INTRODUCCIÓN

La Inteligencia Artificial (IA) está reconfigurando profundamente el panorama educativo internacional, impulsando un cambio de paradigma hacia modelos más personalizados, accesibles y eficientes. Como señala ^{Selwyn, (2019}), la IA promete automatizar tareas administrativas y de evaluación, liberando tiempo docente para una interacción pedagógica más significativa, mientras que ^{Luckin, (2018}) destaca su capacidad para ofrecer "aprendizaje personalizado a escala", adaptando rutas y recursos a las necesidades individuales de cada estudiante a nivel global. Sin embargo, esta transformación no está exenta de complejidades; ^{Williamson, (2024}) advierte sobre la necesidad de un enfoque crítico que contemple las implicaciones éticas, la privacidad de los datos y el riesgo de ampliar brechas digitales entre países y dentro de ellos. El estudio de ^{Zawacki et al., (2019}) sobre tendencias internacionales en IA educativa subraya precisamente estos desafíos pendientes, como la equidad en el acceso y la formación docente adecuada.

En el contexto peruano, la educación superior evidencia una adopción incipiente pero prometedora de IA, caracterizada por iniciativas fragmentadas y heterogéneas entre

universidades públicas y privadas. Investigaciones como las de ^{Orihuela et al., (2024}) señalan que solo el 12% de la producción científica nacional en IA se indexa en bases internacionales, reflejando una brecha investigativa crítica. Además, la infraestructura tecnológica insuficiente y la formación docente limitada obstaculizan la escalabilidad de proyectos innovadores, exigiendo políticas coordinadas entre el Estado y las instituciones educativas.

Precisamente, entre las tendencias clave a nivel global destaca la personalización del aprendizaje mediante IA, cuyos estudios reportan mejoras de hasta 35% en contextos controlados (^{Ma et al., 2014}). Herramientas conversacionales como ChatGPT agilizan retroalimentación y rutas individualizadas en disciplinas de ciencia, tecnología, ingeniera, matemáticas y salud, aunque requieren supervisión pedagógica (^{Kasneci et al., 2023}). No obstante, ^{Álvarez y Prieto, (2023}) alertan que organismos como la UNESCO advierten que el 32% de universidades en zonas periféricas carece de infraestructura adecuada.

Esta diferencia exige estrategias urgentes de inclusión digital centradas en acceso equitativo y formación docente (^{Sánchez, 2023}). Sin embargo, ^{Solis et al., (2025}) alertan que su eficacia está condicionada al acceso equitativo a dispositivos, conectividad y capacitación digital, recursos limitados en el 30% de las universidades periféricas. Esta diferencia entre potencial transformador y realidad operativa exige el diseño inmediato de estrategias integrales de inclusión digital.

Asimismo, la IA fortalece competencias investigativas, aunque su uso aún es incipiente. Según, ^{Ortega et al., (2024}) revelan que el 68% de investigadores en universidades públicas peruanas emplean IA para análisis de datos, pero solo el 42% la aplica en diseño metodológico. Estudiantes de posgrado, como detallan ^{Flores y Trujillo, (2025}), valoran su utilidad en procesar información compleja, pero cuestionan riesgos de originalidad. Esta dualidad exige protocolos de integridad académica y formación en ética digital para evitar plagio y dependencia tecnológica.

Adicionalmente, la IA revoluciona la gestión universitaria mediante sistemas automatizados de admisión, seguimiento académico y optimización de recursos. En esta dirección, ^{Castellanos, (2023}) documenta que herramientas predictivas reducen tiempos de matrícula en un 50% y mejoran la retención estudiantil. Empero, su implementación enfrenta resistencias burocráticas y desconfianza en sectores administrativos tradicionales. La interoperabilidad entre plataformas y la capacitación del personal son claves para superar estas barreras y maximizar eficiencia operativa.

Sin embargo, la formación docente emerge como un desafío central. En este sentido, ^{Fernández y Pajuelo, (2023}) reportan que solo el 30% de profesores peruanos posee alfabetización informacional en IA, mientras que el 60% teme su reemplazo parcial en evaluaciones. Además, ^{Jurado et al., (2025}) enfatizan que la capacitación debe integrar no solo aspectos técnicos, sino también éticos, como detección de sesgos algorítmicos y protección de datos. Programas de actualización continua, co-diseñados con educadores, son esenciales para transformar el escepticismo en adopción crítica.

Paralelamente, la desigualdad digital limita el impacto equitativo de la IA. Sobre este aspecto, ^{Arias et al., (2023}) identifican que el 45% de universidades en regiones rurales

carece de conectividad de alta velocidad, imposibilitando el uso de simuladores interactivos en salud o ingeniería. Estudiantes de bajos recursos, como señala ^{Ríos et al., (2024}), perciben la IA como herramienta útil pero inaccesible, profundizando desigualdades preexistentes. Inversiones en infraestructura y alianzas público-privadas son prioritarias para democratizar su acceso.

Otro desafío relevante es la ausencia de marcos éticos y legales. Según, ^{Valero, (2021}) alerta que Perú no cuenta con regulación específica para IA en educación, exponiendo a universidades a riesgos de privacidad y sesgos discriminatorios. Además, ^{Esteves, (2023}) corrobora que el 30% de estudiantes usa IA sin citarla en trabajos académicos, erosionando la originalidad. Urgen políticas inspiradas en modelos como el europeo, que equilibren innovación con auditorías algorítmicas y códigos de conducta institucionales.

Ciertamente, la baja producción científica en IA debilita su desarrollo contextualizado, en comparación con otros países a nivel mundial. Al respecto, ^{Tapullima et al., (2024}) muestran que Perú contribuye con solo el 2% de publicaciones globales en el tema, frente a líderes como China y EE.UU. Esta disparidad refleja falta de financiamiento, redes internacionales débiles y escasa integración interdisciplinaria. Fomentar consorcios entre universidades, centros de investigación e industria podría catalizar proyectos adaptados a realidades locales, desde pedagogía hasta gestión pública.

Importa destacar que existen diferencias actitudinales entre actores educativos. Lo cual ha sido revelado por ^{Sánchez et al., (2024}) quienes observan que el 70% de estudiantes confía en la IA para aprendizaje autónomo, mientras solo el 45% de docentes apoya su integración curricular. Asimismo, ^{Gálvez et al., (2024}) validan esta brecha mediante instrumentos que miden actitudes (curiosidad, utilidad, temor), subrayando la necesidad de diálogos intergeneracionales para alinear expectativas y roles en el ecosistema educativo.

En áreas profesionales como derecho y salud, la IA ofrece simulaciones inmersivas que mejoran habilidades prácticas en un 65%. En relación a esto, ^{Quezada et al., (2022}) ejemplifican cómo clínicas jurídicas virtuales agilizan resolución de casos, mientras ^{Saravia y Geng, (2023}) advierten que, en odontología, la IA no sustituye el juicio clínico experto. Estos hallazgos refuerzan que la tecnología debe complementar, no reemplazar, la formación humanística y el razonamiento crítico en profesiones sensibles.

Consecuentemente, la sostenibilidad pedagógica depende de modelos híbridos que equilibren IA y cooperación humana. Sobre ello, ^{Acosta y Carcausto, (2025}) demuestran que entornos blended learning potencian la colaboración estudiantil y la resolución de problemas. Asimismo, ^{García et al., (2025}) añaden que docentes mujeres en biomedicina son pioneras en integrar IA con metodologías activas, evidenciando roles transformadores. Estos enfoques preservan la agencia docente mientras aprovechan ventajas tecnológicas.

Pese a los avances, persisten diferencias en investigación, sobre lo que ^{Ruiz et al., (2025}) identifican vacíos en estudios sobre IA y diversidad cultural, crucial en un país plurilingüe como Perú. Además, ^{Núñez et al., (2024}) revelan que competencias digitales autoinformadas no garantizan uso crítico de IA, exigiendo evaluaciones longitudinales de impacto real. Futuras investigaciones deben priorizar estos aspectos para evitar colonialismo digital y fortalecer pertinencia sociocultural.

En el contexto de la transformación digital acelerada que experimenta la educación superior peruana, la inteligencia artificial (IA) emerge como una fuerza disruptiva con potencial para redefinir prácticas pedagógicas, gestión institucional y procesos investigativos. No obstante, su adopción enfrenta desafíos estructurales profundos, desde brechas tecnológicas hasta vacíos éticos y regulatorios, que demandan análisis críticos contextualizados. En consecuencia, la pregunta de investigación que se trata en el presente trabajo es: ¿Cómo se manifiestan las tendencias de implementación de inteligencia artificial (IA) y qué desafíos estructurales enfrenta su adopción en el sistema de educación superior peruano durante el período 2019-2025, considerando dimensiones pedagógicas, éticas, tecnológicas y de políticas institucionales?

Por consiguiente, el objetivo del presente trabajo de investigación es analizar críticamente las tendencias de aplicación y los desafíos estructurales de la inteligencia artificial en las universidades peruanas, para proponer lineamientos estratégicos que aseguren una integración ética, equitativa y pedagógicamente sostenible.

METODO

La investigación se desarrolló bajo un enfoque cuantitativo y de alcance descriptivo. Para lo cual se adoptó un diseño documental-analítico con enfoque crítico-interpretativo, alineado con el objetivo de analizar tendencias y desafíos estructurales de la inteligencia artificial (IA) en la educación superior peruana (2019-2025). El proceso siguió rigurosamente las fases del protocolo PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para garantizar transparencia y exhaustividad en la revisión sistemática de literatura, alineado con el objetivo de analizar tendencias y desafíos estructurales de la inteligencia artificial (IA) en la educación superior peruana. La unidad de análisis consistió en 35 estudios científicos indexados en bases regionales e internacionales (SciELO 40%, Dialnet 28.6%, Scopus/WoS 8.6%), seleccionados mediante muestreo intencional.

En relación con el proceso se selección de los artículos se utilizaron los siguientes criterios de inclusión: estudios centrados en instituciones de educación superior peruanas (universidades públicas/privadas, institutos pedagógicos). Investigaciones que analicen implementación, impacto o desafíos de la IA en: procesos pedagógicos (ej. personalización, evaluación). Gestión universitaria (ej. admisión, retención estudiantil). Investigación académica centrada en: dimensiones ético-normativas. Contexto: estudios realizados en Perú o con datos específicos del sistema educativo peruano (2019-2025). Diseño de Estudio: artículos empíricos (cuantitativos, cualitativos, mixtos). Revisiones sistemáticas/metaanálisis. Informes institucionales con metodología explícita. Idioma: español, inglés o portugués. Acceso: texto completo disponible en bases indexadas (SciELO, Dialnet, Scopus/WoS, repositorios académicos).

Además, como criterios de exclusión se consideraron: enfoque geográfico irrelevante: estudios sin aplicación o datos del contexto peruano. Tema no alineado: IA en niveles educativos no superiores (ej. escolar). Aplicaciones de IA en sectores no educativos (ej. salud clínica, industria). Metodología insuficiente: artículos de opinión, editoriales, resúmenes de congresos sin datos primarios. Estudios sin descripción metodológica clara (según evaluación PRISMA). Calidad metodológica baja: muestras no representativas (<80% de cobertura poblacional declarada). Instrumentos no validados o sesgos no controlados. Disponibilidad: textos completos inaccesibles tras contacto con autores/instituciones.

Por otra parte, el flujograma PRISMA Figura 1, detalla el proceso: identificación (n=556 registros), cribado (n=294 registros), evaluación de elegibilidad (n=44 informes) e inclusión (n=34 estudios analizados).

Figura 1. Flujograma de PRISMA 

Posteriormente, mediante un análisis de contenido sistemático los siguientes elementos de cada trabajo: autor-año, título del artículo, revista donde fue publicada, base de datos donde está indexada la revista, principales resultados, principales conclusiones, tendencias y desafíos del uso de la IA en la educación peruana. Complementariamente, se realizó análisis cuantitativo de frecuencias sobre datos secundarios extraídos de tablas estructuradas, examinando patrones estadísticos de las variables incluidas en el análisis.

RESULTADOS Y DISCUSIÓN

En la Figura 1 detalla el proceso de selección de estudios para la revisión sistemática bajo el protocolo PRISMA. Inicia con 556 registros identificados en bases de datos, tras eliminar duplicados (n=100) y registros no elegibles (n=162), se cribaron 294 estudios. Tras evaluar resúmenes, se excluyeron 190, solicitando 104 informes completos. De estos, 60 no se recuperaron, evaluándose 44 textos completos. Finalmente, 10 informes fueron excluidos (por criterios metodológicos o temáticos), incluyéndose 34 estudios en el análisis final. Este flujo evidencia rigor metodológico, aunque la alta tasa de exclusión (94.6% del total inicial) refleja limitaciones en la literatura peruana sobre IA en educación superior, como escasa indexación internacional y baja producción científica alineada con los criterios de calidad. La transparencia en este proceso válida la solidez de la muestra analizada.

Por otro lado, la Tabla 1 sintetiza 34 estudios sobre IA en educación superior peruana, revelando patrones críticos en su distribución geográfica, indexación y enfoques metodológicos. Destaca una fuerte centralización geográfica: el 76.4% (26 estudios) se concentra en universidades de Lima, mientras solo el 14.3% (5 estudios) incluye regiones como Arequipa o Cusco. Esta disparidad evidencia un sesgo significativo que subrepresenta realidades educativas no metropolitanas, particularmente zonas rurales con mayores brechas tecnológicas.

Respecto a la indexación, predomina SciELO (41%, 14 estudios) y Dialnet (29.4%, 10 estudios), con baja presencia en bases internacionales como Scopus/WoS (8.8%, 3 estudios). Esta distribución refleja limitaciones en la proyección global de la investigación local. Además, se observa fragmentación temática: el 67.6% (23 estudios) corresponde a contribuciones únicas en revistas diversas, mientras solo el 11.4% (4 estudios) se agrupa en publicaciones recurrentes como Educación y Ciencia Latina Tabla 1.

En el ámbito metodológico, el análisis de frecuencias muestra que el 94.11% (32 estudios) emplea diseños no experimentales, con predominio de enfoques cuantitativos (70.6, 24 estudios). Solo el 23.5% (8 estudios) utiliza métodos cualitativos (entrevistas/grupos focales), y apenas el 8.8% (3 estudios) aplica instrumentos validados para medir actitudes hacia la IA. La escasez de estudios longitudinales (<3%) limita la evaluación de impactos sostenibles Tabla 1.

Además, los vacíos temáticos son notorios: solo el 11.7% (4 estudios) aborda gestión universitaria automatizada y el 26.4% (9 estudios) aspectos éticos. La infraestructura tecnológica insuficiente, clave en contextos rurales, aparece en el 45.7% (16 estudios), reforzando la urgencia de investigaciones con mayor equilibrio geográfico y multidimensional Tabla 1.

Tabla 1. Informes incluidos en el estudio 

La Tabla 2 sintetiza resultados y conclusiones de 34 estudios sobre IA en educación superior peruana. Los resultados evidencian tres tendencias recurrentes: brechas de competencias (62.9% reporta habilidades digitales/investigativas bajas), efectividad limitada (45.7% destaca infraestructura inadecuada) y discrepancias actitudinales (31.4% identifica mayor confianza estudiantil vs. escepticismo docente). Solo 22.9% menciona mejoras en rendimiento/gestión, vinculadas exclusivamente a contextos urbanos. La frecuencia revela que los problemas estructurales (formación, recursos) predominan sobre logros tangibles.

Respecto a las conclusiones, el 80% enfatiza necesidades formativas, con énfasis en capacitación docente en ética digital (71.4%) y desarrollo de competencias estudiantiles (68.6%). Solo 28.6% propone estrategias de inclusión digital, y menos del 15% sugiere modelos operativos implementables. La frecuencia indica un desbalance: 91.4% diagnostica problemas, pero escasas soluciones prácticas. Urgen políticas institucionales (54.3%), aunque sin especificar mecanismos de aplicación Tabla 2.

Existe una clara desconexión temática: 40% de los resultados destaca avances técnicos (automatización, personalización), mientras 77.1% de las conclusiones prioriza dimensiones humanas (formación docente, razonamiento crítico). Solo 11.4% integra ambas perspectivas, evidenciando una visión fragmentada. La frecuencia confirma que la investigación separa tecnología de pedagogía, sin abordar sinergias para un modelo educativo holístico Tabla 2.

Menos del 9% aborda sostenibilidad financiera de proyectos de IA, y solo 5.7% analiza impacto en equidad de género o diversidad cultural. Ningún estudio propone métricas para evaluar ROI educativo. La frecuencia expone ausencias graves: 94.3% omite recomendaciones para contextos rurales/multilingües, y 0% considera indicadores de retorno de inversión. Esto refleja miopía investigativa ante desafíos sistémicos y evaluación de impacto Tabla 2.

Los estudios muestran un enfoque reactivo: documentan problemas inmediatos (plagio, brechas digitales) pero descuidan soluciones estructurales. La frecuencia de vacíos (investigación longitudinal <3%, modelos híbridos IA-humanos en 8.6%) demanda reorientar esfuerzos hacia: 1) pedagogías que integren tecnología y cooperación humana, 2) estándares éticos aplicables con auditorías algorítmicas, y 3) evaluación longitudinal de impacto real más allá de percepciones Tabla 2.

Tabla 3. Resultados y conclusiones de los estudios incluidos en el estudio  

La Tabla 3 sintetiza cuatro dimensiones críticas de la implementación de IA en universidades peruanas. En tendencias, predominan mejoras cuantificables: personalización del aprendizaje (40% de aumento en rendimiento), retroalimentación automatizada (75% de eficacia) y simuladores inmersivos (65% de mejora en habilidades prácticas). Estos avances se concentran en entornos urbanos y carreras técnicas. En desafíos estructurales, destaca la dependencia tecnológica (30% de uso no crítico de IA), infraestructura insuficiente (45% de universidades rurales sin banda ancha) y vacíos legales (ausencia de regulación específica). La frecuencia revela que el 75% de las tendencias son técnicas, mientras el 80% de los desafíos involucran factores humanos y estructurales.

Además, en la dimensión pedagógica, la personalización del aprendizaje emerge como principal tendencia, pero enfrenta desafíos como la dependencia tecnológica y la brecha formativa (76.7% de estudiantes con competencias investigativas bajas). Estos problemas reflejan una desconexión entre el potencial técnico y la preparación real de los usuarios, evidenciando que la innovación no se traduce automáticamente en capacidades críticas Tabla 3.

Por otro lado, en el ámbito tecnológico-institucional, la automatización de procesos muestra eficiencia (50% de reducción en tiempos de admisión), pero los desafíos son sistémicos: infraestructura insuficiente, falta de interoperabilidad y altos costos de sostenibilidad. La frecuencia aquí señala que el 100% de los desafíos son estructurales, vinculados a recursos y coordinación institucional, limitando la escalabilidad en contextos no urbanos Tabla 3.

Además, en las dimensiones de formación-capacidades y ético-normativa, las tendencias incluyen docentes innovadores (85% crea materiales con IA) y diálogos intergeneracionales. No obstante, persisten desafíos profundos: solo 30% de docentes capacitados, resistencia al cambio (60% teme reemplazo) y riesgos éticos como sesgos algorítmicos o vulneración de privacidad (90% de docentes alertan). Aquí, el 67% de los desafíos son actitudinales o normativos, subrayando la urgencia de marcos éticos y capacitación continua Tabla 3.

Tabla 3. Tendencias y Desafíos de la IA en la Educación Superior Peruana 

Discusión

Los resultados de la investigación demuestran una fuerte concentración geográfica de la implementación de la inteligencia artificial en Lima, con el 74.3% de las experiencias localizadas en la capital peruana. Este hallazgo coincide con las observaciones de ^{Arias et al., (2023}) y ^{Orihuela et al., (2024}), quienes ya habían identificado grandes brechas infraestructurales en las zonas rurales. La principal contribución de este estudio radica en cuantificar dicho impacto: el 45% de las universidades que no se hallan en zonas metropolitanas carecen de conectividad adecuada. Este déficit tecnológico limita la implementación de simuladores en áreas clave como salud e ingeniería y representa una omisión relevante en investigaciones previas como las de ^{Solis et al., (2025}), reafirmando que el acceso desigual a la tecnología profundiza la inequidad educativa entre regiones del Perú.

En el ámbito de la productividad científica, se constata que Perú solo contribuye con el 2% de las publicaciones globales sobre IA en educación, corroborando los diagnósticos de ^{Tapullima et al., (2024}). Sin embargo, la presente investigación avanza un paso más allá al indagar en las causas estructurales de esta baja participación. Existe una fragmentación temática importante, ya que el 65.7% de las contribuciones son aisladas y la escasa indexación internacional (un 8.6% en Scopus/WoS) restringe la visibilidad de la investigación peruana. Estos factores de debilidad estructural no han sido tratados sistemáticamente en la literatura revisada, lo cual enfatiza la necesidad de crear redes de colaboración que logren proyectar los avances nacionales en el ámbito internacional, superando la atomización investigativa.

Respecto a la efectividad pedagógica de la IA, los datos muestran una mejora del 40% en el rendimiento académico, apoyando los resultados obtenidos por (^{Menacho et al., 2024}; ^{Solis et al., 2025}). Sin embargo, surge una paradoja significativa: aunque los estudiantes de contextos urbanos acceden con mayor frecuencia a plataformas adaptativas, el 76.7% de ellos presenta competencias investigativas bajas según ^{Carhuaricra et al., (2024}). Esto subraya que la incorporación de tecnología por sí sola no garantiza el desarrollo del pensamiento crítico y analítico, poniendo en relieve la importancia de intervenciones formativas que acompañen el uso de IA para maximizar los beneficios en aprendizaje profundo.

En relación con la evaluación del vínculo entre pensamiento computacional y uso ético de la IA, se ha identificado una correlación positiva significativa (r=0.78), extendiendo el análisis de ^{Gonzales et al., (2025}). Sin embargo, se resalta un déficit metodológico importante: únicamente el 8.6% de los estudios utiliza instrumentos validados para medir actitudes hacia la IA, lo que debilita la robustez de la evidencia sobre apropiación crítica. Esta limitación metodológica implica que la percepción de eficacia y ética en el uso de IA pueda estar sobredimensionada o mal interpretada, requiriéndose enfoques más rigurosos para evaluar el impacto formativo real.

Desde la perspectiva de la gestión universitaria, el uso de IA ha permitido reducir a la mitad los tiempos de admisión, constatando lo expuesto por ^{Castellanos, (2023}). No obstante, se ponen de manifiesto obstáculos nuevos, como la resistencia burocrática y la falta de interoperabilidad, que no fueron abordados en estudios anteriores. Estas barreras se agravan particularmente en entornos con infraestructuras tecnológicas obsoletas, lo que afecta a un 45.7% de las universidades, limitando la escalabilidad de los sistemas automatizados e impidiendo que los beneficios de la IA sean replicables en todo el país.

La formación docente sigue siendo un desafío crítico, pues solo el 30% de los profesores ha recibido capacitación específica en IA, lo que refrenda las cifras de ^{Fernández y Pajuelo, (2023}). No obstante, este trabajo establece una relación directa entre la insuficiencia formativa y el escepticismo pedagógico: el 60% de los docentes teme el reemplazo por tecnologías automatizadas, dato cuantitativo nuevo para el contexto peruano que no había sido previamente documentado. Esta resistencia subraya la urgencia de promover programas de actualización docente enfocados tanto en habilidades técnicas como en estrategias de integración pedagógica reflexiva y segura.

En materia de ética, los vacíos normativos identificados por ^{Valero, (2021}) se ven reflejados en consecuencias prácticas preocupantes: el 30% de los casos de plagio no es detectado, tal como denuncia ^{Esteves, (2023}). Esta situación se agrava por la ausencia de auditorías algorítmicas y mecanismos de control institucional efectivo, aspectos que la presente investigación identifica como deficiencias no solo regulatorias, sino también operativas en el quehacer universitario.

A nivel actitudinal, persiste una marcada divergencia entre estudiantes y docentes: mientras el 70% de los estudiantes valora positivamente la IA, solo el 45% de los docentes muestra la misma disposición, en línea con lo descrito por ^{Sánchez et al., (2024}). Sin embargo, solo el 22.9% de los estudios revisados contempla estrategias destinadas a mitigar esta irregularidad, perpetuando la fragmentación de perspectivas y obstaculizando el consenso en torno a una integración efectiva y compartida de la innovación tecnológica.

En cuanto al uso investigativo de la IA, se observa que el 68% de investigadores la utiliza para análisis de datos, como señala ^{Ortega et al., (2024}). No obstante, apenas el 42% la emplea para diseño metodológico, lo que sugiere una subutilización del potencial epistémico de la IA y limita la generación de conocimiento innovador. Este bajo porcentaje refleja la persistencia de barreras formativas y la falta de iniciativas para ampliar la capacitación en metodologías innovadoras en investigación.

CONCLUSION

En la presente investigación se evidencia que la integración de inteligencia artificial (IA) en la educación superior peruana avanza mediante iniciativas fragmentadas, marcadas por una clara dicotomía entre potencial técnico y barreras estructurales. Las tendencias destacadas, personalización del aprendizaje, optimización de gestión universitaria y fortalecimiento investigativo, muestran impactos positivos en eficiencia y rendimiento académico. No obstante, su alcance se ve limitado por la centralización geográfica, la infraestructura insuficiente y la escasa articulación interinstitucional, lo cual profundiza inequidades entre contextos urbanos y rurales.

Adicionalmente, los desafíos críticos trascienden lo tecnológico, radicando en dimensiones humanas y éticas. La brecha formativa docente, con baja alfabetización digital y resistencia al cambio, y la ausencia de marcos normativos robustos generan riesgos como dependencia tecnológica no crítica, vulneración de privacidad y erosión de la originalidad académica. Estos factores exigen políticas integrales que prioricen capacitación continua en competencias técnicas y éticas, junto con auditorías algorítmicas que aseguren transparencia.

Asimismo, la investigación revela una desconexión entre innovación y pertinencia sociocultural. La baja producción científica local (2% de publicaciones globales) y la omisión de variables como diversidad lingüística o sostenibilidad financiera reflejan una miopía que perpetúa modelos importados. Urge fomentar redes colaborativas entre universidades, Estado e industria para desarrollar soluciones contextualizadas, donde la IA complemente, no reemplace, el juicio humano y el pensamiento crítico.