La irrupción de la inteligencia artificial (IA) generativa en la educación ha transformado los hábitos de aprendizaje de muchos estudiantes. Utilizando datos de PISA 2025 para España (29.966 estudiantes de 956 centros), este estudio analiza si el uso educativo de la IA está asociado a desigualdades socioeconómicas. Los resultados muestran que la IA se utiliza con frecuencia para comprender contenidos, investigar, resumir textos y redactar trabajos. Aunque el 96 % de la variabilidad en el uso de IA se produce entre alumnos de una misma escuela, las desigualdades socioeconómicas son más intensas entre centros con distinta composición social que dentro de cada centro. Los estudiantes de escuelas socialmente más favorecidas utilizan la IA con mayor frecuencia. Además, el sector de titularidad y el contexto territorial explican parte de estas diferencias. El estudio concluye que la futura brecha digital dependerá menos del acceso a la IA y más de las competencias, apoyos y oportunidades que permitan utilizarla eficazmente para aprender
La educación musical en centros específicos de educación especial afronta el desafío de garantizar experiencias de aprendizaje accesibles, participativas y significativas para alumnado con diferentes perfiles comunicativos y necesidades de apoyo. En este contexto, la inteligencia artificial puede ampliar las oportunidades de comunicación, participación, regulación emocional e interacción social mediante la generación y adaptación de materiales visuales, sonoros y multimodales. Su incorporación, no obstante, debe inscribirse en un modelo pedagógico centrado en el alumnado, que preserve la mediación docente, la participación activa del alumnado y la supervisión profesional, en lugar de reducir la experiencia musical a la reproducción de contenidos generados automáticamente.
La incorporación de sistemas de inteligencia artificial a la actividad pública promete eficiencia, pero también puede volver menos visible la cadena de datos, inferencias, configuraciones y decisiones humanas que conduce a resultados con efectos jurídicos. Este trabajo compara los marcos de gobernanza de la Unión Europea, España y Argentina y analiza en qué medida convierten principios de IA responsable en garantías efectivas frente a decisiones públicas algorítmicamente mediadas. Se distingue entre gobernanza del sistema y gobernanza de la decisión. Como aporte doctrinario se proponen dos instrumentos complementarios: el Modelo de Atribución Algorítmica de Responsabilidad (MAAR), que reconstruye la cadena sociotécnica de actuación, y la Diligencia Algorítmica Reforzada (DAR), que gradúa los deberes de prevención, documentación, supervisión, explicación y revisión según el riesgo. La conclusión es que una ciudadanía digital efectiva exige comprender, controvertir y revisar la intervención algorítmica en el ejercicio del poder público y obtener corrección o reparación efectiva.
TOPOku es una aplicación web educativa desarrollada para apoyar la enseñanza y el aprendizaje autónomo de la nivelación geométrica por alturas en Topografía. Diseñada como una Single-Page Application basada en HTML5, JavaScript y Tailwind CSS, integra generación automática de ejercicios, cálculo de magnitudes altimétricas, validación de respuestas y seguimiento del progreso del estudiante. La herramienta genera de forma algorítmica cien estadillos de nivelación con distintos niveles de dificultad, utilizando procedimientos reproducibles basados en semillas matemáticas, sin necesidad de bases de datos externas ni servidores backend. El sistema incorpora mecanismos de autoevaluación, control de errores, cálculo de desniveles, cierres y correcciones, así como un enmascaramiento dinámico de celdas para plantear incógnitas adaptadas al nivel de complejidad. Además, incluye herramientas auxiliares de cálculo, gamificación mediante puntuaciones y rachas de aciertos, y almacenamiento local del progreso mediante localStorage, favoreciendo una experiencia interactiva, autónoma y motivadora para el alumnado.
La comunicación analiza cómo la integración de materiales didácticos multisensoriales e inteligencia artificial (IA) generativa puede favorecer la creatividad, el pensamiento crítico, la empatía y la alfabetización tecnológica en la formación inicial del profesorado. La experiencia se desarrolló durante seis semanas con 49 estudiantes de Educación Infantil y Primaria de la Universidad Antonio de Nebrija, mediante un aprendizaje basado en proyectos. El proceso incluyó tres fases: inmersión sensorial y conceptual, creación de un cuento multisensorial físico y transformación digital mediante IA, acompañada de evaluación crítica y reflexión ética. Los resultados identificaron tres usos principales de la IA: extensión del pensamiento creativo propio, ampliación de los formatos de acceso al conocimiento e instrumento para analizar críticamente los relatos. En todos los casos, las decisiones pedagógicas fueron previas y estuvieron guiadas por el criterio docente. La experiencia concluye que la combinación de diseño analógico e IA favorece ecologías híbridas de aprendizaje inclusivas, creativas y multisensoriales, manteniendo la supervisión humana.
La integración de la Inteligencia Artificial Generativa (IAG) en la educación científica plantea interrogantes sobre su impacto en la competencia argumentativa y el pensamiento crítico. Como advierte la UNESCO (2024), su adopción exige salvaguardar la agencia humana y la autonomía del alumnado para evitar la «confianza ciega». Este trabajo analiza la adopción, las etapas de uso y el grado de control crítico que ejerce el estudiantado de 9.º año de Educación Media Básica al emplear IAG para preparar microdebates sobre problemas sociocientíficos en Uruguay.
Mediante un diseño mixto exploratorio, se aplicó un cuestionario al finalizar los microdebates sobre problemas siciocientíficos para recabar datos cuantitativos y cualitativos. Los resultados revelan una alta familiaridad previa con la IAG (85,7%) y que un 57,1% la utilizó para preparar el debate. Su uso se concentró en etapas operativas iniciales como la lluvia de ideas (58,3%) y la comprensión conceptual (33,3%), frente a un uso escaso para buscar evidencia (16,7%) o anticipar contraargumentos (8,3%). En cuanto a la evaluación crítica, predomina la confianza ciega y la edición superficial del tono: ningún estudiante verificó la validez científica de fondo de las respuestas. Pese a esta pasividad, algunos alumnos manifestaron crítica metadiscursiva hacia la artificialidad del lenguaje o emplearon la IAG para entrenamiento contrafáctico.
Se concluye que es indispensable diseñar mediaciones docentes orientadas al prompting crítico y la verificación explícita de fuentes para favorecer un desarrollo crítico en entornos digitales.
Esta investigación analiza el impacto del agente inteligente Escriba y del modelo de lenguaje Claude en el mejoramiento de la redacción de ensayos sobre identidad cultural en estudiantes de grado noveno de la Institución Educativa Retiro de los Indios, zona rural de Cereté (Córdoba, Colombia). Con enfoque cualitativo y diseño de Investigación-Acción Participativa, se comparó la producción escrita de un panel fijo de 21 estudiantes en tres momentos: diagnóstico, primer borrador y ensayo final, evaluados con un instrumento de seis categorías. El total de errores bajó de 472 a 366 y a 298 (−36.9 %), con reducciones de entre 51.7 % y 90.0 % en argumentación, conectores, estructura, puntuación y claridad de ideas. Los aspectos ortográficos mejoraron solo 14.9 %, asociados a patrones dialectales como el seseo. Se concluye que la retroalimentación de IA es una mediación pedagógica eficaz en contextos rurales, aunque su efecto depende del tipo de error.
La incorporación de la inteligencia artificial (IA) generativa a la enseñanza de español como lengua extranjera (ELE) abre nuevas posibilidades para crear materiales, adaptar actividades y ofrecer apoyos al alumnado. Esta comunicación analiza cómo la supervisión docente puede contribuir a contextualizar las propuestas generadas por IA en función del alumnado, los objetivos de aprendizaje y la situación educativa. A partir de tres casos prácticos en aulas de ELE (profesionales de instituciones internacionales, alumnado refugiado y estudiantes universitarios), se muestra cómo una propuesta inicial puede revisarse, contextualizarse, mantenerse, ajustarse, ampliarse, reformularse o sustituirse por una alternativa. La propuesta se organiza en seis momentos: generación, revisión, contextualización, decisión, aplicación y evaluación y reajuste. El objetivo es hacer visible un proceso flexible de toma de decisiones en el que la IA aporta ideas, alternativas y apoyos, y el criterio docente interpreta, contextualiza, decide y reajusta.
Antecedentes y planteamiento del problema.
En la actualidad, disponer de inteligencia artificial (IA), saber utilizarla e incluso mejorar la productividad no equivale a construir diferenciación. Cuanto más accesible se vuelve el recurso tecnológico, menos se explica el motivo por el cual una organización crea y captura un valor que otras no pueden reproducir con los mismos recursos. En este sentido, la literatura sobre tecnologías de propósito general muestra que sus beneficios dependen de activos complementarios, aprendizaje y cambio organizacional (Brynjolfsson et al., 2021).
El debate sobre talento en IA se concentra principalmente en competencias técnicas y alfabetización, aunque la OECD (2026) subraya también capacidades complementarias como análisis, resolución de problemas y adaptabilidad. Por supuesto se reconocen esos esfuerzos, pero aquí se plantea otra pregunta formativa: ¿qué necesita aprender un profesional para transformar una tecnología generalizada en diferenciación empresarial sostenible? La cuestión obliga a revisar qué capacidades deben desarrollar universidades, posgrados y programas ejecutivos cuando la IA deja de ser un asunto informático y pasa a formar parte de las decisiones sobre estrategia, inversión y creación de valor.
Dos observaciones orientan el problema.
1. Brecha entre escasez técnica y creación de valor. ManpowerGroup (2026) sitúa las competencias en IA entre las más difíciles de encontrar y el World Economic Forum (2025) identifica estas brechas como barrera para la transformación empresarial. Sin embargo, el uso de IA sigue creciendo mientras alrededor del 6 % de las organizaciones alcanza el nivel de impacto financiero que Tinkoff et al. (2026) asocian con los AI high performers. Esto plantea un doble problema: para el 94 %, cómo convertir adopción y productividad en mayor captura de valor; y para quienes lo consiguen, cómo sostener la diferenciación cuando esas capacidades y prácticas puedan difundirse entre competidores. En esta línea, Guettoufi (2026) encuentra en empresas argelinas que las diferencias financieras entre adoptantes y no adoptantes de IA resultaron mayoritariamente no significativas al controlar características empresariales, lo que sugiere que parte del rendimiento puede reflejar fortalezas organizacionales previas y no solo el efecto de la tecnología.
2. Paradoja entre democratización y diferenciación. Doshi y Hauser (2024) muestran que la IA generativa puede aumentar la creatividad individual y reducir la diversidad colectiva, mientras Daryani et al. (2026, Fuchs, 2026) analizan específicamente el potencial homogeneizador de los modelos de lenguaje. Estos hallazgos sugieren que, a medida que la IA se vuelve más accesible, la diferenciación depende menos del puro “músculo” tecnológico y más de capacidades para detectar oportunidades, absorber conocimiento, reconfigurar recursos y construir posiciones distintas (Cohen & Levinthal, 1990; Porter, 1996; Teece, 2007). La IA agéntica intensifica este escenario porque ya amplía capacidades de análisis o generación, y capacidad planificar, coordinar y ejecutar acciones con distintos grados de autonomía.
Ambas observaciones se vuelven más críticas con la IA agéntica, capaz de planificar, coordinar y ejecutar con distintos grados de autonomía, desplazando el desafío hacia el diseño organizacional, el liderazgo y la gobernanza (Ransbotham et al., 2025). Esto hace más urgente la formación en innovación estratégica pues a mayor autonomía, mayor riesgo de automatizar y escalar decisiones que no diferencian. La innovación estratégica permite cuestionar los supuestos de creación de valor, redefinir cómo competir y renovar la diferenciación antes de que sea igualada (Markides, 1997; McGrath, 2013), convirtiendo una tecnología cada vez más accesible y potencialmente homogeneizadora en nuevas formas de crear y capturar valor.
Objetivo. Identificar y fundamentar las capacidades profesionales de innovación estratégica necesarias para convertir la disponibilidad generalizada de IA, en particular de IA agéntica, en diferenciación sostenible, y derivar de ellas implicaciones para la formación universitaria, de posgrado y ejecutiva.
Metodología.
Se ha seguido un enfoque cualitativo crítico-reflexivo, confrontando categorías dominantes de interpretación con evidencia teórica y situada (Denzin, 2017), articulando dos planos:
• el documental, para contrastar estudios recientes sobre demanda de talento en IA con evidencia sobre captura de valor y con literatura sobre innovación estratégica, capacidades dinámicas, absorción y ventaja competitiva; y,
• el de la praxis profesional, inspirado en principios de investigaciónacción, que ha consistido en un análisis un análisis retrospectivo transversal de 47 informes de aplicación del marco […] en pymes y startups de Chile (25) y Ecuador (22) -como evidencia contextual complementaria se incorporaron observaciones surgidas en un taller realizado en cada país con propietarios y directivos-. Los planos integraron mediante triangulación interpretativa. La participación del autor en las evaluaciones introduce un posible sesgo, por lo que el diseño conduce a una interpretación situada, pero no establece causalidad ni generalización.
Resultados.
El contraste documental revela un desajuste: los informes sobre talento miden sobre todo competencias técnicas, pero los estudios sobre creación de valor señalan otros factores, como el rediseño organizacional, el aprendizaje y la gobernanza.
Los casos mostraron una brecha recurrente entre capacidad técnica y capacidad estratégica. En Chile, la adopción activa de IA, automatización y agentes convive con baja formalización en gobernanza, riesgo y seguridad; en Ecuador, con una mayor polarización entre adopción informal y organizaciones con estrategia, responsabilidad y gobernanza más integradas. En los talleres de ambos países surgió una preocupación común: utilizar IA o automatizar operaciones no equivale a actuar, ni mucho menos a innovar, estratégicamente.
Del contraste emergen seis capacidades profesionales: las dos primeras destacan en los casos analizados y las restantes se sustentan principalmente en la literatura.
• Diagnósticos estratégicos: saber cuál aplicar y cuándo, para distinguir si la organización está innovando estratégicamente con IA o solo incorporando mejoras replicables.
• Gobernanza de decisiones delegadas: decidir con criterio crítico qué delegar y qué mantener bajo juicio humano, y asegurar supervisión, trazabilidad, reversibilidad y responsabilidad. • Exploración estratégica: usar la IA para descubrir posibilidades y no solo para optimizar lo existente.
• Innovación del modelo de negocio: transformar la forma de crear y capturar valor.
• Renovación ante la comoditización: reconocer cuándo una mejora deja de diferenciar y volver a cuestionar el modelo de creación de valor.
• Absorción y reconfiguración organizacional: convertir experimentos en capacidades propias, acumulativas y difíciles de reproducir.
Conclusiones.
El aporte científico es cambiar el lugar donde se busca la escasez formativa: puede existir una carencia menos visible entre saber utilizar IA y saber convertirla en una capacidad estratégica, responsable y renovable.
El aporte educativo es convertir la hipótesis en una pregunta de diseño formativo. Formar solo para ‘usar mejor’ la tecnología puede producir profesionales capaces de ejecutar soluciones que otros también podrán reproducir. La respuesta no consiste únicamente en añadir nuevas herramientas ni en tratar ética y responsabilidad como contenidos separados de la decisión empresarial, sino en diseñar experiencias donde los participantes sepan diagnosticar, cuestionen supuestos estratégicos, exploren alternativas, gobiernen decisiones delegadas y conviertan posibilidades tecnológicas en nuevas formas de crear valor.
La cuestión central es cómo formar profesionales capaces de convertir el uso generalizado de la IA en diferenciación estratégica, ya que la formación profesional todavía la aborda de manera fragmentada: seguir formando principalmente en herramientas y contenidos que la propia IA puede producir y actualizar con creciente facilidad, o avanzar hacia una formación más profunda, capaz de desarrollar criterio estratégico, capacidad de decisión y creación de valor.
Referencias.
• Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve: How intangibles complement general purpose technologies. American Economic Journal: Macroeconomics, 13(1), 333–372. https://www.nber.org/system/files/working_papers/w25148/w25148.pd f
• Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553
• Daryani, Y., Sourati, Z., & Dehghani, M. (2026). The homogenizing engine: AI’s role in standardizing culture and the path to policy. Policy Insights from the Behavioral and Brain Sciences, 13(1), 14–27. https://doi.org/10.1177/23727322251406591
• Denzin, N. K. (2017). Critical qualitative inquiry. Qualitative Inquiry, 23(1), 8–16. https://doi.org/10.1177/1077800416681864
• Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
• Fuchs, A. (2026, May 11). Why AI will not bring sustainable competitive advantage: An evidence dossier for (marketing) leaders. Future of Marketing. https://www.futureofmarketing.de/p/why-ai-will-notbring-competitive-advantage
• Guettoufi, Y. (2026). Assessing the impact of artificial intelligence adoption on corporate financial performance: Evidence from emerging markets. International Review of Economics & Finance, 108, 105272. https://doi.org/10.1016/j.iref.2026.105272
• ManpowerGroup. (2026, February 26). Global talent shortage reaches turning point as AI skills claim top spot [Press release]. https://www.manpowergroup.com/news-releases/news/globaltalent-shortage-reaches-turning-point-as-ai-skills-claim-top-spot
• Markides, C. C. (1997). Strategic innovation. Sloan Management Review, 38(3), 9–23. https://sloanreview.mit.edu/article/strategic-innovation/
• McGrath, R. G. (2013). The end of competitive advantage: How to keep your strategy moving as fast as your business. Harvard Business Review Press. https://store.hbr.org/product/the-end-of-competitiveadvantage-how-to-keep-your-strategy-moving-as-fast-as-yourbusiness/10605
• OECD. (2026). Skills in the AI age (OECD Artificial Intelligence Papers No. 60). OECD Publishing. https://doi.org/10.1787/972bd15e-en
• Porter, M. E. (1996). What is strategy? Harvard Business Review, 74(6), 61–78. https://hbr.org/1996/11/what-is-strategy
• Ransbotham, S., Kiron, D., Khodabandeh, S., Iyer, S., & Das, A. (2025, November 18). The emerging agentic enterprise: How leaders must navigate a new age of AI. MIT Sloan Management Review & Boston Consulting Group. https://www.bcg.com/publications/2025/theemerging-agentic-enterprise-how-leaders-must-navigate-a-new-ageof-ai
• Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350. https://doi.org/10.1002/smj.640
• Tinkoff, D., Van der Veken, L., Chui, M., & Balakrishnan, T. (2026, August 25). The state of AI in 2026: On the road to ROI. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/ourinsights/the-state-of-ai
• World Economic Forum. (2025). The future of jobs report 2025. https://www.weforum.org/publications/the-future-of-jobs-report2025/
¿Qué debemos enseñar al alumnado de Educación Secundaria sobre inteligencia artificial? Esta propuesta parte de la necesidad de asegurar una alfabetización integral en inteligencia artificial. Para ello, se presenta una experiencia didáctica desarrollada durante dos cursos con alumnado de 3º de ESO en la materia de Computación y Robótica.
A través de cinco fases, el alumnado investiga qué es la IA y cómo funciona, explora sus posibilidades como herramienta de aprendizaje, pone a prueba sus limitaciones mediante retos, entrena su propio modelo de aprendizaje automático y desarrolla un proyecto orientado a mejorar la vida de las personas.
Los resultados muestran una adquisición satisfactoria de los conceptos trabajados, el desarrollo de estrategias para cuestionar las respuestas de la IA y diferentes niveles de autonomía en la experimentación y creación.
La experiencia propone así una aproximación práctica, crítica y creativa de la alfabetización en IA.
