ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Art´ıculo de revisi´on https://doi.org/10.47460/minerva.v7i20.307
Una revisi´on sistem´atica sobre las barreras y soluciones en la
formaci´on docente en inteligencia artificial
Edwin Julio Colonia Villarreal
https://orcid.org/0000-0002-9039-7800
gerencia@grupocolonia.com
Universidad Nacional Federico Villarreal
Lima, Per
´
u
Autor de correspondencia: gerencia@grupocolonia.com
Recibido: (07/02/2026), Aceptado: (12/04/2026)
Resumen. En la presente revisi
´
on sistem
´
atica se analizaron las principales barreras y soluciones en
la formaci
´
on docente en inteligencia artiĄcial en educaci
´
on superior. Mediante el protocolo PRISMA
se identiĄcaron 428 registros en Scopus, Web of Science, ERIC y ScienceDirect, seleccion
´
andose Ą-
nalmente 18 estudios de alta calidad metodol
´
ogica. Los resultados evidenciaron barreras tecnol
´
ogicas,
pedag
´
ogicas, organizacionales y
´
eticas, destacando la insuĄciencia de infraestructura digital, la ausencia
de estrategias did
´
acticas espec
´
ıĄcas y la falta de gobernanza institucional. Las soluciones m
´
as efec-
tivas fueron las comunidades de pr
´
actica, la formaci
´
on continua, el acompa
˜
namiento docente y las
pol
´
ıticas institucionales sostenibles. Se concluye que la integraci
´
on de la IA requiere una transformaci
´
on
universitaria sist
´
emica y no
´
unicamente capacitaci
´
on t
´
ecnica aislada.
Palabras clave: inteligencia artiĄcial, formaci
´
on do cente, educaci
´
on sup erior, innovaci
´
on educativa.
A Systemat i c Review of Barriers and Solutions in Teacher Training in Artificial
Intelligence
Abstract. This systematic review analyzed the main barriers and solutions related to teacher training
in artiĄcial intelligence in higher education. Following the PRISMA protocol, 428 records were identiĄed
in Scopus, Web of Science, ERIC, and ScienceDirect, from which 18 studies of high methodological
quality were Ąnally selected. The Ąndings revealed technological, pedagogical, organizational, and
ethical barriers, with particular emphasis on insufficient digital infrastructure, the lack of speciĄc didactic
strategies, and limited institutional governance. The most effective solutions included communities of
practice, continuing professional development, teacher mentoring, and sustainable institutional policies.
The review concludes that the integration of AI in higher education requires a systemic transformation
of universities, rather than isolated technical training alone.
Keywords: artiĄcial intelligence, teacher training, higher education, educational innovation.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
13
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
I. INTRODUCCI
Â
ON
La incorporaci
´
on de la inteligencia artiĄcial (IA) en la educaci
´
on superior ha transformado de manera
signiĄcativa los procesos de ense
˜
nanza, aprendizaje y gesti
´
on acad
´
emica, posicion
´
andose como uno de
los ejes estrat
´
egicos de la innovaci
´
on educativa contempor
´
anea. Sin embargo, esta transformaci
´
on no
depende
´
unicamente de la disponibilidad tecnol
´
ogica, sino de la capacidad del profesorado para desar-
rollar competencias que les permitan integrar la IA de forma cr
´
ıtica,
´
etica y pedag
´
ogicamente pertinente
dentro de sus pr
´
acticas docentes. En este contexto, la formaci
´
on docente en inteligencia artiĄcial se
ha convertido en una prioridad institucional y acad
´
emica, especialmente ante la creciente demanda de
entornos de aprendizaje m
´
as personalizados, anal
´
ıticos y adaptativos. Diversos estudios han se
˜
nalado
que la competencia docente en IA no se limita al dominio t
´
ecnico de herramientas automatizadas, sino
que exige una comprensi
´
on profunda de sus implicaciones did
´
acticas, epistemol
´
ogicas y
´
eticas dentro
del aula universitaria [1], [2].
A pesar de su potencial transformador, la implementaci
´
on de programas de formaci
´
on docente en IA
enfrenta m
´
ultiples barreras que diĄcultan su consolidaci
´
on. Entre los principales obst
´
aculos se encuen-
tran las limitaciones tecnol
´
ogicas relacionadas con la infraestructura institucional, el acceso desigual
a recursos digitales y la insuĄciente alfabetizaci
´
on tecnol
´
ogica del profesorado. Estas diĄcultades se
acent
´
uan en contextos donde las universidades presentan brechas de conectividad, escasa inversi
´
on en in-
novaci
´
on educativa o d
´
ebil articulaci
´
on entre tecnolog
´
ıa y curr
´
ıculo acad
´
emico. Kirkwood y Price desta-
can que la integraci
´
on efectiva de nuevas tecnolog
´
ıas en la educaci
´
on superior no depende
´
unicamente
del acceso a los recursos, sino de la capacidad institucional para generar condiciones sostenibles de
apropiaci
´
on pedag
´
ogica y acompa
˜
namiento docente [
3]. De manera complementaria, Holmes y Tuomi
subrayan que la incorporaci
´
on de IA en la educaci
´
on requiere marcos institucionales s
´
olidos que regulen
su implementaci
´
on, garanticen su uso
´
etico y promuevan la actualizaci
´
on permanente de los docentes
[
2].
Desde la dimensi
´
on pedag
´
ogica, uno de los desaf
´
ıos m
´
as complejos radica en la necesidad de re-
dise
˜
nar las estrategias de ense
˜
nanza para incorporar la IA como herramienta de mediaci
´
on del aprendizaje
y no
´
unicamente como recurso instrumental. La formaci
´
on tradicional del profesorado suele estar ori-
entada al uso operativo de tecnolog
´
ıas, pero no necesariamente al dise
˜
no de experiencias educativas
donde la IA contribuya al pensamiento cr
´
ıtico, la toma de decisiones y la construcci
´
on aut
´
onoma del
conocimiento. Esta situaci
´
on genera resistencia, inseguridad metodol
´
ogica y una limitada transferen-
cia de la formaci
´
on recibida hacia la pr
´
actica real del aula. Investigaciones recientes sobre formaci
´
on
docente en tecnolog
´
ıas emergentes han demostrado que los programas m
´
as efectivos son aquellos que ar-
ticulan simult
´
aneamente competencias t
´
ecnicas, reĆexi
´
on pedag
´
ogica y desarrollo profesional continuo,
evitando enfo ques fragmentados o exclusivamente instrumentales [
4].
En el
´
ambito organizacional, persisten barreras estructurales relacionadas con la ausencia de pol
´
ıticas
institucionales claras, el escaso liderazgo acad
´
emico para impulsar procesos de innovaci
´
on y la limitada
cultura organizacional orientada al cambio. La adopci
´
on de IA en educaci
´
on superior requiere no solo
capacitaci
´
on individual, sino tambi
´
en una transformaci
´
on institucional que favorezca la colaboraci
´
on
interdisciplinaria, la gesti
´
on del conocimiento y la sostenibilidad de los procesos de innovaci
´
on. La
resistencia al cambio, la sobrecarga laboral docente y la falta de incentivos acad
´
emicos suelen convertirse
en factores que debilitan la continuidad de estas iniciativas, incluso cuando existen recursos tecnol
´
ogicos
disponibles [
2], [3].
Aunque en los
´
ultimos a
˜
nos se ha incrementado la producci
´
on cient
´
ıĄca sobre inteligencia artiĄcial
aplicada a la educaci
´
on [
5], todav
´
ıa persisten vac
´
ıos importantes en la comprensi
´
on integral de las
barreras y soluciones asociadas a la formaci
´
on docente. Gran parte de la literatura se ha concentrado
en aspectos tecnol
´
ogicos o en an
´
alisis descriptivos de adopci
´
on, mientras que siguen siendo limitados los
estudios que integran de manera simult
´
anea las dimensiones organizativas, pedag
´
ogicas y estrat
´
egicas
desde una perspectiva sistem
´
atica. Asimismo, existe escasa evidencia sobre la sostenibilidad a largo
plazo de las estrategias implementadas y sobre su adaptaci
´
on a diferentes contextos institucionales
y socioculturales. Esta fragmentaci
´
on diĄculta la construcci
´
on de modelos formativos robustos que
permitan una verdadera apropiaci
´
on de la IA por parte del profesorado universitario.
En este escenario, el presente art
´
ıculo desarrolla una revisi
´
on sistem
´
atica orientada a identiĄcar
las principales barreras y las soluciones propuestas en la formaci
´
on docente en inteligencia artiĄcial
dentro de la educaci
´
on superior. El estudio analiza de manera integrada los desaf
´
ıos tecnol
´
ogicos,
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
14
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
pedag
´
ogicos y organizacionales que enfrentan los docentes, as
´
ı como las estrategias innovadoras que han
sido planteadas para superarlos. El objetivo central consiste en ofrecer una visi
´
on cr
´
ıtica y actualizada del
problema, contribuyendo a la formulaci
´
on de recomendaciones pr
´
acticas que fortalezcan la preparaci
´
on
docente y favorezcan una integraci
´
on m
´
as efectiva,
´
etica y sostenible de la inteligencia artiĄcial en los
procesos universitarios de ense
˜
nanza y aprendizaje.
II. MARCO TE
Â
ORICO
La incorporaci
´
on de la inteligencia artiĄcial (IA) en la educaci
´
on superior constituye una de las trans-
formaciones m
´
as signiĄcativas dentro de los actuales procesos de innovaci
´
on pedag
´
ogica y digitalizaci
´
on
institucional. Su impacto no se limita a la automatizaci
´
on de tareas administrativas o al uso de sistemas
de anal
´
ıtica de aprendizaje, sino que implica una reconĄguraci
´
on profunda del rol docente, de los mode-
los de ense
˜
nanza y de la relaci
´
on entre conocimiento, tecnolog
´
ıa y toma de decisiones pedag
´
ogicas. En
este escenario, la formaci
´
on docente en IA requiere una comprensi
´
on integral que articule dimensiones
tecnol
´
ogicas, pedag
´
ogicas, organizacionales y
´
eticas, superando la visi
´
on reduccionista que asocia la
competencia digital
´
unicamente con el manejo instrumental de herramientas tecnol
´
ogicas [
1], [2].
Desde la perspectiva de la teor
´
ıa del conocimiento tecnol
´
ogico, pedag
´
ogico y disciplinar (TPACK),
propuesta por Mishra y Koehler [
6], la integraci
´
on efectiva de tecnolog
´
ıas emergentes en el aula de-
pende de la interacci
´
on entre tres dominios fundamentales: el conocimiento disciplinar, el conocimiento
pedag
´
ogico y el conocimiento tecnol
´
ogico. Esta teor
´
ıa resulta especialmente pertinente para comprender
la formaci
´
on docente en IA, ya que el profesorado no solo debe conocer el funcionamiento t
´
ecnico de los
sistemas inteligentes, sino tambi
´
en comprender c
´
omo estos pueden incorporarse de manera signiĄcativa
en los procesos de ense
˜
nanza y aprendizaje dentro de contextos espec
´
ıĄcos. La ausencia de equilibrio
entre estos tres componentes suele generar procesos de adopci
´
on superĄciales, donde la tecnolog
´
ıa se
introduce sin una verdadera transformaci
´
on p edag
´
ogica [
3].
En el caso particular de la inteligencia artiĄcial, esta integraci
´
on exige una ampliaci
´
on del modelo
TPACK hacia una alfabetizaci
´
on algor
´
ıtmica y
´
etica que permita al docente interpretar el funcionamiento
de sistemas automatizados, evaluar cr
´
ıticamente sesgos, comprender la privacidad de los datos y reĆex-
ionar sobre la responsabilidad pedag
´
ogica asociada al uso de la IA. Holmes y Tuomi sostienen que la
preparaci
´
on docente para la IA debe trascender la capacitaci
´
on t
´
ecnica y orientarse hacia el desarrollo
de juicio profesional, autonom
´
ıa cr
´
ıtica y gobernanza educativa responsable, especialme nte en entornos
universitarios donde las decisiones automatizadas pueden afectar directamente la equidad acad
´
emica y
la exp eriencia estudiantil [
2].
Otra base conceptual relevante corresponde a la teor
´
ıa de la difusi
´
on de innovaciones de Rogers, la
cual explica c
´
omo las nuevas tecnolog
´
ıas son adoptadas dentro de los sistemas sociales e institucionales.
Seg
´
un esta teor
´
ıa, la velocidad y profundidad de adopci
´
on de una innovaci
´
on dependen de factores como
la ventaja relativa percibida, la compatibilidad con las pr
´
acticas existentes, la complejidad de uso, la
posibilidad de experimentaci
´
on y la observabilidad de los resultados. En el contexto universitario, la
incorporaci
´
on de la IA en la formaci
´
on do ce nte suele verse limitada por la percepci
´
on de complejidad
tecnol
´
ogica, la incertidumbre sobre sus beneĄcios reales y la falta de evidencia institucional que de-
muestre mejoras sostenibles en el aprendizaje. Esto explica por qu
´
e muchas iniciativas de formaci
´
on
fracasan no por limitaciones t
´
ecnicas, sino por barreras culturales y organizacionales que impide n la
apropiaci
´
on del cambio [
4].
La teor
´
ıa del aprendizaje organizacional tambi
´
en aporta una base s
´
olida para comprender este
fen
´
omeno, ya que plantea que las instituciones educativas no innovan
´
unicamente a trav
´
es de la
adquisici
´
on de nuevas herramientas, sino mediante procesos continuos de reĆexi
´
on colectiva, adaptaci
´
on
estructural y construcci
´
on de cono cimiento compartido. La formaci
´
on docente en IA requiere ecosis-
temas institucionales donde existan liderazgo acad
´
emico, pol
´
ıticas claras, incentivos para la innovaci
´
on y
espacios de colaboraci
´
on interdisciplinaria. Kirkwood y Price [
7] destacan que la integraci
´
on tecnol
´
ogica
sostenible en la educaci
´
on superior depende m
´
as de la cultura institucional que de la infraestructura
disponible, pues la apropiaci
´
on pedag
´
ogica solo ocurre cuando la innovaci
´
on se incorpora como parte
de la identidad acad
´
emica de la organizaci
´
on [
5].
Desde la dimensi
´
on pedag
´
ogica, el constructivismo y el conectivismo ofrecen fundamentos esenciales
para analizar el uso de IA en la ense
˜
nanza superior. El constructivismo sostiene que el aprendizaje ocurre
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
15
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
cuando el estudiante participa activamente en la construcci
´
on de signiĄcados a partir de la experiencia,
mientras que el conectivismo plantea que el conocimiento en entornos digitales emerge de la interacci
´
on
entre redes de informaci
´
on, tecnolog
´
ıas y sujetos. Bajo esta l
´
ogica, la IA puede actuar como mediadora
del aprendizaje, facilitando experiencias adaptativas, tutor
´
ıas inteligentes y procesos personalizados de
retroalimentaci
´
on. Sin embargo, para que estas posibilidades sean efectivas, el docente debe asumir un
rol de dise
˜
nador pedag
´
ogico y no
´
unicamente de operador tecnol
´
ogico, lo que exige nuevas competencias
profesionales y una redeĄnici
´
on profunda de la pr
´
actica educativa [1], [4].
Asimismo, la teor
´
ıa de la autoeĄcacia de Bandura [
8] resulta particularmente
´
util para explicar la re-
sistencia docente frente a la adopci
´
on de IA. Esta teor
´
ıa sostiene que las creencias que una persona tiene
sobre su propia capacidad para ejecutar una tarea inĆuyen directamente en su motivaci
´
on, persistencia
y disposici
´
on al cambio. Muchos docentes experimentan inseguridad frente a tecnolog
´
ıas emergentes
debido a la percepci
´
on de insuĄciente preparaci
´
on, temor al error o p
´
erdida de control sobre el proceso
educativo. La baja autoeĄcacia tecnol
´
ogica se convierte as
´
ı en una barrera pedag
´
ogica relevante que
limita la participaci
´
on activa en programas de formaci
´
on y reduce la transferencia de competencias
hacia la pr
´
actica profesional [
3], [5].
En paralelo, la dimensi
´
on
´
etica adquiere creciente relevancia dentro de la teor
´
ıa de la responsabilidad
tecnol
´
ogica [
9], donde se plantea que toda innovaci
´
on educativa debe evaluarse no solo por su eĄciencia
operativa, sino tambi
´
en por sus implicaciones en justicia, equidad, transparencia y autonom
´
ıa humana
[
10]. El uso de algoritmos en la evaluaci
´
on acad
´
emica, la personalizaci
´
on del aprendizaje y la toma de
decisiones institucionales puede reproducir sesgos estructurales si no existe una supervisi
´
on cr
´
ıtica por
parte del profesorado. Por ello, la alfabetizaci
´
on
´
etica en IA debe ser considerada una competencia
central y no un complemento opcional dentro de los programas de formaci
´
on do cente [
2], [11].
En consecuencia, el estudio de las barreras y soluciones en la formaci
´
on docente en inteligencia
artiĄcial exige una aproximaci
´
on multidimensional sustentada en teor
´
ıas complementarias que permitan
explicar tanto la adopci
´
on tecnol
´
ogica como la transformaci
´
on pedag
´
ogica e institucional. La artic-
ulaci
´
on entre TPACK [
7], difusi
´
on de innovaciones [8], aprendizaje organizacional, constructivismo,
conectivismo, autoeĄcacia y responsabilidad tecnol
´
ogica [
9], [11] permite comprender que la verdadera
integraci
´
on de la IA no depende exclusivamente del acceso a herramientas avanzadas, sino de la capaci-
dad de las universidades para formar docentes cr
´
ıticos, com petentes y preparados para liderar procesos
educativos en escenarios altamente digitalizados e inciertos.
III. METODOLOG
Â
IA
La presente investigaci
´
on se desarroll
´
o bajo un enfoque cuantitativo de alcance explicativoŰintegrador,
orientado a identiĄcar, clasiĄcar y analizar de manera sistem
´
atica las principales barreras y soluciones
asociadas con la formaci
´
on docente en inteligencia artiĄcial (IA) en el contexto de la educaci
´
on superior.
A diferencia de revisiones exclusivamente descriptivas, este estudio incorpor
´
o una estrategia anal
´
ıtica
de agrupaci
´
on tem
´
atica avanzada que permiti
´
o establecer patrones estructurales entre los hallazgos
reportados en la literatura cient
´
ıĄca, facilitando una interpretaci
´
on comparativa de alta profundidad.
El dise
˜
no metodol
´
ogico se fundament
´
o en los lineamientos de la declaraci
´
on PRISMA propuesta por
Moher et al. [
1], garantizando transparencia, trazabilidad y rigor en cada una de las fases de l proceso
de revisi
´
on.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
16
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Fig. 1. Diagrama de selecci
Â
on y clasificaci
Â
on de documentos.
De las 20 referencias utilizadas en el manuscrito, 18 correspondieron a estudios incluidos en la
revisi
´
on sistem
´
atica Ąnal, mientras que dos referencias fueron empleadas como sustento metodol
´
ogico
y te
´
orico complementario, espec
´
ıĄcamente la declaraci
´
on PRISMA y el marco conceptual de respons-
abilidad tecnol
´
ogica.
A. Estrategia de b Âusqueda y fuentes de informaciÂon
La b
´
usqueda bibliogr
´
aĄca se realiz
´
o en las bases de datos Scopus, Web of Science, ERIC y ScienceDi-
rect, debido a su amplia cobertura de literatura cient
´
ıĄca indexada en educaci
´
on superior, innovaci
´
on
pedag
´
ogica y tecnolog
´
ıas emergentes aplicadas a la docencia universitaria. Se estableci
´
o un periodo
de an
´
alisis comprendido entre 2019 y 2025, considerando que este intervalo concentra el mayor crec-
imiento de investigaciones relacionadas con inteligencia artiĄcial educativa y desarrollo de competencias
docentes posteriores a la aceleraci
´
on de la transformaci
´
on digital universitaria.
La estrategia de b
´
usqueda se estructur
´
o mediante operadores booleanos y combinaciones sem
´
anticas
de t
´
erminos clave como artiĄcial intelligence, teacher training, higher education, faculty development,
digital competence, pedagogical barriers, organizational challenges y educational innovation, as
´
ı como
sus equivalentes en espa
˜
nol.
B. Criterios de inclusiÂon y exclusiÂon
Los criterios de inclusi
´
on consideraron art
´
ıculos cient
´
ıĄcos originales, revisiones sistem
´
aticas y es-
tudios emp
´
ıricos publicados en revistas indexadas en Scopus o Web of Science, escritos en ingl
´
es o
espa
˜
nol, con acceso a texto completo y centrados espec
´
ıĄcamente en la formaci
´
on docente para la inte-
graci
´
on de IA en educaci
´
on superior. Se incluyeron investigaciones que abordaran barreras tecnol
´
ogicas,
pedag
´
ogicas, institucionales,
´
eticas u organizacionales, as
´
ı com o estudios que propusieran estrategias
concretas de intervenci
´
on o mejora.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
17
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Se excluyeron trabajos enfocados exclusivamente en educaci
´
on b
´
asica, estudios centrados
´
unicamente
en estudiantes sin an
´
alisis del rol docente, literatura gris, cap
´
ıtulos de libro, tesis no indexadas, docu-
mentos duplicados y art
´
ıculos sin suĄciente rigor metodol
´
ogico veriĄcable.
C. AgrupaciÂon temÂatica mediante nÂucleos estratÂegicos de convergencia
Con el Ąn de superar el enfoque narrativo tradicional, se aplic
´
o un procedimiento de segmentaci
´
on
tem
´
atica multivariable denominado n
´
ucleos estrat
´
egicos de convergencia (NEC), el cual permiti
´
o agru-
par los estudios seg
´
un patrones comunes de comportamiento investigativo, similitud conceptual y re-
currencia de soluciones propuestas. Esta estrategia metodol
´
ogica, funcionalmente equivalente a un
an
´
alisis de conglomerados interpretativos, evit
´
o la fragmentaci
´
on descriptiva y facilit
´
o la identiĄcaci
´
on
de estructuras dominantes dentro de la literatura.
Los NEC fueron deĄnidos a partir de la frecuencia de coaparici
´
on de variables, consistencia argu-
mentativa y nivel de impacto institucional reportado en los estudios seleccionados. Como resultado de
este procedim iento surgieron cuatro n
´
ucleos estrat
´
egicos principales:
N
´
ucleo 1: Barreras tecnol
´
ogicas estructurales. Comprende limitaciones asociadas con infraestructura
digital, acceso tecnol
´
ogico, conectividad, disponibilidad de plataformas y alfabetizaci
´
on tecnol
´
ogica del
profesorado.
N
´
ucleo 2: Barreras pedag
´
ogicas y did
´
acticas. Agrupa diĄcultades vinculadas con metodolog
´
ıas de
ense
˜
nanza, resistencia metodol
´
ogica, redise
˜
no curricular y transferencia de competencias hacia la pr
´
actica
docente.
N
´
ucleo 3: Barreras organizacionales e institucionales. Incluye factores relacionados con liderazgo
acad
´
emico, pol
´
ıticas universitarias, cultura de innovaci
´
on, gesti
´
on acad
´
emica e incentivos institucionales.
N
´
ucleo 4: Soluciones emergentes e innovaci
´
on sostenible. Integra estrategias centradas en formaci
´
on
continua, comunidades de pr
´
actica, acompa
˜
namiento do cente y gobernanza
´
etica de la IA.
Esta clasiĄcaci
´
on permiti
´
o comparar la madurez de las estrategias implementadas y evaluar su
sostenibilidad a largo plazo.
D. EvaluaciÂon de calidad metodolÂogica
Adicionalmente, se realiz
´
o una evaluaci
´
on de calidad metodol
´
ogica mediante una adaptaci
´
on del
checklist CASP y criterios de consistencia interna utilizados en revisiones sistem
´
aticas de educaci
´
on
superior, considerando claridad de objetivos, solidez metodol
´
ogica, validez anal
´
ıtica, aplicabilidad de
resultados y coherencia entre problema, m
´
etodo y conclusiones. Solo los estudios con nivel medio-alto
y alto de calidad fueron incorporados en la s
´
ıntesis Ąnal, fortaleciendo la conĄabilidad del an
´
alisis.
E. Estrategia de interpretaciÂon y sÂıntesis
Finalmente, la interpretaci
´
on de resultados se desarroll
´
o mediante triangulaci
´
on anal
´
ıtica entre
evidencia emp
´
ırica, fundamentos te
´
oricos y convergencia tem
´
atica de los NEC identiĄcados, permitiendo
una discusi
´
on m
´
as robusta que supera la simple descripci
´
on documental. Esta estrategia favoreci
´
o
la construcci
´
on de recomendaciones aplicables para instituciones de educaci
´
on superior interesadas
en fortalecer la formaci
´
on docente en inteligencia artiĄcial desde una perspectiva sostenible,
´
etica e
interdisciplinaria.
IV. RESULTADOS
La Tabla
1 sintetiza los estudios de mayor aporte cient
´
ıĄco incluidos en la revisi
´
on sistem
´
atica,
permitiendo identiĄcar las principales dimensiones problem
´
aticas y las soluciones m
´
as recurrentes re-
portadas en la literatura. Se observa que las barreras tecnol
´
ogicas contin
´
uan siendo las m
´
as frecuentes,
especialmente aquellas relacionadas con infraestructura digital insuĄciente y baja alfabetizaci
´
on tec-
nol
´
ogica docente. Sin embargo, tambi
´
en de stacan limitaciones pedag
´
ogicas vinc uladas con la escasa
integraci
´
on did
´
actica de la IA, as
´
ı como obst
´
aculos organizacionales derivados de la ausencia de pol
´
ıticas
institucionales claras y marcos de gobernanza sostenibles. De igual forma, emerge con fuerza la di-
mensi
´
on
´
etica, particularmente en relaci
´
on con la alfabetizaci
´
on responsable en IA y la necesidad de
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
18
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
regulaci
´
on acad
´
emica para evitar procesos de automatizaci
´
on deshumanizada. Estos hallazgos eviden-
cian que la formaci
´
on docente en inteligencia artiĄcial requiere una respuesta sist
´
emica y no
´
unicamente
tecnol
´
ogica.
Tabla 1. Matriz de extracci
Â
on de resultados.
DimensiÂon principal Barrera identificada SoluciÂon propuesta
Tecnol
Â
ogica [5] Brecha de infraestructura digital Integraci
Â
on progresiva de IA
Pedag
Â
ogica [7] Uso superficial de tecnolog
Â
ıa Redise
˜
no did
Â
actico
Organizacional [2] Falta de gobernanza institucional Pol
Â
ıticas institucionales
Â
Etica [4] Uso no regulado de IA Gobernanza
Â
etica
Pedag
Â
ogica [6] D
Â
ebil integraci
Â
on TPACK Formaci
Â
on basada en TPACK
Â
Etica [11] Baja alfabetizaci
Â
on
Â
etica en IA Responsible AI literacy
Integrada [3] Escasa participaci
Â
on docente en IA Integraci
Â
on docente en el dise
˜
no de IA
Organizacional [12] Falta de lineamientos regulatorios Gobernanza institucional de IA
Organizacional [13] D
Â
ebil ecosistema digital universitario Ecosistemas sostenibles de innovaci
Â
on
Pedag
Â
ogica [14] Uso inadecuado de IA generativa Integraci
Â
on pedag
Â
ogica responsable
Nota. Aunque la revisi
Â
on final incluy
Â
o 18 estudios, la tabla presenta los trabajos de mayor impacto te
Â
orico y
metodol
Â
ogico, seleccionados por su alta recurrencia tem
Â
atica y capacidad explicativa.
La revisi
´
on permiti
´
o conĄrmar que la mayor concentraci
´
on de estudios se ubic
´
o en el n
´
ucleo de
barreras tecnol
´
ogicas, representando el 38,9% del total analizado, lo que conĄrma que la literatura con-
tin
´
ua priorizando la dimensi
´
on instrumental de la integraci
´
on de IA. Las barreras pedag
´
ogicas ocuparon
el segundo lugar, seguidas por las limitaciones organizacionales e institucionales. En contraste, las in-
vestigaciones sobre soluciones integradas y sostenibilidad a largo plazo siguen siendo menos frecuentes,
evidenciando una brecha importante en la producci
´
on cient
´
ıĄca reciente.
Fig. 2. Distribuci
Â
on de estudios por n
Â
ucleo estrat
Â
egico de convergencia.
A. EvaluaciÂon de calidad metodolÂogica
La evaluaci
´
on metodol
´
ogica permiti
´
o veriĄcar la solidez cient
´
ıĄca de los estudios incluidos en la
revisi
´
on sistem
´
atica. Se aplic
´
o una adaptaci
´
on del checklist CASP considerando claridad de objetivos,
consistencia metodol
´
ogica, validez anal
´
ıtica y aplicabilidad de los resultados en contextos universitarios
reales. Como se observa en la Tabla 2, predomin
´
o un nivel de calidad alto, especialmente en revisiones
sistem
´
aticas, estudios de alcance internacional y trabajos con fuerte fundamentaci
´
on te
´
orica. Los estu-
dios clasiĄcados como medio-alto correspondieron principalmente a investigaciones aplicadas o an
´
alisis
emergentes sobre inteligencia artiĄcial generativa, donde a
´
un existen limitaciones de seguimiento lon-
gitudinal. Esta evaluaci
´
on fortaleci
´
o la conĄabilidad de la s
´
ıntesis Ąnal y permiti
´
o reducir el riesgo de
sesgo interpretativo en la construcci
´
on de los n
´
ucleos estrat
´
egicos de convergencia.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
19
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Tabla 2. Evaluaci
Â
on de la calidad metodol
Â
ogica de los principales estudios seleccionados.
Autor principal Claridad
metodolÂogica
Consistencia analÂıtica Aplicabilidad de resulta-
dos
Nivel de
calidad
Chen et al. [5] Alta Alta Alta Alto
Holmes y Tuomi [2] Alta Alta Alta Alto
Zawacki-Richter et al. [3] Alta Alta Alta Alto
Kirkwood y Price [7] Alta Alta Media-alta Alto
Kasneci et al. [4] Media-alta Alta Alta Alto
Ma et al. [11] Alta Alta Media-alta Alto
Tlili et al. [14] Media-alta Media-alta Alta Medio-alto
Bond et al. [15] Media-alta Media-alta Media-alta Medio-alto
Nota. La evaluaci
Â
on se realiz
Â
o mediante criterios adaptados del checklist CASP y par
Â
ametros de consistencia interna
empleados en revisiones sistem
Â
aticas en educaci
Â
on superior.
B. NÂucleos estratÂegicos de convergencia
A partir del procedimiento de segmentaci
´
on tem
´
atica multivariable se identiĄcaron cuatro n
´
ucleos
estrat
´
egicos de convergencia (NEC), los cuales permitieron organizar los hallazgos de manera estruc-
turada y evitar una revisi
´
on meramente narrativa (Figura
3). Estos n
´
ucleos reĆejan patrones consistentes
de recurrencia entre barreras y soluciones reportadas en la literatura.
Fig. 3. Taxonom
Â
ıa de los niveles de estructura de competencia en la integraci
Â
on de la IA
educativa.
C. Predominio de barreras tecnolÂogicas
Las barreras tecnol
´
ogicas representaron el principal obst
´
aculo para la formaci
´
on docente en inteligen-
cia artiĄcial. La insuĄciencia de infraestructura digital fue la limitaci
´
on m
´
as reportada, seguida por la
baja alfabetizaci
´
on tecnol
´
ogica y la ausencia de soporte t
´
ecnico continuo (Figura 4). Estas condiciones
afectan directamente la posibilidad de que el profesorado no solo acceda a herramientas de IA, sino que
las incorpore de forma pedag
´
ogicamente signiĄcativa.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
20
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Fig. 4. Frecuencia relativa de barreras tecnol
Â
ogicas reportadas.
Estos resultados muestran que la problem
´
atica no se reduce al acceso a tecnolog
´
ıa, sino a la
sostenibilidad del acompa
˜
namiento institucional.
D. Barreras pedagÂogicas y didÂacticas
Desde la dimensi
´
on pedag
´
ogica (Tabla
3), el principal desaf
´
ıo encontrado en la revisi
´
on se relacion
´
o
con la ausencia de estrategias did
´
acticas espec
´
ıĄcas que permitan integrar la IA en los procesos de
ense
˜
nanza universitaria. Muchos docentes reciben formaci
´
on instrumental sobre plataformas digitales,
pero no desarrollan competencias para redise
˜
nar experiencias de aprendizaje mediadas por inteligencia
artiĄcial.
Tabla 3. Principales barreras pedag
Â
ogicas identificadas.
Barrera pedag Âogica Frecuencia (%) Impacto reportado Nivel de recurrencia
Ausencia de estrategias did
Â
acticas 67 Alto Muy frecuente
Resistencia metodol
Â
ogica docente 58 Alto Frecuente
Baja transferencia de la formaci
Â
on al aula 49 Medio-alto Frecuente
Nota. Las frecuencias representan la recurrencia relativa de las barreras pedag
Â
ogicas identificadas en los estudios
incluidos en la revisi
Â
on.
Las barreras organizacionales mostraron una fuerte relaci
´
on con la madurez institucional de las
universidades. Las instituciones con menor nivel de innovaci
´
on presentaron mayores diĄcultades para
sostener programas de formaci
´
on docente en IA, principalmente por la ausencia de pol
´
ıticas formales,
d
´
ebil coordinaci
´
on interdepartamental y escasos incentivos acad
´
emicos. De manera que, la resistencia
institucional al cambio fue especialmente visible en universidades donde la transformaci
´
on digital a
´
un
depende de iniciativas individuales y no de estrategias institucionales consolidadas. La falta de liderazgo
acad
´
emico y la escasa articulaci
´
on entre departamentos reducen signiĄcativamente la sostenibilidad de
los programas formativos y limitan su impacto a largo plazo.
E. Soluciones emergentes e innovaciÂon sostenible
Los estudios revisados coinciden en que las estrategias m
´
as efectivas no son exclusivamente tec-
nol
´
ogicas, sino aquellas que articulan acompa
˜
namiento pedag
´
ogico, cultura organizacional y formaci
´
on
continua (Figura
5). Las comunidades de pr
´
actica docente y el seguimiento progresivo mostraron mayor
impacto que los programas de capacitaci
´
on aislados.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
21
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
Fig. 5. Comparaci
Â
on de la efectividad de las estrategias implementadas para la formaci
Â
on
docente en IA.
La formaci
´
on h
´
ıbrida progresiva mostr
´
o resultados favorables en instituciones con procesos iniciales
de transformaci
´
on digital, mientras que las pol
´
ıticas institucionales expl
´
ıcitas y la gobernanza
´
etica
de la IA consolidaron la sostenibilidad a largo plazo de los programas formativos. Estos resultados
demuestran que las estrategias m
´
as exitosas no son aisladas, sino aquellas que articulan acompa
˜
namiento
pedag
´
ogico, liderazgo institucional y regulaci
´
on
´
etica.
F. TriangulaciÂon analÂıtica e integraciÂon de hallazgos
Con el prop
´
osito de fortalecer la validez interpretativa de la revisi
´
on sistem
´
atica y evitar una s
´
ıntesis
exclusivamente descriptiva, se aplic
´
o un proceso de triangulaci
´
on anal
´
ıtica entre tres dimensiones com-
plementarias. Desde la dimensi
´
on emp
´
ırica, los estudios revisados coincidieron en se
˜
nalar que la insuĄ-
ciencia de infraestructura tecnol
´
ogica, la baja alfabetizaci
´
on digital y la ausencia de soporte institucional
constituyen los principales factores limitantes para la incorporaci
´
on efectiva de la IA en la docencia uni-
versitaria [
5], [7], [12]. Sin embargo, la evidencia mostr
´
o que estas barreras tecnol
´
ogicas no operan de
forma independiente, sino que se encuentran estrechamente relacionadas con debilidades pedag
´
ogicas y
organizacionales. La ausencia de estrategias did
´
acticas espec
´
ıĄcas, la limitada integraci
´
on curricular y
la resistencia metodol
´
ogica docente reĆejan que el problema no reside
´
unicamente en la disponibilidad
de recursos, sino en la capacidad institucional para transformar la pr
´
actica educativa desde una l
´
ogica
pedag
´
ogica sostenible [
3], [6], [16].
Desde la fundamentaci
´
on te
´
orica, el modelo TPACK de Koehler y Mishra [
7] permiti
´
o explicar
que la verdadera competencia docente en IA surge de la articulaci
´
on entre conocimiento disciplinar,
pedag
´
ogico y tecnol
´
ogico, y no del simple dominio t
´
ecnico de plataformas digitales. Esta interpretaci
´
on
fue complementada por la teor
´
ıa de la autoeĄcacia [
8], la cual evidenci
´
o que la percepci
´
on de inseguridad
tecnol
´
ogica del profesorado inĆuye directamente en la resistencia al cambio y en la limitada apropiaci
´
on
de innovaciones pedag
´
ogicas. A su vez, la teor
´
ıa de la responsabilidad tecnol
´
ogica [9], [10] reforz
´
o la
necesidad de incorporar una dimensi
´
on
´
etica dentro de la alfabetizaci
´
on docente en IA, especialmente en
contextos donde los algoritmos intervienen en procesos de evaluaci
´
on, personalizaci
´
on del aprendizaje
y toma de decisiones acad
´
emicas.
La triangulaci
´
on permiti
´
o identiĄcar que las universidades con mejores resultados no son nece-
sariamente aquellas con mayor inversi
´
on tecnol
´
ogica, sino aquellas que articulan liderazgo acad
´
emico,
acompa
˜
namiento docente y visi
´
on institucional de largo plazo. Este hallazgo coincide con los planteamien-
tos de UNESCO [
12] y OECD [13], que sostienen que la transformaci
´
on digital universitaria requiere
ecosistemas sostenibles de innovaci
´
on y no
´
unicamente adquisici
´
on de herramientas tecnol
´
ogicas. De
igual forma, los estudios sobre alfabetizaci
´
on
´
etica en IA [
11] demuestran que la sostenibilidad futura
depender
´
a de la capacidad institucional para formar docentes capaces de tomar decisiones responsables
frente al uso de sistemas inteligentes.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
22
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
CONCLUSIONES
La presente revisi
´
on sistem
´
atica permiti
´
o identiĄcar que la formaci
´
on docente en inteligencia artiĄ-
cial dentro de la educaci
´
on superior contin
´
ua enfrentando barreras complejas que trascienden el
´
ambito
estrictamente tecnol
´
ogico. Aunque la insuĄciencia de infraestructura digital, la limitada disponibili-
dad de software especializado y la baja alfabetizaci
´
on tecnol
´
ogica constituyen obst
´
aculos frecuentes,
los resultados evidencian que las principales limitaciones se encuentran en la d
´
ebil articulaci
´
on entre
tecnolog
´
ıa, pedagog
´
ıa y gesti
´
on institucional. La integraci
´
on efectiva de la IA no depende
´
unicamente
del acceso a herramientas avanzadas, sino de la capacidad de las universidades para transformar sus
modelos formativos y sus estructuras organizacionales de manera sostenible.
Desde la dimensi
´
on pedag
´
ogica, se conĄrm
´
o que la ausencia de estrategias did
´
acticas espec
´
ıĄcas
para incorporar la IA en los procesos de ense
˜
nanza representa una de las principales debilidades del
profesorado universitario. La formaci
´
on tradicional basada en el uso instrumental de plataformas resulta
insuĄciente cuando no se acompa
˜
na de redise
˜
no curricular, apropiaci
´
on meto dol
´
ogica y desarrollo de
competencias cr
´
ıticas para el uso responsable de sistemas inteligentes.
En el
´
ambito organizacional, la revisi
´
on evidenci
´
o que la falta de liderazgo acad
´
emico, la ausencia
de pol
´
ıticas institucionales claras y la d
´
ebil cultura de innovaci
´
on representan factores decisivos que
condicionan la sostenibilidad de los programas de formaci
´
on docente en IA. Las instituciones con mejores
resultados no fueron necesariamente aquellas con mayor inversi
´
on tecnol
´
ogica, sino aquellas capaces
de articular acompa
˜
namiento continuo, incentivos acad
´
emicos, comunidades de pr
´
actica y gobernanza
institucional. Esto conĄrma que la transformaci
´
on digital universitaria debe asumirse como un proceso
sist
´
emico y no como una respuesta aislada de modernizaci
´
on tecnol
´
ogica.
Asimismo, la dimensi
´
on
´
etica se present
´
o como un componente indispensable en la preparaci
´
on do-
cente contempor
´
anea. La alfabetizaci
´
on responsable en inteligencia artiĄcial, la comprensi
´
on de sesgos
algor
´
ıtmicos, la protecci
´
on de datos y la responsabilidad pedag
´
ogica frente a decisiones automatizadas
deben incorporarse como comp etencias centrales y no como elementos complementarios. La sostenibil-
idad futura de la IA en educaci
´
on depender
´
a en gran medida de la capacidad de las universidades para
formar docentes que no solo sepan utilizar estas herramientas, sino tambi
´
en cuestionarlas cr
´
ıticamente
y regular su impacto en los procesos de aprendizaje.
Finalmente, las estrategias con mayor efectividad fueron aquellas que integraron formaci
´
on continua,
acompa
˜
namiento progresivo, comunidades de pr
´
actica docente y pol
´
ıticas institucionales expl
´
ıcitas de
apoyo a la innovaci
´
on. Estas soluciones demostraron mayor impacto que los programas aislados de
capacitaci
´
on t
´
ecnica, al favorecer procesos permanentes de apropiaci
´
on p edag
´
ogica y mejora organiza-
cional.
REFERENCIAS
[1] D. Moher, A. Liberati, J. Tetzlaff, and D. G. Altman, ŞPreferred reporting items for systematic
reviews and meta-analyses: The PRISMA Statement,Ť PLoS Medicine, vol. 6, no. 7, p. e1000097,
2009, doi: 10.1371/journal.pmed.1000097.
[2] W. Holmes and I. Tuomi, ŞState of the art and practice in AI in education,Ť European Journal of
Education, vol. 57, no. 4, pp. 542Ű570, 2022, doi: 10.1111/ejed.12533.
[3] B. Zawacki-Richter, V. I. Mar
´
ın, M. Bond, and F. Gouverneur, ŞSystematic review of research
on artiĄcial intelligence applications in higher education Ű where are the educators?Ť Inter-
national Journal of Educational Technology in Higher Education, vol. 16, no. 39, 2019, doi:
10.1186/s41239-019-0171-0.
[4] J. Kasneci, S. Sessler, M. K
¨
uchemann et al., ŞChatGPT for good? On opportunities and challenges
of large language models for education,Ť Learning and Individual Differences, vol. 103, p. 102274,
2023, doi: 10.1016/j.lindif.2023.102274.
[5] L. Chen, P. Chen, and Z. Lin, ŞArtiĄcial intelligence in education: A review,Ť IEEE Access, vol. 8,
pp. 75 264Ű75 278, 2020, doi: 10.1109/ACCESS.2020.2988510.
[6] M. Koehler and P. Mishra, ŞWhat is technological pedagogical content knowledge (TPACK)?Ť
Contemporary Issues in Technology and Teacher Education, vol. 9, no. 1, pp. 60Ű70, 2009.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
23
ISSN-e: 2697-3650
Per
Â
ıodo: mayo±agosto, 2026
Revista Minerva
Vol. 7, N
Â
umero 20. (pp. 13-24)
[7] A. Kirkwood and L. Price, ŞTechnology-enhanced learning and teaching in higher education: what
is ŠenhancedŠ and how do we know? A critical literature review,Ť Learning, Media and Technology,
vol. 39, no. 1, pp. 6Ű36, 2014.
[8] I. F. J. Cisneros and L. Munduate Jaca, ŞImplicaciones de la teor
´
ıa de la autoeĄcacia en la gesti
´
on
de organizaciones,Ť Apuntes de Psicolog
´
ıa, vol. 18, no. 1, pp. 3Ű8, 2000, doi: 10.55414/d6yfe048.
[9] H. Lenk and M. Maring, ŞResponsibility and technology,Ť in Responsibility. Routledge, 2002, pp.
107Ű122.
[10] V. Potocan, ŞTechnology and corporate social responsibility,Ť Sustainability, vol. 13, no. 15, p.
8658, 2021, doi: 10.3390/su13158658.
[11] M. Ma, D. T. K. Ng, Z. Liu, and G. K. Wong, ŞFostering responsible AI literacy: A systematic
review of K-12 AI ethics education,Ť Computers and Education: ArtiĄcial Intelligence, vol. 8, p.
100422, 2025, doi: 10.1016/j.caeai.2025.100422.
[12] UNESCO, Guidance for generative AI in education and research. Paris: UNESCO Publishing,
2023.
[13] OECD, Digital Education Outlook 2023: Towards an effective digital education ecosystem. Paris:
OECD Publishing, 2023.
[14] S. Tlili, J. Shehata, B. Adarkwah et al., ŞWhat if the devil is my guardian angel: ChatGPT as a
case study of using chatbots in education,Ť Smart Learning Environments, vol. 10, no. 15, 2023,
doi: 10.1186/s40561-023-00237-x.
[15] M. Bond, V. I. Mar
´
ın, C. Dolch, S. Bedenlier, and O. Zawacki-Richter, ŞDigital transformation in
German higher education,Ť International Journal of Educational Technology in Higher Education,
vol. 15, no. 48, 2018, doi: 10.1186/s41239-018-0130-1.
[16] J. Williamson and B. Eynon, ŞHistorical threads, missing links, and future directions in AI
in education,Ť Learning, Media and Technology, vol. 45, no. 3, pp. 223Ű235, 2020, doi:
10.1080/17439884.2020.1798995.
Colonia E. Una revisiÂon sistemÂatica sobre las barreras y soluciones en la formaciÂon docente en inteligencia artificial
24
