ISSN 3103-1129
Marzo, 2026
Edición Especial. Vol. 4, No. 7, 61-71
https://doi.org/10.53877/tt8r1m54
KIRIA, 4(7), 2026 Revista Científica Multidisciplinaria
https://revistasfiecyt.com/index.php/kiria
La figura del tutor personalizado en educación superior a través de la
inteligencia generativa. Una mirada desde el estudiante y el docente
universitario
The Role of the Personalized Tutor in Higher Education through Generative
Intelligence: A Perspective from the Student and the University Professor
Maria Alexandra Calle Molina
Docente. Unidad Educativa Cumbe, Ecuador.
Alexandracm1212@hotmail.com
https://orcid.org/0009-0004-2504-6934
Fecha de recepción: 24 de noviembre de 2025
Fecha de aceptación: 06 de enero de 2026
Fecha de publicación: 15 de marzo de 2026
Como citar: Calle-Molina, M. A. (2026). La figura del tutor personalizado en educación superior a través de la
inteligencia generativa. Una mirada desde el estudiante y el docente universitario. KIRIA: Revista Científica
Multidisciplinaria. 4(7), pp. 61-71. https://doi.org/10.53877/tt8r1m54
RESUMEN
La investigación analiza la percepción e impacto de la inteligencia artificial generativa
(IAGen) en la configuración de la tutoría personalizada en el contexto de la educación
superior, estableciendo analogías de las percepciones de estudiantes y docentes
universitarios. El estudio se desarrolló desde un enfoque cuantitativo de alcance descriptivo
y diseño no experimental de corte transversal, sustentado en el Modelo de Aceptación
Tecnológica (TAM) adaptado para entornos de inteligencia artificial. La muestra estuvo
conformada por 300 estudiantes y 10 docentes pertenecientes a una institución de educación
superior, seleccionados mediante muestreo no probabilístico por conveniencia. Para la
recolección de datos se aplicaron dos instrumentos validados mediante juicio de expertos y
coeficiente Alfa de Cronbach que arrojó valores ≥ 0.9 en ambos casos, indicando un nivel de
confiabilidad excelente: el Cuestionario de Experiencia de Aprendizaje con Tutoría de IA
(CEAT-IA) dirigido a estudiantes, y el Cuestionario de Percepción Docente sobre Tutoría de
IA (CPD-TIA) para docentes. Dichos instrumentos presentan cinco dimensiones: utilidad
percibida, competencias digitales, impacto pedagógico, consideraciones éticas y tensión
relacional. Desde el punto de vista de los resultados evidencian que los estudiantes valoran
positivamente la utilidad de la IAGen como tutor personalizado, destacando especialmente
su dimensión utilidad percibida. Sin embargo, se encontraron contradicciones la posible
deshumanización del vínculo pedagógico y el uso ético. No obstante, los docentes expresan
una elevada preocupación por la tensión relacional y la ética del uso de estas herramientas,
así mismo, se encontraron brechas significativas en sus competencias digitales para
integrarlas con criterio pedagógico crítico. Estas diferencias permiten proponer orientaciones
institucionales que articulen la IAGen como una herramienta de equidad, acompañamiento y
potenciación del rol docente, que no atenta la dimensión humana que es parte del vínculo
formativo existente en la educación superior.
PALABRAS CLAVE: inteligencia artificial generativa, tutoría personalizada,
educación superior, percepción docente, experiencia estudiantil, ética educativa.
La figura del tutor personalizado en educación superior a través de la inteligencia generativa. Una mirada desde
el estudiante y el docente universitario
KIRIA, 4(7), 61-71
ISSN 3103-1129
62
ABSTRACT
This research analyzes the perception and impact of generative artificial intelligence (GenAI)
in shaping personalized tutoring within higher education, establishing analogies between the
perceptions of university students and faculty members. The study was conducted under a
quantitative approach with a descriptive scope and a non-experimental cross-sectional design,
grounded in the Technology Acceptance Model (TAM) adapted for artificial intelligence
environments. The sample consisted of 300 students and 10 faculty members from a higher
education institution, selected through non-probabilistic convenience sampling. Data
collection was carried out using two instruments validated through expert judgment and
Cronbach's Alpha coefficient, which yielded values ≥ 0.9 in both cases, indicating an excellent
level of internal reliability: the AI Tutoring Learning Experience Questionnaire (CEAT-IA)
administered to students, and the Teacher Perception Questionnaire on AI Tutoring (CPD-
TIA) administered to faculty. Both instruments comprise five dimensions: perceived
usefulness, digital competencies, pedagogical impact, ethical considerations, and relational
tension. Regarding the results, findings show that students positively value the usefulness of
GenAI as a personalized tutor, particularly highlighting its perceived usefulness dimension.
However, contradictions were identified concerning the potential dehumanization of the
pedagogical relationship and ethical use. Faculty members, on the other hand, express a high
level of concern regarding relational tension and the ethical implications of these tools;
likewise, significant gaps were identified in their digital competencies to integrate them with
critical pedagogical judgment. These differences make it possible to propose institutional
guidelines that position GenAI as a tool for equity, academic support, and the enhancement
of the teaching role, one that does not undermine the human dimension that is an integral part
of the formative bond present in higher education.
KEYWORDS: generative artificial intelligence, personalized tutoring, higher
education, teacher perception, student experience, educational ethics.
INTRODUCCIÓN
El contexto universitario desde su actores docentes y estudiantes, pasan actualmente por una
turbulencia de cambios derivado de la dinámica que impulsa la inteligencia artificial
generativa (IAGen) y la pedagogía crítica. De tal manera que, la figura del "tutor
personalizado" ha generado hilos de aspiración teórica para convertirse en una realidad
simbiótica entre pedagogía y tecnología, la tecnopedagógica, que este lugar se constituye de
algoritmos en el marco del procesamiento de lenguaje natural. En el mundo, estudios en
contextos asiáticos y europeos resaltan su aplicación de modelos de lenguaje elevados como
(LLM) que favorecen una retroalimentación instantánea y adaptativa (Dwivedi et al., 2023).
En palabras de Mollick y Mollick (2023) y Baidoo y Ansah (2023) afirman que estos sistemas
accionan como "andamios cognitivos" que impulsa el aprendizaje autorregulado, en contraste
Zawacki et al. (2020), Alertan ante el fenómeno de la automatización del papel estudiantil, la
necesidad de marcos. En este orden de ideas, Su y Yang (2023) enfatizan que la IAGen la
existencia de una redefinición de la relación estudiante y conocimiento, pues no se limita ésta,
únicamente a a asistir en las diversas asignaciones formativas. Por lo que, se plantea una
fluidez de IA novedosa en el seno del docente y el estudiante.
La presencia en el contexto educativo universitario de la tutoría personalizada
mediante IAGen ha generado nuevas concepciones en el marco del proceso de enseñanza y
aprendizaje, bien sea por su capacidad de personalización masificada y la demanda de
eficiencia. Según Su y Yang (2023), el proceso de desarrollo de descodificación que genera este
sistema identifica los estilos de aprendizaje y adapta el tono discursivo en tiempo real, lo que
Maria Alexandra Calle Molina
© 2026, Fundación Internacional para la Educación la Ciencia y la Tecnología, “FIECYT”
ISSN 3103-1129
63
conlleva al estudiante a transitar de manera autónoma por zonas de desarrollo próximo. No
obstante, esta mediación tecnológica incorpora la noción de "agencia híbrida", dado a que los
resultados que esta puede generar devienen de la formación del usuario en tanto a la
construcción de Prompts asertivos que no permitan sesgos cognitivos y propicien un estado
de apego tecnológico (Bozkurt et al., 2023; Luckin, 2020).
Asimismo, la incorporación de estos tutores artificiales genera un desafío en el plano
de la educación virtual desde la óptica de la ética. Para Holmes et al. (2022) Afirman que,
existe una carencia de la intuición pedagógica para identificar desmotivación profunda o crisis
emocional pedagógica" necesaria para detectar crisis emocionales o desmotivación profunda,
elementos propios del accionar humano en el seno de la tutoría. En este sentido, estudios
internacionales reciente como los de Holloway et al., 2023 y Selwyn, 2022, suscriben que el
papel del docente requiere evolucionar en tanto a su mirada paradigmática y pragmática que
de un dador de clase a un "arquitecto de experiencias de aprendizaje", quien asume una
posición de acompañamiento critico en tanto garantiza la calidad científica y ética del
dialógica entre el sujeto y el algoritmo, velando que la IAGen, sea una puente y no un
obstáculo para el desarrollo del pensamiento crítico.
Desde Latinoamérica, la utilidad de la IAGen ha presentado diversas situaciones, por
un lado, la necesidad emergente de alfabetización de datos y tecnológica como la propia la
brecha digital. Estudios regionales resaltan, la existencia de una percepción alentadora, con
matices de escepticismo ético, referente a la deshumanización con la relación pedagógica
(García-Peñalvo et al., 2023; Vera, 2023). De igual manera, Sabzalieva y Cassán (2023) en
coherencia con la UNESCO indican que la IA en la región requiere concebirse como una
herramienta de equidad, aunque Lugo y Schurmann (2022) alertan que, sin políticas públicas
claras, se corre un alto riesgo de desigualdades preexistentes a partir de la personalización
técnológica. A nivel nacional, los resultados reciente y profundamente críticos; como los de
Cisneros-Luzuriaga et al. (2024) y Pérez-López et al. (2023) detectaron que los educadores
como los estudiantes enfrentan una curva de aprendizaje técnica que constantemente hace
sombría la discusión pedagógica en profundidad, dando énfasis al debate en el temor a las
similitudes más que en la riqueza de la tutoría adaptativa.
Esta situación en el entorno latinoamericano se asume desde una visión de la dialéctica
entre la precariedad estructural y la innovación. Mientras que el contexto global se ubica en
la optimización de procesos, en América Latina la IAGen se incorpora en un ecosistema donde
la "brecha de acceso" es tan crítica como la "brecha de uso". En correspondencia con Lugo y
Schurmann (2022), El uso de tutores inteligentes que personalizan la enseñanza se convierte
en un riesgo de privilegio de élites institucionales, dado a las distancias educativas y de
recursos de inversión en marcos de gobernanza soberana de datos. Por tanto, la propuesta de
Sabzalieva y Cassán (2023) es importante, al plantear que la IA requiere ser un motor de
inclusión; en contraste, la realidad empírica evidencia la existencia de la creencia colectiva por
parte de los docentes que la IAGen es una amenaza a la integridad académica, lo que resta
velocidad a procesos de transición de la potenciación de la labor humana a través de la IA en
lugar de sustituirla (García-Peñalvo et al., 2023; Vera, 2023).
A nivel nacional, el desafío de saltar de una tutoría tradicional a una mediada por
inteligencia generativa muestra una distancia compresiva y controversial en los actores
universitarios. Los hallazgos presentados por Cisneros et al. (2024) y Pérez et al. (2023),
muestra que, aunque los educandos presentan una adopción orgánica y rápida del uso de la
IAGen para el apoyo en actividades, lo hacen bajo ante la ausencia orientaciones
institucionales, lo que conlleva en un aprendizaje sombrío. Por su parte, el educador nacional
tiene el desafío de superar su resistencia punitiva derivada de la creencia en la detección de
plagio, para así adentrarse en la fase de diseño instruccional adaptativo. Este problema
La figura del tutor personalizado en educación superior a través de la inteligencia generativa. Una mirada desde
el estudiante y el docente universitario
KIRIA, 4(7), 61-71
ISSN 3103-1129
64
nacional devela con importancia que la capacitación en competencias digitales requiere
deconstruirse hacia la ética del docente que favorezca la validación del tutor algorítmico, no
limitándose únicamente al manejo instrumental de la herramienta, permitiéndole retomar el
acompañamiento socioemocional y crítico del alumno (Bozkurt et al., 2023).
Desde este recorrido que pone en evidencia la literatura científica, se identifican nudos
críticos importante. Como la brecha entre la funcionalidad técnica y la dimensión fenoménica.
Que en palabras Selwyn (2022) quien cuestiona si la "personalización" es en realidad una
forma de "individualización atomizada", que genera un quiebre entre el tejido social del aula.
En este sentido, Williamson y Hogan (2021), anticipan un riesgo entre la gobernanza de datos
y la "plataformización" de la enseñanza. De tal manera que se cree que no se ha profundizado
suficientemente desde el punto de vista racional, en las tensiones presentes entre el tutor
humano y el mediador algorítmico; pero para Knotzer et al. (2022) y Sullivan et al. (2023)
sugieren que la la ausencia de empatía necesaria para la tutoría emocional desde la IA, un
aspecto esencial según Bozkurt et al. (2023) para el éxito académico en la post-pandemia. En
otro orden de ideas, Holmes et al. (2022) y Luckin (2020) dan relevancia a que la "inteligencia
híbrida" es el sendero, pero la ausencia de directrices empíricas en tanto a cómo co-diseñar
esta interacción docente-IA comprende un vacío investigativo urgente de llenar (Bond et al.,
2024; Holloway et al., 2023).
Por lo que este estudio aborda el problema de la reconfiguración de la tutoría
académica frente a la ubicuidad de la IAGen, donde la ausencia de marcos conceptuales
propicia un clima de incertidumbre en la praxis docente y las disonancias de la experiencia
del educando. Por lo que se aprecia una distancia entre la capacidad pedagógica para integrar
a la herramienta IAGen con sentido humano. Por lo que, la investigadora se plantea la
siguiente interrogante: ¿De qué manera el tutor personalizado mediado por inteligencia
generativa deconstruye las percepciones y roles de los educandos y los educadores en el
entorno de la educación superior actual? Por lo que se planeta el siguiente objetivo: analizar
la percepción y el impacto de la inteligencia generativa en la configuración de la tutoría
personalizada, contrastando las visiones de estudiantes y docentes para proponer
lineamientos que fortalezcan la relación pedagógica en la era digital.
MATERIALES Y MÉTODOS
El estudio se ejecutó desde un enfoque cuantitativo de alcance descriptivo y diseño no
experimental de corte transversal (Hernández-Sampieri & Mendoza, 2018). La investigación
está conformada por una muestra de 300 estudiantes y 10 docentes que comprende la
comunidad académica de educación superior, por lo que se seleccionó una muestra no
probabilística por conveniencia compuesta por éstos, métodos generalmente empleados en
investigaciones sobre tecnologías emergentes por su factibilidad en entornos universitarios
(Bryman, 2021). Esta selección atiende a la necesidad de cuantificar las percepciones y
actitudes hacia la IA generativa como tutor personalizado, favoreciendo un registro
sistemático del fenómeno actual sin la manipulación de variables, siguiendo el modelo de
aceptación tecnológica (TAM) adaptado para contextos de inteligencia artificial (Davis, 1989;
Venkatesh et al., 2023).
El proceso de recolección de los datos se aplicó a través de la técnica de la encuesta,
utilizando como instrumentos dos cuestionarios estructurados en escala Likert de cinco
dominios, los cuales serán sometidos a validación por juicio de expertos y a una prueba de
confiabilidad mediante el coeficiente Alfa de Cronbach, para garantizar la consistencia interna
(George & Mallery, 2022). Particularmente, se aplicará el Cuestionario de Experiencia de
Aprendizaje con Tutoría de IA (CEAT-IA) para los estudiantes y el Cuestionario de
Maria Alexandra Calle Molina
© 2026, Fundación Internacional para la Educación la Ciencia y la Tecnología, “FIECYT”
ISSN 3103-1129
65
Percepción Docente sobre Tutoría de IA (CPD-TIA) para los docentes; ambos instrumentos se
dividen en dimensiones sobre tutoría inteligente y ética digital: como utilidad percibida,
competencias digitales, impacto en la relación pedagógica y consideraciones éticas (Bond et
al., 2024; García-Peñalvo, 2023). Además, se han incluido ítems dirigidos a medir El formato
de estos instrumentos incluye ítems orientados a medir la tensión relacional y la posible
deshumanización del vínculo educativo. Se aplicó de forma digital, atendiendo al protocolo
de consentimiento informado, garantizando los estándares de integridad académica exigidos
por los comités de ética en investigación (Mainardes & Carvalho, 2021).
Finalmente, el tratamiento de la información se ejecutará mediante el software
estadístico SPSS v.29, empleando estadística descriptiva para procesar los datos primarios. Se
calcularán frecuencias, porcentajes, medias y desviaciones estándar para cada dimensión, lo
que permitirá identificar tendencias y niveles de consenso en el uso de la IAGen como tutor
(Field, 2024). Asimismo, se emplearán tablas análisis comparativos para identificar brechas
significativas entre la percepción docente y estudiantil, permitiendo la triangulación de
resultados desde el análisis de las disparidades en la adopción tecnológica reportadas en
estudios regionales previos (Cisneros-Luzuriaga et al., 2024; Pérez-López et al., 2023).
RESULTADOS
Una vez aplicado el Alfa de Crombach por Dimensiones de los instrumentos CEAT-IA ·
Cuestionario de Experiencia de Aprendizaje con Tutoría de IA aplicado a los estudiantes y el
CEAT-IA · Cuestionario de Experiencia de Aprendizaje con Tutoría de IA a los docentes,
considerando las dimensiones de ´´estos, de acuerdo con los criterios establecidos se obtuvo
que para el alfa de CEAT-IA todas las dimensiones el resultado fue ≥ 0.9 y en el caso del al
CPD-TIA fue ≥ 0.9 lo que se considera un excelente nivel de confiabilidad. Lo que supone que
los valores del Alfa de Crombach logrados superan el umbral de 0,9 esto permitió establecer
que el nivel de confiabilidad interna es excelente para ambos instrumentos.
Interpretación de los resultados de los estudiantes
Desde el punto de vista estadístico descriptivo por dimensión del CEAT-IA en el caso de los
estudiantes, se procedió a calcular la media aritmética (M), la desviación estándar (D.E) en el
marco de los valores mínimos y máximos, media y coeficiente de variación (CV%) para cada
dimensión, por tratarse de un procesamiento de datos a escala de Likert. Lo que se puede
evidenciar en la siguiente tabla:
Tabla 1.
Estadísticos descriptivos CEAT – IA por dimensión (N= 300 estudiantes)
Dimensión
Media
D. E
Min
Máx
Mediana
CV%
Utilidad Percibida
3.96
0.66
1.75
5.00
4.00
16.7%
Competencias Digitales
3,61
0.77
1.00
5.00
3.75
21.3%
Impacto Pedagógico
3.53
0.84
1.00
5.00
3.50
23.9%
Consideraciones éticas
3.08
0.88
1.00
5.00
3.00
28.4%
Tensión Relacional
2.82
0.90
1.00
5.00
3.00
32.0%
Nota. Escala Likert de 5 puntos (1 = Muy en desacuerdo; 5 = Muy de acuerdo). CV% = Coeficiente de
Variación. Valores en verde (M ≥ 3.50 = nivel Alto), naranja (M 2.50-3.49 = nivel Medio), rojo (M < 2.50
= nivel Bajo).
Interpretación de los resultados de los estudiantes
La figura del tutor personalizado en educación superior a través de la inteligencia generativa. Una mirada desde
el estudiante y el docente universitario
KIRIA, 4(7), 61-71
ISSN 3103-1129
66
Con la aplicación del instrumento CEAT-IA en el caso de los estudiantes se pudo determinar
que La dimensión Utilidad percibida presentó mayor valoración positiva con una Media de
(M = 3.96) y una desviación estándar de (D.E. = 0.66), ubicándose en un nivel alto y con el
menor coeficiente de variación (CV = 16.7%), lo que muestra alta homogeneidad en las
respuestas. Seguidamente las Competencias Digitales con una media de (M = 3.61) e Impacto
Pedagógico con una media de (M = 3.53), ambas igualmente en el nivel alto.
No obstante, en el caso de las dimensiones de Consideraciones Éticas, la Media (M =
3.08), la desviación estándar (D.E. = 0.88) y la dimensión Tensión
Relacional/Deshumanización su Media (M = 2.82) y su desviación estándar (D.E. = 0.90)
evidencian una valoración del nivel medio, con los coeficientes de variación más elevados
(28.4% y 32.0%), resto permite deducir la existencia de una mayor heterogeneidad en las
percepciones estudiantiles para el caso de las dimensiones descritas.
Interpretación de los resultados de los docentes
En el caso de los docentes desde la aplicación del instrumento de Cuestionario de Percepción
Docente sobre tutoría de IA (CPD-TIA). Debido a su naturaleza no probabilística por
conveniencia de esta muestra de 10 docentes, desde la evidencia científica se ha considerado
una triangulación comparativa como garantía de una interpretación con rigor. En este
sentido, se presenta la tabla de resultados:
Tabla 2.
Estadísticos descriptivos CPD – TIA por dimensión (N= 10 docentes)
Dimensión
Media
D.E
Mín.
Máx.
Mediana
CV%
Utilidad Percibida
3.40
0.49
3.00
4.00
3.00
14.4%
Competencias Digitales
2.75
0.55
2.00
4.00
2.75
19.9%
Impacto pedagógico
3.00
0.67
2.00
4.00
2.88
22.4%
Consideraciones éticas
3.60
0.63
3.00
5.00
3.50
17.6%
Tensión Relacional
4.05
0.64
3.00
5.00
4.00
15.8%
Nota. Escala Likert de 5 puntos. El reducido tamaño muestral (n=10) limita la generalización; los
resultados deben interpretarse con carácter descriptivo-exploratorio.
En el caso de los docentes existe una realidad paralelamente opuesta para el caso de la
dimensión de tensión relacional la Media fue (M = 4.05) y la desviación estándar es (D.E =
0.64), además que la dimensión consideración ética presento Media de (M= 3.60) y la
desviación estándar 0.63. estos resultados evidencian un nivel alto. Esto permite inferir una
mayor preocupación del uso ético del tutor IGen y una elevada resistencia ante una posible
deshumanización de la relación docente estudiante en el proceso pedagógico.
Por lo contrario, en las dimensiones de utilidad percibida la media registra (M =3.40)
y la dimensión competencias digitales la media registra (M = 2.75), esto permite denotar una
intensidad medía del comportamiento estadístico, lo que sugiere una interpretación que se
manifiesta en la medía más baja referente a la dimensión competencias digitales, donde se
puede inferir la existencia de brechas en el empoderamiento digital por parte de los docentes
frente a la tecnología generativa.
En el caso de la identificación de tendencias y niveles de consenso en la percepción
estudiantil sobre el uso de la IA generativa como tutor personalizado, se ha aplicado una tabla
de distribución de frecuencias por dimensión de acuerdo con el instrumento CEAT – IA que
se presenta a continuación para la interpretación:
Maria Alexandra Calle Molina
© 2026, Fundación Internacional para la Educación la Ciencia y la Tecnología, “FIECYT”
ISSN 3103-1129
67
Tabla 3.
Descripción porcentual de respuesta Likert por dimensión _ CEAT – IA (N= 300)
Dimensión
Muy en
desacuerdo
En
desacuerdo
Neutro
De
acuerdo
Muy de
acuerdo
Total
Utilidad Percibida
0.1%
0.8%
24.4%
52.4%
22.4%
100%
Competencias Digitales
0.5%
7.1%
36.7%
42.8%
13.0%
100%
Impacto pedagógico
0.6%
11.0%
37.4%
36.8%
14.2%
100%
Consideraciones éticas
4.2%
21.2%
41.6%
28.1%
4.9%
100%
Tensión Relacional
8.3%
28.5%
39.0%
21.2%
3.0%
100%
Nota. Los porcentajes se calcularon sobre el total de respuestas válidas por dimensión (n × 4 ítems).
Valores en negrita indican categorías dominantes (frecuencia > 35%).
Desde el punto de vista del análisis de frecuencias se evidencia en la escala de acuerdo y muy
de acuerdo se aprecia que un 74.8% de las respuestas representan una confirmación de la
percepción favorable en tanto a la dimensión Utilidad Percibida. Mientras que en la dimensión
Tensión Relacional las dimensiones Muy en desacuerdo y en desacuerdo comprenden un
36,8% y 39, 0 neutro. Lo que permite inferir que existen percepciones encontradas que señalan
alta preocupación del docente y una baja preocupación del estudiante ante la
deshumanización de vinculo educativo.
A partir del cálculo de la brecha de la diferenciación de las medias de ambos grupos,
en tanto a la identificación de divergencias significativas en la adopción tecnológica desde el
enfoque de triangulación, se puede observar:
Dimensión
M
Est.
M Doc.
Brecha Δ
Tendencias
Nivel de
adopción
Utilidad Percibida
3.96
3.40
+0.56
Estudiantes >
Docentes
E. Alto/ D. Medio
Competencias digitales
3.61
2.75
+0.86
Estudiantes >
Docentes
E. Alto/ D. Medio
Impacto Pedagógico
3.53
3.00
+0.53
Estudiantes >
Docentes
E. Alto/ D. Medio
Consideraciones éticas
3.08
3.60
-0.52
Docentes >
Estudiantes
E. medio/ D. Alto
Tensión Relacional
2.82
4.05
-1.23
Docentes >
Estudiantes
E. medio/ D. Alto
Nota. Δ = Diferencia de medias (Estudiantes − Docentes). Valores positivos indican mayor valoración
estudiantil; negativos, mayor valoración docente. ** = Brecha notable (|Δ| ≥ 0.50).
Las brechas porcentuales existente muestran una valoración de (Δ ≥ 0.50). Mientras que las
diferencias notables se observan en la dimensión Tensión Relacional/ Deshumanización (Δ =
-1.23). Esto pone en evidencia que los docentes cuentan con una percepción significativamente
mayor respecto a los riesgos de deshumanización del vínculo pedagógico que los estudiantes.
Esto demuestra un conflicto entre percepciones referenciales entre los sujetos de ambos
grupos en tanto a brecha generacional digital en la actualidad.
Situación opuesta en el caso de la dimensión Competencias Digitales que evidencia la
mayor brecha en dirección contraria (Δ = +0.86). Mostrando que los estudiantes son quienes
tiene mayor dominio digital que los docentes, lo que refuerza la necesidad de programas de
formación docente en alfabetización de IA Gen.
La figura del tutor personalizado en educación superior a través de la inteligencia generativa. Una mirada desde
el estudiante y el docente universitario
KIRIA, 4(7), 61-71
ISSN 3103-1129
68
DISCUSIÓN
Los resultados evidencian la percepción teórica práctica entre las expectativas tecnológicas y
las resistencias pedagógicas que conllevo la incorporación de la IAGen en la educación
superior. Desde el punto de vista de la percepción de los estudiantes, la dimensión de utilidad
percibida obtuvo la media más alta (M = 3.96), Lo que es coherente por los planteado por Su
y Yang (2023), quienes sostienen que los sistemas de IA generativa favorecen una redefinición
activa de la relación entre el estudiante y el conocimiento. En este mismo orden de ideas, las
dimensiones de competencias digitales (M = 3.61) e impacto pedagógico (M = 3.53)
presentaron un nivel alto, lo que permite inferir una adopción orgánica de estas herramientas
por parte del estudiantado, en concordancia con los resultados de Cisneros-Luzuriaga et al.
(2024).
No obstante, las dimensiones de consideraciones éticas (M = 3.08) y tensión relacional
(M = 2.82) mostraron los niveles más bajos y los coeficientes de variación más elevados (28.4%
y 32.0% simultáneamente), lo que muestra una percepción heterogénea y ambivalente. Los
hallazgos coinciden con las advertencias de Bozkurt et al. (2023) sobre el riesgo del apego
tecnológico y los sesgos cognitivos derivados de un uso acrítico de la IAGen. La variedad en
estas dimensiones permite ser interpretada desde la mirada de Selwyn (2022), quien cuestiona
si la supuesta personalización que ofrecen estos sistemas no constituye, en realidad, una forma
de individualización atomizada que fragmenta el tejido social del aula.
A partir de la óptica del docente, se invierte significativamente. La tensión relacional
registró la media más alta (M = 4.05), seguida de las consideraciones éticas (M = 3.60), lo que
muestra una elevada preocupación por la posible deshumanización del proceso pedagógico
y por los riesgos éticos asociados al uso de la IAGen. Estos hallazgos afirman lo planteado
´por Holmes et al. (2022), quienes señalan que los sistemas algorítmicos carecen de la intuición
pedagógica necesaria para detectar crisis emocionales o desmotivación profunda en los
estudiantes. No obstante, la dimensión de competencias digitales fue la que registró la media
más baja entre los docentes (M = 2.75), evidenciando brechas en el empoderamiento digital,
aspecto que Pérez-López et al. (2023) identifican como un factor que frena la transición hacia
modelos de diseño instruccional adaptativo.
La analogía entre los grupos muestra una tensión estructural: que se evidencia entre
la percepción del docente en tanto al uso mientras el estudiantado se orienta hacia la
funcionalidad y el beneficio inmediato de la IAGen. Esta divergencia constituye un nudo
crítico que coincide con lo planteado por Williamson y Hogan (2021) respecto a los riesgos de
la "plataformización" de la enseñanza, y con los señalamientos de Lugo y Schurmann (2022)
sobre la posibilidad de que la tutoría inteligente se convierta en un privilegio institucional en
contextos donde persisten desigualdades de acceso. En el marco latinoamericano, esta brecha
adquiere dimensiones particulares: la incorporación de la IAGen no ocurre en un vacío, sino
en un ecosistema marcado por precariedad estructural, ausencia de políticas públicas claras y
asimetrías de gobernanza de datos (Sabzalieva & Cassán, 2023; García-Peñalvo et al., 2023).
CONCLUSIONES
Los resultados y la indagación teórica favorecen la idea de concluir que la IAGen representa
una herramienta que cambia profundamente el sentido de la tutoría universitaria, pero su
consistencia pedagógica se encuentra condicionada por factores institucionales contextuales
y profundamente humanos que requieren considerarse. Para la investigación los estudiantes
sujetos de estudio perciben el tutor personalizado con IA como funcionalmente útil y
pedagógicamente importante, aunque manifiesta dudas frente a sus implicaciones éticas y su
impacto en las relaciones humanas en el contexto áulico. Los docentes, por su parte, tienen
Maria Alexandra Calle Molina
© 2026, Fundación Internacional para la Educación la Ciencia y la Tecnología, “FIECYT”
ISSN 3103-1129
69
una percepción parcial de su utilidad, pero advierten una posible deshumanización del
vínculo pedagógico y presentan carencias en sus competencias digitales para integrarla con
sentido crítico y formativo.
Esta asimetría de percepciones evidencia que la aplicación de una tutoría mediada por
inteligencia generativa pasa a ser un desafío técnico y de rigor pedagógico con alto impacto
en el uso ético e institucional. Sin embargo, no está planteado que la figura del tutor
algorítmico no puede ni debe reemplazar la dimensión socioemocional y crítica que distingue
al tutor humano; sin embargo, representa una herramienta de apoyo y complemento que
amplíe las posibilidades del acompañamiento, a partir de la vigilancia docente que actúe como
arquitecto de experiencias de aprendizaje (Holloway et al., 2023; Selwyn, 2022).
En consecuencia, se invita que las instituciones de educación superior generen
espacios de discusión y construcción de diseño de lineamientos éticos y pedagógicos que
regulen el uso de la IAGen como tutor personalizado, entretejidos con programas de
formación docente orientados no solo al manejo instrumental de estas herramientas, sin
menoscabar el protagonismo humano en el proceso formativo.
REFERENCIAS BIBLIOGRÁFICAS
Baidoo-Anu, D., & Ansah, L. O. (2023). Education in the era of generative AI: Understanding
the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI,
7(1), 52-62. https://acortar.link/GUsZpn
Bond, M., Zawacki-Richter, O., & Bedenlier, S. (2024). Artificial intelligence in higher
education: A systematic review of teachers’ roles and competences. International
Journal of Educational Technology in Higher Education, 21(1), 1-25.
Bozkurt, A., Xiao, J., Lambert, S., Pazurek, A., Crompton, H., Koseoglu, S., ... & Jara, F. E.
(2023). Speculative futures on ChatGPT and generative artificial intelligence (AI): A
collective reflection from the educational landscape. Asian Journal of Distance
Education, 18(1), 53-130.
Bryman, A. (2021). Social research methods (6th ed.). Oxford University Press.
Cisneros-Luzuriaga, A., Garcés, M., & Morales, P. (2024). Adopción de inteligencia artificial
generativa en universidades nacionales: Retos pedagógicos y brechas digitales. Revista
Digital de Investigación en Docencia Universitaria, 18(1), e1822.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of
information technology. MIS Quarterly, 13(3), 319-340. https://acortar.link/GOAv77
Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., ... & Wright, R.
(2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on
opportunities, challenges and implications of generative conversational AI for
research, practice and policy. International Journal of Information Management, 71,
102642.
Field, A. (2024). Discovering statistics using IBM SPSS statistics (6th ed.). SAGE Publications.
García-Peñalvo, F. J. (2023). La encrucijada de la inteligencia artificial generativa en educación
superior. RIED-Revista Iberoamericana de Educación a Distancia, 26(2), 9-41.
https://acortar.link/rNdWK6
George, D., & Mallery, P. (2022). IBM SPSS Statistics 27 step by step: A simple guide and
reference (17th ed.). Routledge.
La figura del tutor personalizado en educación superior a través de la inteligencia generativa. Una mirada desde
el estudiante y el docente universitario
KIRIA, 4(7), 61-71
ISSN 3103-1129
70
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la investigación: Las rutas
cuantitativa, cualitativa y mixta. McGraw-Hill.
Holloway, K., Luckin, R., & Holmes, W. (2023). Ethical guidelines for artificial intelligence in
education: A framework for practitioners. UCL Press.
Holmes, W., Porayska-Pomsta, K., Tuomi, I., & Luckin, R. (2022). Ethics of artificial
intelligence in education: Towards a community-wide framework. International
Journal of Artificial Intelligence in Education, 32(3), 504-526.
Luckin, R. (2020). Machine learning and human intelligence: The future of education in the
21st century. UCL Institute of Education Press.
Lugo, M. T., & Schurmann, S. (2022). Políticas digitales en educación en América Latina:
Desafíos antes y después de la pandemia. UNESCO - IIPE.
Mainardes, J., & Carvalho, I. C. (2021). Autocuidado ético na pesquisa em educação: Uma
necessidade premente. Revista de Educação Pública, 30, 1-21.
Mollick, E. R., & Mollick, L. (2023). Using AI to implement effective teaching strategies in
classrooms: Five strategies, including prompts. SSRN Electronic Journal.
https://acortar.link/bP0R2E
Pérez-López, E., Vázquez-Cano, E., & López-Meneses, E. (2023). Percepción docente sobre la
inteligencia artificial generativa: ¿Aliada o enemiga en el aula universitaria? Revista
de Educación a Distancia (RED), 23(75).
Sabzalieva, E., & Cassán, A. (2023). ChatGPT e inteligencia artificial en la educación superior:
Guía de inicio rápido. UNESCO IESALC.
Selwyn, N. (2022). Education and technology: Key issues and debates (3rd ed.). Bloomsbury
Academic.
Su, J., & Yang, W. (2023). Unlocking the power of ChatGPT: A framework for leveraging large
language models in education. Healthcare, 11(12), 1778.
Vera, F. (2023). Integración de la inteligencia artificial en la educación superior: Desafíos y
oportunidades para la región latinoamericana. Transformar, 4(1), 17-34.
Venkatesh, V., Sykes, T. A., & Maruping, L. M. (2023). Adoption of generative AI: A modified
UTAUT perspective for the digital era. Journal of Technology Management, 15(2), 110-
135.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2020). Systematic review of
research on artificial intelligence applications in higher education – where are the
educators? International Journal of Educational Technology in Higher Education,
16(1), 1-27. https://acortar.link/CDjune
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-
CompartirIgual 4.0.
Copyright: La Fundación Internacional para la Educación la Ciencia y la Tecnologías, “FIECYT”
conserva los derechos patrimoniales (copyright) de los artículos publicados, y favorece y permite la
reutilización de las mismas bajo la licencia Creative Commons Atribución-NoComercial-CompartirIgual
4.0 Ecuador. Se pueden copiar, usar, difundir, transmitir y exponer públicamente, siempre que: se cite
Maria Alexandra Calle Molina
© 2026, Fundación Internacional para la Educación la Ciencia y la Tecnología, “FIECYT”
ISSN 3103-1129
71
la autoría y la fuente original de su publicación (revista, editorial y URL de la obra); no se usen para
fines comerciales; se mencione la existencia y especificaciones de esta licencia de uso.
Autoría: En la lista de autores firmantes deben figurar únicamente aquellas personas que han
contribuido intelectualmente al desarrollo del trabajo. Haber colaborado en la recolección de datos no
es, por sí mismo, criterio suficiente de autoría. “KIRIA” declina cualquier responsabilidad sobre posibles
conflictos derivados de la autoría de los trabajos que se publiquen.
