La inteligencia artificial en la universidad

No. 156-157 / julio 2025-junio 2026 / ensayo

Ver PDF

Eduardo Gabriel Barrios, Genaro Aguirre Aguilar

UNIVERSIDAD VERACRUZANA

---

Resumen: La inteligencia artificial generativa está modificando diversos aspectos de la sociedad. Es el conjunto de tecnologías capaces de realizar tareas que normalmente requieren habilidades humanas, como reconocer imágenes o procesar lenguaje. Es capaz de generar nuevo contenido (textos, imágenes, código, etc.) a partir de vastos datos. La rápida propagación de este tipo de tecnología ha sido favorecida por el acceso masivo e inversión mundial y ha causado entusiasmo; pero, también, preocupación por sus implicaciones éticas, educativas y sociales. En el contexto universitario, particularmente en las ciencias sociales y humanas, desafía los marcos pedagógicos no sólo al utilizarlos, sino al comprender sus posibilidades y restricciones. Estos sistemas generan predicciones estadísticas de secuencias de información sin comprensión semántica ni conciencia, lo que puede llevar a sesgos, desinformación o alucinaciones. Ante esto, se plantea una alfabetización crítica en IA que combine conocimiento técnico, evaluación ética y pensamiento reflexivo. La IA puede reafirmar su lugar en la formación de una ciudadanía digital responsable.

Abstract: Generative artificial intelligence is transforming various aspects of society. It encompasses technologies capable of performing tasks that typically require human skills, such as image recognition and language processing. It can generate new content (text, images, code, etc.) from vast amounts of data. The rapid spread of this technology has been facilitated by widespread access and global investment, generating enthusiasm, but also concern about its ethical, educational, and social implications. In the university context, particularly in the social sciences and humanities, it challenges pedagogical frameworks not only in its application but also in understanding its possibilities and limitations. These systems generate statistical predictions from sequences of information without semantic understanding or awareness, which can lead to bias, misinformation, or even hallucinations. Therefore, critical AI literacy is needed, combining technical knowledge, ethical evaluation, and reflective thinking. AI can reaffirm its role in fostering responsible digital citizenship.

---

Cuando de inteligencias artificiales se habla, es pertinente reconocer algunos aspectos de su desarrollo histórico para comenzar a dilucidar las complejidades que esta tecnología le ha venido a suponer a un mundo cada vez más tecnologizado y con aspiraciones proyectivas hacia la automatización de procesos. Aunque estos escenarios no son hoy del todo posibles o viables en las condiciones actuales vividas en América Latina, particularmente, México, lo cierto es que hay un fuerte predominio de narrativas sobre la relevancia de esta tecnología en diferentes ámbitos del quehacer humano. Aun con ello, es importante no perder de vista que casi todo lo que se hace en tanto seres humanos, desde caminar con el celular en el bolsillo hasta escribir un mensaje, dar me gusta a una publicación o mirar publicidad, se convierte en datos. Esta tendencia a convertir la vida humana en números es lo que algunos autores denominan matematización de la vida humana y la cultura (Gómez-Chacón, 2022), y exige reconocer críticamente las condiciones diferenciadas que distinguen las realidades vividas por la diversidad humana, pues pareciera ser que la resonancia de lo eficiente, rápido, eficaz y automático, es la prioridad en una carrera de la que no se sabe con certeza sus resultados más críticos.

En los últimos años, las inteligencias artificiales generativas (IAG), las cuales se pueden entender como un tipo de IA que crea nuevo contenido (texto, imágenes, código, audio, etc.) a partir de modelos entrenados con grandes cantidades de datos generalmente mediante aprendizaje profundo (Luo, Zhou y Cui, 2026; Frumin et al., 2026), se han convertido en un fenómeno tecnológico visible y controvertido a escala planetaria. Esto último por la naturaleza y alcance que pueden llegar a tener en su aplicación humana. Herramientas como ChatGPT, lanzada para su uso gratuito y comercial en 2022, MidJourney o Stable Diffusion popularizaron la elaboración automática de textos, imágenes y otros contenidos que emulaban la calidad de la producción humana. Otras aplicaciones de IAG como Copilot, ChatPDF, Consensus, Deepl, Gemini, ResearchRabbit, Scite.AI, Grammarly, Humata, Jasper, MidJourney, Paperpal, Perplexity, entre otras, no solamente han venido a irrumpir en los escenarios sociales y profesionales, sino en los ambientes universitarios e investigativos, y han generado un intenso debate en diferentes ámbitos, incluido el educativo.

El auge de esta tecnología se explica en parte por la masificación del acceso, pues cualquier persona con conexión a internet puede experimentar con sistemas que antes estaban restringidos a laboratorios de investigación o corporaciones, incluidos los medios de comunicación masivos, el ejército o la academia. Al mismo tiempo, este acceso masivo se ha visto acompañado de un incremento en la inversión. Por ejemplo, según el Artificial Intelligence Index Report de la Universidad de Stanford (2025: 17):

La inversión privada mundial en IA alcanza un máximo histórico con un crecimiento del 26%. La inversión corporativa en IA ascendió a 252.300 millones de dólares en 2024, con una inversión privada que aumentó un 44,5% y las fusiones y adquisiciones que crecieron un 12,1% respecto al año anterior. El sector ha experimentado una expansión notable durante la última década, con una inversión total que se ha multiplicado por más de trece desde 2014.

En esta tesitura, se debe señalar que la visibilidad pública de las herramientas de IAG han estado atravesadas por un fenómeno que Bender et al (2021) han nombrado como IA Hype, refiriéndose a un dispositivo de promoción y expectativa que combina promesas de revolución tecnológica con narrativas de riesgo y amenaza. En este contexto, los medios de comunicación dan una cobertura que desdibuja la complejidad y contribuyen a la polarización; por un lado, celebran la posibilidad de transformar la educación, la salud o la industria creativa; por otro, advierten la pérdida de empleos, la vulneración de derechos de autor y la desinformación masiva.

En el ámbito educativo, esta expansión tecnológica no sólo redefine los modos de producción del conocimiento, sino también las formas de enseñar y aprenderlo. En ciencias sociales y humanidades la irrupción de las inteligencias artificiales generativas interpela los fundamentos pedagógicos y epistemológicos que sostienen la formación crítica, pues obliga a repensar cómo educar para comprender y no solo para operar los sistemas automatizados que median nuestra realidad, acaso, realidades.

De esta manera, el contexto de entusiasmo, inversión y debate nos permite reflexionar sobre un aspecto fundamental: más allá de sus promesas técnicas, ¿qué significa comprender críticamente el funcionamiento de las aplicaciones con IAG en las ciencias sociales y humanidades?, ¿qué demanda del docente universitario el uso de una tecnología que, además de facilitar procesos personales de aprendizaje e investigación, debe contribuir al desarrollo del pensamiento crítico?

De la crisis en humanidades y ciencias sociales a las oportunidades en tiempos de IA

Entre las vicisitudes del mundo contemporáneo se ha venido introduciendo una lógica narrativa dual en el panorama de lo social y lo humano. Por un lado, una aparente obsolescencia de la propia persona frente al despunte de la tecnología, el capital y al obligado acceso de lo último en dispositivos; por otro, una necesidad imperante de ser experto y habilitarse para abordar o enfrentar crisis complejas que se han hecho presente entre los seres humanos que habitan la tierra en el siglo XXI. Esta tensión, desde la reflexión de Nussbaum (2010), es de proporciones enormes al involucrar amenazas también relacionadas con la formación ciudadana y democrática. Lo anterior supone un desafío pues exige una postura reflexiva sobre cómo se construye el conocimiento; esto es, una crítica epistemológica y una redefinición urgente de su rol social frente a la lógica de la rentabilidad inmediata.

Se puede señalar, como un primer obstáculo, la subordinación epistemológica al modelo científico-técnico y su imperativo económico; esto es depender de una visión de la ciencia y sus eventuales réditos, pues con frecuencia las disciplinas humanísticas y sociales son “consideradas como obsoletas o en declive en la era de la tecnología y el capitalismo” (Morales et al., 2023, p. 40). Dicha devaluación se sustenta en la hegemonía o prevalencia de la razón instrumental cuya herencia se remonta a la ilustración, la cual privilegió la razón al servicio del desarrollo industrial, y encumbró un saber que se planteó como riguroso, objetivo e incuestionable (Palomar-Torralbo, 2018: 146). En tal sentido, el pensamiento crítico y la reflexión humanística son relegados a un segundo plano, considerados muchas veces como poco útiles si no generan beneficios tangibles y cuantificables. Un pragmatismo utilitarista ligado a una economía cognitiva que predomina y se muestra como única. Lo anterior quiere significar la segregación del componente humanístico frente a la utilidad y resolución de problemas que desarrollan las llamadas ciencias duras.

Ordine (2013) advierte que, al desestimar el valor de lo reflexivo y desinteresado, se corre el riesgo de producir una “colectividad enferma y sin memoria que, extraviada, acabará por perder el sentido de sí misma y de la vida” (p. 9). Esta visión utilitarista no solo distorsiona la valoración social y académica de las ciencias sociales y humanas, sino que también influye directamente en las decisiones de las y los estudiantes quienes se inclinan por saberes de corte técnico priorizando la empleabilidad y rentabilidad.

Otro de los grandes desafíos emerge con el desarrollo de la tecnociencia y la Inteligencia Artificial (IA). Si bien la IA no puede reemplazar lo humano, ni al científico social en la generación de preguntas novedosas, creatividad e intuición, su emergencia plantea la necesidad de que las CC. SS. y HH. se involucren de manera activa en el análisis de sus implicaciones éticas y sociales. Lo contrario traería como consecuencia que los procesos sociales y tecnológicos sean dirigidos por visiones instrumentales y reduccionistas. Aquí aparece una de las primeras oportunidades para este ámbito pues, la IA, al basarse en datos, puede amplificar y replicar sesgos históricos vinculados a la desigualdad y discriminación. Lo anterior puede propiciar que la ética en el manejo de la IA, la tecnoética y la comprensión de las subjetividades, se conviertan en un terreno fundamental para la investigación sociohumanística, esto es que, podríamos estar frente a un auge o edad dorada de los estudios comprensivos.

Para Morales et al. (2023), la crisis de las CC. SS. y HH. se ha visto “alimentada por el poco compromiso que tienen los científicos sociales y humanistas con la formación de profesionistas, científicos naturales, tecnólogos (naturales), tecnológos sociales y políticos, así como la escasa comunicación con quienes toman las decisiones” (p. 46). De esta manera, posibles respuestas a estos retos, radicarían en el diálogo abierto, la interdisciplinariedad y el desarrollo del trabajo colaborativo; pues los científicos sociales y humanistas “deben abandonar su zona de confort, trabajar colaborativamente, [abordar] problemas actuales y [desarrollar] ciencia aplicada para demostrar su relevancia y capacidad para contribuir al bienestar de la sociedad en general” (Morales et al., 2023: 40).

Lo anterior implicaría un diálogo constante con otras disciplinas para abordar problemas complejos como la crisis ambiental, la tecnociencia y con ello materializar su potencial para la emancipación y la concientización sobre el poder. La reorientación de las ciencias sociales y humanas, en tal sentido y en el contexto de la disrupción de la IA, parece, podría reafirmar su valor a partir de los ejes que se han nombrado con anterioridad: trabajo colaborativo, resolución de problemas e incidencia social. Para poder pensar críticamente la IA en la CC. SS. y HH., es necesario primero comprender su funcionamiento técnico y sus límites procesuales.

Si las ciencias sociales y humanas aspiran a mantener su vigencia, debe incluir la comprensión básica de cómo funcionan las tecnologías que modelan el pensamiento contemporáneo. De esta manera, conocer los fundamentos técnicos de la IA no es un fin en sí mismo, sino un medio para enseñar a las y los estudiantes a reconocer los límites de lo computacional y el valor insustituible de la interpretación, el juicio ético y la compresión del contexto en las situaciones humanas.

La desmitificación del uso de la IA

La comprensión crítica de las IAGen exige, en primer lugar, desmitificar su funcionamiento. Buena parte de los discursos mediáticos y corporativos han contribuido a reforzar la idea de que estas herramientas piensan, imaginan o crean como los seres humanos (Hubert et al., 2024), cuando en realidad operan bajo principios estadísticos y computacionales, que, si bien son altamente sofisticados, se diferencian de las capacidades cognitivas humanas (Lake et al., 2016; Hassbi et al., 2017). En tal sentido, un primer paso consiste en explicar qué son los modelos de lenguaje y las arquitecturas que los sostienen, así como analizar sus alcances y límites.

Los antecedentes de la IA se remontan a la década de 1950 (Bruderer, 2016; Natale y Ballatore, 2017; Fradkov y Shepeljavji, 2022), con enfoques simbólicos que buscaban representar el conocimiento humano en forma de reglas lógicas. Este paradigma de una IA simbólica fue relevante para aplicaciones tempranas como los sistemas expertos, pero resultó limitado frente a la complejidad del lenguaje natural y de la percepción visual. A partir de la década de 2010 se consolidó un cambio de paradigma gracias al auge de las redes neuronales profundas o también llamado deep learning que permitieron procesar grandes volúmenes de datos y reconocer patrones de manera estadística (LeCun et al., 2015). En este marco surgieron los modelos generativos, capaces de producir nuevo contenido como texto, imagen y audio a partir de ejemplos previos. Como lo explica Goodfellow et al. (2016), los modelos generativos no se limitan a clasificar datos, sino que también aprenden/reproducen distribuciones de probabilidad para imaginar datos similares a los de entretenimiento: “Many deep learning algorithms have been designed to tackle unsupervised learning problems, but none has truly solved the problem in the same way that deep learning has largely solved the supervised learning problem for a wide variety of tasks” (p. 483).

En el caso del lenguaje, esta capacidad se hizo presente en los Modelos de Lenguaje de Gran Escala (LLM por sus siglas en inglés), los cuales constituyen la base de herramientas como GPT3, 4, LLaMA o Gemini. El principio básico que lo hace operativo es predecir la palabra más probable en una secuencia, considerando el contexto de millones o incluso billones de ejemplos (Goodfellow et al., 2016). En tal sentido un modelo de lenguaje es un sistema entrenado con grandes cantidades de texto para calcular probabilidades de aparición de palabras o frases. Tal como lo sintetizan Jurafsky y Martin (2025), su funcionamiento puede explicarse en tres sencillos pasos: 1) Entrenamiento, consistente en la recepción de datos masivos, 2) Ajuste de parámetros, consistente en el cálculo estadístico del lenguaje y 3) Generación, referida a la predicción de la palabra siguiente para continuar con un proceso, como puede ser un texto, creando con ello una ilusión de un diálogo con un humano.

Lo anterior nos obliga a subrayar que estos LLM no tienen comprensión semántica ni conciencia, esto es, los modelos no entienden el mundo, sino que manipulan los signos basados en correlaciones y predicciones estadísticas. Lo cual nos lleva a señalar además que las ilusiones de una conversación con otro humano, no garantiza en absoluto veracidad ni una correcta interpretación. Algo que ya adelantaba Searle en su famosa propuesta de la Habitación China.

Así pues, estamos frente a la narrativa de lo majestuoso que, en combinación con las cegueras propias de lo humano y los tropiezos que pueden cometer nuestros sentidos y nuestra errante interpretación cerebral del mundo, permiten crear “la ilusión” de estar frente a algo superador de nuestra creatividad y capacidades cognitivas para interpretar e intervenir en el mundo. Aquí, la racionalidad que se ha impuesto, apuntala la idea de garantizar procesos de explicación y utilitarismo donde la estadística, las matemáticas y los algoritmos, sin medir los riesgos de desdeñar el componente humano creativo, ha venido a predominar en muchos ámbitos de la vida social. Así en las profesiones como en el hacer académico e investigativo.

Tras lo dicho antes, es oportuno destacar la necesidad de analizar sesgos que subyacen en los sistemas de IA, especialmente en el ámbito educativo, lo que permitiera generar ambientes de aprendizaje, incluido el desarrollo del pensamiento crítico entre los universitarios. Esto porque enseñar a detectar y discutir esos sesgos podría permitir desarrollar competencias críticas en los estudiantes, al mostrar que todo algoritmo refleja decisiones humanas, culturales y políticas que están detrás o en el origen de la información proporcionada por la IA. Con esto, la alfabetización/competencia digital debiera entenderse también como una alfabetización ética.

Las infraestructuras, sus sesgos y aplicaciones más comunes

El rendimiento de los modelos generativos depende de tres factores básicos clave. En primer lugar, el volumen de los datos, aquí los LLM son entrenados con datos extraídos de internet; es decir, como mucho de lo que ha producido el ser humano, por lo que es el responsable de generar información o saberes cuya característica son los sesgos culturales, desigualdades propias de este sistema mundo, donde la ausencia de voces minoritarias o quienes se relacionan con el mundo desde las periferias, suelen ser poco visibles.

Es decir, utilizar internet como cuerpo y lugar desde el cual pensar el mundo, implica reconocer que los modelos explicativos y visibilizados pueden reproducir sesgos, prejuicios y desinformación que circulan en la red. Por tal motivo, se reproducen estereotipos de género raciales o culturales. Estos sesgos pueden modificarse en tanto sean aplicadas técnicas para el filtrado o el diseño de prompts; una condición y destreza que debiera problematizarse y fomentarse desde la propia educación universitaria.

Otro factor importante sería la sustentabilidad ya que la necesidad del uso de supercomputadoras con grandes procesadores de gráfico, también llamadas unidades de procesamiento gráfico (GPU), ocasionan consumos energéticos enormes. Strubell et al. (2019) estimaron que el entrenamiento de un solo modelo de lenguaje puede provocar la misma cantidad de CO2 que lo generado por cinco automóviles durante toda su vida útil.

Estos riesgos técnicos y éticos no son abstractos; por el contrario, se convierten en retos educativos. En tal sentido, vale la pena preguntarse desde el terreno de lo educativo, ¿cómo formar sujetos capaces de detectar y cuestionar estos sesgos?, ¿qué tipo de habilidades y competencias se necesitan hoy para lidiar con el reto tecnológico que implica la IAG en la vida cotidiana? En este punto surge la noción de alfabetización crítica como una estrategia educativa orientada a fortalecer la comprensión, la autonomía y la responsabilidad en el uso de estas tecnologías.

Hacia una alfabetización crítica en el manejo de IA

La integración acelerada de la IA y particularmente de la IAG en la vida cotidiana y específicamente en los contextos académicos, ha posicionado la alfabetización como una necesidad específicamente entre las y los universitarios (Ngo y Hastie, 2025). No obstante, este proceso de adopción impulsado por diversas herramientas de IAG como ChatGPT, Copilot o Gemini, requiere un enfoque que trascienda lo meramente instrumental: una alfabetización crítica en el manejo de la inteligencia artificial (Artopoulus y Lliteras, 2024; Barrios y Carazas, 2025). Este enfoque es crucial para garantizar que las y los estudiantes no sólo sepan usar estas tecnologías, sino que puedan evaluarlas críticamente y comprender sus implicaciones éticas (Barrios y Carazas, 2025).

La alfabetización en IA debe dimensionarse y comprenderse a la luz de cuatro componentes interconectados: “comprensión técnica, habilidades de implementación, evaluación crítica y consideraciones éticas” (Barrios y Carazas, 2025: 5). Sin embargo, el componente crítico emerge como prioritario debido a los riesgos que posibilita la IAG. Una de las principales preocupaciones es la “dilución epistemológica del control de fuentes y consistencia conceptual” (Artopoulus y Lliteras, 2023: párr. 1). Las herramientas de IA tienen una “incapacidad actual para citar las fuentes originales de los textos que genera” (Tenajas y Miraut, 2023: 232-233), lo cual dificulta la verificación de la exactitud y confiabilidad de la información. Sin embargo, no hay que perder de vista que, por otro lado, en el terreno económico y del desarrollo de estas tecnologías, las empresas tecnológicas invierten cifras millonarias para perfeccionar algoritmos y sistemas de lenguajes (Artificial Intelligence Index Report de la Universidad de Stanford 2025; Forbes, 2025) que superen retos que, hasta ahora, no han podido superar las inteligencias artificiales.

Esta falta de atribución verificable o de la referida verificación de la exactitud, es un caldo de cultivo para la desinformación a gran escala. De esta forma, la IAG puede generar lo que se conoce como alucinaciones (Artopulos y Lliteras, 2024), es decir, “información falsa o engañosa que puede ser difícil de distinguir de la información que se considera verdadera” (Artopoulus y Lliteras, 2024, párr. 2). Además, los modelos de IA amplifican sesgos algorítmicos existentes. En el ecosistema informativo actual, estos modelos generativos permiten crear manipulaciones hiperrealistas, conocidas como deepfakes (Sánchez-Acedo et al., 2024). Esto implica noticias e informaciones falsas que, al ser creadas por IAGen, dificultan la corroboración de su legitimidad. Por ello, se ha investigado y puesto en el horizonte la idea que la alfabetización en IA “posibilitará la identificación de deepfakes” (Barrios y Carazas, 2025: 6). El desarrollo de este tipo de alfabetización está en muchos sentidos, ligado al fomento del pensamiento crítico. La investigación ha demostrado que “existe una relación positiva y significativa entre el nivel general de pensamiento crítico y las diferentes dimensiones de la Alfabetización en IA” (Santana y Romero, 2024: 315). Los estudiantes con mayores habilidades de pensamiento crítico tienden a obtener un mejor desempeño en las áreas de conocimiento, aplicación, evaluación (Santana y Romero, 2024) y uso ético de la IA. De hecho, se ha observado con Barrios y Carazas (2025) un “impacto positivo significativo tanto en la adaptabilidad como en el pensamiento crítico” (p. 6).

Pareciera que, para apoyar esta sinergia entre la tecnología y el pensamiento crítico, la pedagogía que emerga, particularmente desde las ciencias sociales y humanidades, debe enfocarse en la detección práctica de alucinaciones y sesgos. Algunos autores han argumentado que este es el “punto neurálgico de la alfabetización crítica en IA” (Artopoulus y Lliteras, 2024: 9). Para lograrlo, se propone la necesidad de una “pedagogía de la descajanegrización” (Artopoulus y Lliteras, 2024: párr. 3). Este constructo que proviene del inglés blackboxing, describe cómo una tecnología se vuelve opaca o invisible a medida que se “estabiliza y es aceptada por la sociedad” (Artopoulus y Lliteras, 2024: párr. 1). Si bien este es un constructo que puede ser válido, a nuestro parecer, podría hablarse más de desmitificar la IA o incluso de alfabetizar críticamente en su uso. La implementación de estrategias que fortalezcan la resiliencia y el pensamiento crítico (Wang et al., 2025), junto con el desarrollo de pautas para el uso ético de la IA generativa (Jin et al., 2025), parecieran ser pasos importantes para formar una ciudadanía digital responsable y capaz de manejar los desafíos de un mundo cada vez más cargado de información/desinformación y con visibles distorsiones cognitivas de la realidad (Sánchez-Acedo et al., 2024).

La necesidad y el propósito de una alfabetización crítica en inteligencia artificial en las CC. SS. y HH., se fundamenta en la protección de la integridad disciplinaria y el fomento de habilidades cognitivas superiores frente a los riesgos inherentes de la IAGen, considerada una necesidad básica particularmente para las y los universitarios (Ngo y Hastie, 2025). Este tipo de alfabetización resulta esencial para estas áreas debido a que se enfoca en la evaluación crítica y las consideraciones éticas de la tecnología (Barrios y carazas, 2025: 5) componentes cruciales para disciplinas basadas en el análisis contextual, ético y la producción cultural. Los motivos para esta urgencia radican en diversos desafíos que se sintetizan en la Figura 1, en donde la desmitificación de la IA, el pensamiento crítico y la evaluación de la información, así como la aplicación de criterios de uso y control de la IA, el diseño de tácticas y estrategias en la incorporación de la IA a los procesos de trabajo humano, incidirían en los problemas que se representan a través de dicha figura de manera periférica: ausencia de pensamiento crítico y evaluación de la información, distorsión cognitiva de la realidad, información falsa o engañosa así como deepfakes, alucinaciones y claridad en las fuentes de información utilizadas.

La alfabetización crítica en IA no se limita a la adquisición de habilidades instrumentales, sino que implica rediseñar los procesos de enseñanza-aprendizaje. Desde la educación en CC. SS. y HH., esto puede traducirse en prácticas pedagógicas donde el aula se convierta en un laboratorio de análisis digital: un espacio donde se problematizan los discursos automatizados y se cultiva la comprensión ética y contextual de la información.

Una nueva cultura académica en un nuevo escenario educativo

Hasta este punto todo se observa caótico con la llegada de la IA a la vida académica, sin embargo, no es así. Utilizar críticamente la IA implica reconocer el potencial de estas tecnologías para desarrollar habilidades cognitivas de los seres humanos y no solo la pericia y eficiencia técnica y procesual de las IA. El reto verdadero se encuentra en reconocer qué rutas epistémicas tomar cuando de construir el conocimiento se habla, pues en la compleja tarea de enseñar y aprender, hay prácticas que devienen en hábitos, los cuales podrían ayudar a la emancipación o la dependencia humana sobre los LLM/IAGen.

En tal sentido, la exploración de una alfabetización crítica en el uso de IA que dé paso al ejercicio del pensamiento reflexivo, podría ser una alternativa en el aula, aunado a la incorporación de estrategias y tácticas en su aprovechamiento, por ejemplo, en el entrenamiento de asistentes virtuales que ejerciten el pensamiento humano. Se podría solicitar, bajo el diseño de instrucciones (prompt) la sugerencia de estructuración de planeaciones didácticas que incentiven el pensamiento crítico, el diseño de un plan detallado de aprendizaje de un idioma, la elaboración de tareas repetitivas sin sentido, entre otros usos, podrían considerarse dentro de la alfabetización crítica en el uso de IA.

Otros usos derivados en la integración de la IA en la enseñanza, puede ser en el ámbito investigativo, lo que supondría utilizarla no solo como herramienta de búsqueda, sino como objeto de análisis y facilitadora de complejos procesos vinculados a la formación y el propio quehacer investigativo.

De los usos y aplicaciones pedagógicos de la IA: el caso de la enseñanza de la investigación

Pedir a las y los estudiantes que contrasten los resultados de una revisión automatizada con bases académicas verificadas puede convertirse en una práctica de alfabetización crítica, en la que se aprenda a evaluar la fiabilidad, los sesgos y las lagunas de la información generada por sistemas automáticos, pero también y por ejemplo, el entrenamiento del razonamiento lógico a partir del diseño de un asistente de IA, todos ejemplos del uso didáctico con un propósito pedagógico de las inteligencias artificiales generativas que deberán ser esclarecidos por las y los docentes.

Hablar de usos de la IA en el ámbito educativo universitario, tal como se ha planteado arriba, demanda de una serie de decisiones del orden político, pedagógico, técnico y ético, en razón de lo cual, las instituciones tendrían que definir lo siguiente:

a) Marco normativo o regulador: establecer lineamientos o criterios institucionales que orienten las decisiones colegiadas para incorporar la IAGen a la enseñanza y el aprendizaje, en el entendido de procurar un marco de referencia en donde el uso responsable y apegado a una integridad académica, faculte a los agentes educativos al uso correcto y ético de cualquier aplicación de IA que se incorpore al proceso educativo.

Al respecto de lo anterior, existen documentos de avanzada que vienen nombrando el tipo de acciones que las comunidades académicas y estudiantiles deben emprender cuando de utilizar inteligencias artificiales generativas, se habla, tal como se muestra en la tabla 1.

b) Definir un decálogo o manual de buenas prácticas pedagógicas para el uso de la IAGen por parte de estudiantes, docentes e investigadores. Corresponde a la comunidad universitaria, a partir del marco normativo, definir un decálogo de aquellas prácticas de enseñanza, aprendizaje e investigación que deben cumplirse como parte de una cultura y comunidad universitaria responsable y apegada a derecho, algunos ejemplos sobre el uso didáctico de ciertas herramientas de IAGen, se muestra en la tabla 2.

Un aspecto que comienza a cobrar relevancia en las discusiones contemporáneas sobre inteligencia artificial generativa en la educación superior, es la necesidad de que las comunidades académicas y/o epistémicas definan, desde sus propios marcos disciplinares, cuáles son las herramientas de IA que mejor contribuyen al aprendizaje de las y los estudiantes, al quehacer del profesorado y las prácticas investigativas de la universidad. Esta tarea no es menor, pues la velocidad con que surgen y se transforman las aplicaciones dificulta dar seguimiento y establecer criterios estables de evaluación. Sin embargo, más que asumir una postura meramente reactiva ante la avalancha tecnológica, podría ser oportuno que las instituciones y cuerpos académicos construyan catálogos deliberados de tipos y usos de IA, atendiendo a los objetivos pedagógicos, epistemológicos y éticos de cada campo de conocimiento.

Dicho ejercicio permitiría caracterizar las IAGen según su función educativa: aquellas que se emplean para producir contenidos, como ChatGPT, Claude o Copilot, que pueden asistir en la redacción, síntesis o diseño de materiales didácticos; las que facilitan la sistematización y análisis de información, como Elicit, Perplexity o Scite que permiten organizar fuentes académicas, generar estados del arte y evaluar la calidad de la evidencia científica; y las que promueven el aprendizaje autónomo y personalizado, como NoteBookLM o Khanmigo, capaces de acompañar al estudiante en procesos de lectura crítica, comprensión de conceptos o planeación de proyectos. Esta clasificación no buscaría limitar el uso de las herramientas, sino situarlas críticamente en las dinámicas concretas del aprendizaje universitario, donde su adopción debería estar guiada por criterios de pertinencia disciplinar, desarrollo de pensamiento crítico y fortalecimiento de la autonomía intelectual.

Así, resulta imprescindible determinar pedagógica y didácticamente el tipo de uso que puede darse a las IAGen empleadas en la producción de recursos educativos, en la elaboración de evidencias de aprendizaje y en los procesos que caracterizan la investigación disciplinar. No basta con incorporar estas tecnologías como herramientas auxiliares: es necesario situarlas dentro de una intencionalidad formativa que dé sentido a su utilización y que favorezca la adquisición de competencias críticas, metodológicas y éticas, recordando que hay desplazamientos, particularmente aquellos que responda a la pregunta ¿qué enseñar y evaluar hoy?

Desde esta perspectiva, las buenas prácticas pedagógicas implican delimitar con claridad qué tareas pueden apoyarse en la IA, bajo qué criterios y con qué propósitos formativos. Por ejemplo, las herramientas de IAGen orientadas a la producción de recursos pueden servir para elaborar guías, presentaciones o materiales didácticos, siempre que el docente promueva la revisión, edición y apropiación del contenido por parte de las y los estudiantes. En cuanto a la elaboración de evidencias de aprendizaje, plataformas como Canva, MagicWrite, Gamma App o Notion AI permiten a los alumnos generar productos comunicativos más elaborados (infografías, resúmenes, presentaciones o esquemas conceptuales) pero su uso debe enmarcarse en un proceso de reflexión sobre autoría, originalidad y pensamiento propio.

Respecto a los procesos de investigación disciplinar, las IAGen pueden emplearse como apoyo en la búsqueda, sistematización y validación de fuentes. Al respecto, las universidades y centros educativos tendrán que apelar a sus comunidades académicas para que, al partir de lo heurístico, pueden definirse los caminos por los cuales orientar la enseñanza-aprendizaje. Particularmente quienes este texto escribe, han comenzado a guiar/orientar estos procesos a partir de diversas tácticas y estrategias que pudieran más tarde sistematizarse para ir reconociendo aquellas experiencias que van resultando en procesos humanos exitosos en el aprendizaje con este tipo de tecnologías. Por ejemplo, en cuanto a la enseñanza-aprendizaje de la investigación, uno de los ejercicios promovidos desde las aulas es el rastreo, sistematización y validación de fuentes académicas, siempre bajo una orientación metodológica. La experiencia lograda desde esta estrategia de uso de la IAGen es que las y los estudiantes aprenden a utilizar herramientas como Perplexity o Elicit con criterios preliminares de rastreo y evaluación de información, bajo la premisa de potenciar su capacidad de discriminar evidencias, contrastar perspectivas y construir una aproximación conceptual más rigurosa.

Un ejercicio de emancipación intelectual

Pensar la IA desde las ciencias sociales y humanas implica reconocer que su emergencia no solo transforma las prácticas productivas o comunicativas, sino también las estructuras epistemológicas con las que comprendemos el conocimiento y la misma condición humana. La expansión de las inteligencias artificiales generativas (con todo y sus promesas de eficiencia, creatividad y automatización) ha tensionado los fundamentos de la educación universitaria, en tal sentido, ha evidenciado la necesidad urgente de una alfabetización crítica que permita leer, interpretar y actuar frente a los sistemas algorítmicos con conciencia ética y capacidad de discernimiento.

De esta forma, la educación no puede limitarse a enseñar el uso técnico de estas herramientas. Lo que se requiere es la formación de sujetos capaces de comprender los marcos culturales, económicos y políticos que las producen y sostienen. En tal sentido, la alfabetización crítica en IA debe asumirse como un ejercicio de emancipación intelectual que habilite a las y los estudiantes a reconocer los sesgos, limitaciones y narrativas ideológicas que subyacen en los sistemas automatizados de información. Así, la alfabetización no se opone a la innovación tecnológica, sino que busca inscribirla en un horizonte ético y humanista, donde la tecnología esté al servicio de la vida y no a la inversa.

Las ciencias sociales y las humanidades, lejos de ser ámbitos desplazados por la tecnociencia, encuentran en este escenario la posibilidad de reafirmar su valor social y epistémico. El reto no es sólo integrar las IA a las aulas, también se encuentra en repensar las aulas a la luz de la IA: convertirlas en espacios de deliberación, análisis y producción de sentido frente a un entorno donde la información se automatiza, pero la comprensión sigue siendo profundamente humana.

Alfabetizar críticamente en IAG en las ciencias sociales y humanas se reconoce como un compromiso pedagógico y ético para la educación del siglo XXI. Más que adaptarse pasivamente al cambio tecnológico, se trata de orientar ese cambio hacia la construcción de una ciudadanía digital capaz de discernir, cuestionar y crear con responsabilidad. El pensamiento crítico, entendido como praxis reflexiva y transformadora, se vuelve así el eje que articula la formación universitaria en tiempos de IA.

---

Fuentes

• Artopoulos, A., y Lliteras, A. (2024). Alfabetización crítica en IA. Trayectorias Universitarias, 10(19), 168. https://doi.org/10.24215/24690090e168
• Barrios Tao, H., Díaz, V., y Guerra, Y. (2020). Subjetividades e inteligencia artificial: desafíos para ‘lo humano’. Verdad, (47). https://www.redalyc.org/journal/2911/291166073004/html/
• Bender, E., Gebru, T., McMillan-Major, A., y Smitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Conference on Fairness, Accountability, and Transparency (FAccT ’21), 14. https://s10251.pcdn.co/pdf/2021-bender-parrots.pdf
• Bruderer, H. (2016). The Birth of Artificial Intelligence: First Conference on Artificial Intelligence in Paris in 1951? En IFIP advances in information and communication technology (pp. 181-185). https://doi.org/10.1007/978-3-319-49463-0_12
• Corrales-Serrano, M., Sánchez-Martín, J., Moreno Losada, J., y Francisco Zamora Polo. (2024). ¿Una crisis silenciosa de las humanidades y las ciencias sociales? Análisis filosófico en tres autores relevantes y consecuencias pedagógicas. Foro De Educación, 103–122. https://forodeeducacion.com/ojs/index.php/fde/article/view/626
• Forbes. (2025, 17 septiembre). La inversión en IA supera los 124.000 millones de dólares, según McKinsey & Company. Forbes España. https://forbes.es/economia/798617/la-inversion-en-ia-supera-los-124-000-millones-de-dolares-segun-mckinsey-company/
• Fradkov, A., y Shepeljavyi, A. (2022). The history of cybernetics and artificial intelligence: a view from Saint Petersburg. Cybernetics And Physics, 11(4), 253-263. https://doi.org/10.35470/2226-4116-2022-11-3-253-263
• Frumin, I., Vorochkov, A., y Kiryushina, M. (2026). Mapping the generative AI research in higher education: 2022–2024 insights. Higher Education Quarterly. https://doi.org/10.1111/hequ.70075
• Gómez-Chacón, I. (2022). Sentido de la vida y matematización de la cultura. Pensamiento Revista de Investigación E Información Filosófica, 78(298 S. Esp), 595-614. https://doi.org/10.14422/pen.v78.i298.y2022.018
• Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org/
• Hassabis, D., Kumaran, D., Summerfield, C., y Botvinick, M. (2017). Neuroscience-Inspired artificial intelligence. Neuron, 95(2), 245–258. https://doi.org/10.1016/j.neuron.2017.06.011
• Hubert, K. F., Awa, K. N., y Zabelina, D. L. (2024). The current state of artificial intelligence generative language models is more creative than humans on divergent thinking tasks. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-53303-w
• Jin, Y., Yan, L., Echevarria, V., Gasevic, D., y Martinez, R. (2025). Generative AI in higher education: A global perspective of institutional adoption policies and guidelines. Computers and Education: Artificial Intelligence, 8. https://doi.org/10.1016/j.caeai.2024.100348
• Jurafsky, D. y Martin, J. (2023). Speech and Language Processing. Pearson. https://web.stanford.edu/~jurafsky/slp3/
• Lake, B. M., Ullman, T. D., Tenenbaum, J. B., y Gershman, S. J. (2016). Building machines that learn and think like people. Behavioral And Brain Sciences, 40. https://doi.org/10.1017/s0140525x16001837
• LeCun, Y., Bengio, Y., y Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
• Liu, B. L., Morales, D., Roser Chinchilla, J. F., Sabzalieva, E., Valentini, A., Vieira Do Nascimento, D., Yerovi, C., UNESCO, y IESALC. (2023). Oportunidades y desafíos de la era de la inteligencia artificial para la educación superior. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000386670_spa
• Luo, Y., Zhou, G., y Cui, Y. (2026). Understanding generative artificial intelligence adoption in higher education faculty. Education and Information Technologies. https://doi.org/10.1007/s10639-025-13885-y
• Morales Jasso, G., Morales Aguilar, G., Bañueos, V. (2024). Oportunidades para las Ciencias Sociales y las Humanidades en tiempos de crisis. Revista Sarance, (51), 40-65. https://doi.org/10.51306/ioasarance.051.03
• Natale, S., y Ballatore, A. (2017). Imagining the thinking machine: Technological myths and the rise of artificial intelligence. Convergence, 26(1), 3-18. https://doi.org/10.1177/1354856517715164
• Ngo, T., y Hastie, D. (2025). Artificial Intelligence for Academic Purposes (AIAP): Integrating AI literacy into an EAP module. English for Specific Purposes, 77, 20-38. https://doi.org/10.1016/j.esp.2024.09.001
• Nussbaum, M. (2010). Sin fines de lucro. Por qué la democracia necesita de las humanidades. Katz Editores.
• Ordine, N. (2013). La utilidad de lo inútil. Manifiesto. Acantilado.
• Palomar-Torralbo, A. (2018). El valor cultural del arte en la época de la barbarie: la fenomenología estética de Michel Henry. Estudios de Filosofía, (58), 143–167. https://doi.org/10.17533/udea.ef.n58a07
• Sánchez-Acedo, Carbonel-Alcocer, A., Gertudix, M. y Rubio-Tamayo, J. (2024). The challenges of media and information literacy in the artificial intelligence ecology: deepfakes and misinformation. Communication & Society, 37(4), 223-239. https://doi.org/10.15581/003.37.4.223-239
• Santana, H. y Romero Maza, L. A. (2024). Relación entre alfabetización en inteligencia artificial (IA) y pensamiento crítico en futuros docentes. Congreso Internacional Ideice Volumen 15 (pp. 311–318). https://doi.org/10.47554/cii.vol15.2024.pp311-318
• Strubell, E., Ganesh, A. y McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. arXiv. https://arxiv.org/abs/1906.02243
• Tenajas, R. y Miraut, D. (2023). El pulso de la Inteligencia Artificial y la alfabetización digital en Medicina: Nuevas herramientas, viejos desafíos. Rev Med Hered., 34, 232-233. https://doi.org/10.20453/rmh.v34i4.5153
• The 2025 AI Index Report Stanford HAI. https://hai.stanford.edu/ai-index/2025-ai-index-report
• Wang, X., Gao, Y., Wang, Q. y Zhang, P. (2025). Fostering Engagement in AI-Mediate Chinese EFL Classrooms: The Role of Classroom Climate, AI Literacy, and Resilience. European Journal of Education, 60(1). http://dx.doi.org/10.1111/ejed.12874