La expansión de herramientas como ChatGPT, Gemini, Claude o Copilot ha generado expectativas notables en universidades y centros educativos. Sin embargo, la literatura reciente también ha mostrado resultados contradictorios: mientras algunos trabajos apuntan a mejoras en motivación, autorregulación y rendimiento, otros advierten sobre riesgos asociados a la dependencia excesiva, la reducción del pensamiento crítico o el uso superficial de la tecnología. El estudio de Dong parte precisamente de esa tensión y plantea la necesidad de evaluar, de forma integrada, el efecto acumulado de la IA generativa sobre resultados educativos medibles.  

La investigación se apoya en una revisión sistemática y metaanálisis basado en el protocolo PRISMA. Según el artículo, se recuperaron inicialmente 1.096 registros en bases de datos como Scopus, Web of Science, Springer, Wiley y ScienceDirect, y finalmente se incluyeron 53 resultados en el metaanálisis. Esta amplitud permite observar tendencias generales, pero también diferencias según tipo de intervención, país y nivel educativo. 

El hallazgo principal es que la IA generativa puede mejorar significativamente el rendimiento académico, las habilidades de pensamiento superior y la escritura cuando se usa como apoyo cognitivo. El estudio también señala que la retroalimentación generada por IA puede producir mejores resultados educativos que la retroalimentación no generada por IA, especialmente por su capacidad de ofrecer respuestas rápidas, personalizadas y adaptadas al progreso del estudiante. 

Otro dato relevante para la educación superior es que los efectos positivos aparecen tanto en universidad como en secundaria. En el nivel universitario, la IA generativa puede apoyar la búsqueda bibliográfica, la escritura académica, el análisis de datos y la construcción de marcos conceptuales. Sin embargo, el artículo advierte que estas estrategias deben adaptarse a las necesidades del alumnado y a los objetivos de cada nivel educativo. 

Para las universidades, el mensaje es claro: la IA generativa no debe incorporarse como recurso aislado, sino como parte de un diseño pedagógico explícito. Esto implica definir resultados de aprendizaje, criterios de evaluación, tipos de interacción permitidos, estrategias de verificación y mecanismos para evitar que el alumnado delegue por completo el razonamiento en la herramienta. 

El estudio refuerza una idea clave para la política académica: la alfabetización en IA no puede limitarse a enseñar a escribir prompts. Debe incluir comprensión crítica de los modelos, evaluación de fuentes, conciencia sobre sesgos, uso ético de la retroalimentación automática y capacidad para distinguir entre asistencia y sustitución del trabajo intelectual. En este sentido, la IA generativa puede ser una aliada para la personalización, pero solo si se integra dentro de metodologías activas, evaluación formativa y acompañamiento docente. 

Para la educación superior, el reto inmediato será convertir la evidencia disponible en políticas docentes, guías de uso y diseños curriculares que integren la IA generativa con rigor académico, equidad y responsabilidad institucional. 

Dong, Y. (2026). Generative AI technologies and educational outcomes: A comprehensive meta-analysis comparing traditional and AI-driven approaches. Humanities and Social Sciences Communications, 13, 559. https://doi.org/10.1057/s41599-026-06903-y 

Volver a Inicio