a mercados, centrar a poblaciones históricamente excluidas en el diseño tecnológico, democratizar el poder sobre los algoritmos mediando la educación, honrar la diversidad epistemológica latinoamericana y formar el pensamiento crítico capaz de auditar y transformar tecnologías en lugar de consumirlas de forma pasiva.
Como señalara Freire (2005), la educación no cambia directamente el mundo, sino que cambia a las personas que transformarán el mundo. La IA educativa debe estar al servicio de estas personas, en especial de aquellas que más lo necesitan: niñas y niños rurales, jóvenes indígenas, adolescentes migrantes, estudiantes con discapacidad, mujeres de sectores populares. Si la investigación académica, el diseño tecnológico y las políticas públicas continúan invisibilizándolos, la IA funcionará más como un instrumento para la reproducción de las profundas desigualdades que caracterizan a América Latina. Si, en cambio, estas poblaciones son consideradas sujetos de derecho con agencia para codiseñar tecnologías al servicio de sus proyectos de vida dignos, entonces la IA podría contribuir genuinamente a la justicia educativa.
La investigación educativa latinoamericana tiene la responsabilidad histórica de no limitarse a documentar estas tecnologías, sino de disputar su sentido político, imaginar alternativas emancipatorias y acompañar las luchas por una educación digna para todas y todos. Este artículo busca contribuir modestamente a esa agenda transformadora.
