Vol. 13/ Núm. 3 2026 pág. 2473
https://doi.org/10.69639/arandu.v13i3.2549
Percepción y uso de la Inteligencia Artificial Generativa en la
planificación de docentes de la Facultad de Ciencias
Contables, Administrativas y Económicas de la UNP, Año
2026
Perception and Use of Generative Artificial Intelligence in the Planning Practices of
Faculty Members at the Faculty of Accounting, Administrative and Economic Sciences
of the National University of Pilar (UNP), 2026
Claudia Carolina Duré Sánchez
duresanchezclau@gmail.com
Facultad de Humanidades y Ciencias de la Educación
de la Universidad Nacional de Pilar
Pilar, Paraguay
.
Artículo recibido: 10 julio 2026- Aceptado para publicación:16 agosto 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
El presente artículo científico analiza la percepción pedagógica, las actitudes éticas y el nivel de
uso práctico de la Inteligencia Artificial Generativa (IAG) en la planificación docente por parte
de los profesores de la Facultad de Ciencias Contables, Administrativas y Económicas (FCCAyE)
de la Universidad Nacional de Pilar (UNP) durante el año 2026. Se implementó una metodología
de enfoque mixto (cuali-cuanti), de diseño no experimental, transversal y alcance descriptivo-
correlacional. La recolección cuantitativa se realizó mediante un censo poblacional aplicado a 61
docentes efectivos de las carreras de Contaduría Pública y Administración de Empresas, mientras
que el componente cualitativo abarcó entrevistas semiestructuradas a directivos académicos. Los
resultados evidencian un alto consenso positivo respecto al potencial pragmático de la IAG para
la eficiencia docente (74%) y la innovación metodológica (80%). No obstante, coexiste una
elevada preocupación ética vinculada al riesgo de plagio académico (71%) y al posible
debilitamiento de la autonomía y pensamiento crítico estudiantil (72%). En el plano operativo,
predomina la adopción de ChatGPT (79%) orientada a la creación de casos prácticos (59%) y la
redacción de contenidos (74%), manteniéndose un uso incipiente en la estructuración de
programas sintéticos (19%). Se halló un condicionamiento estadístico significativo entre la
alfabetización digital y la frecuencia de integración pedagógica. Se concluye que la IAG
constituye un catalizador estratégico para la transformación docente, cuya efectividad requiere de
políticas institucionales de acompañamiento, formación ética y lineamientos claros de evaluación
auténtica.
Palabras clave: ética académica, innovación pedagógica, inteligencia artificial generativa,
planificación docente
Vol. 13/ Núm. 3 2026 pág. 2474
ABSTRACT
This scientific article analyzes the pedagogical perception, ethical attitudes, and practical use level
of Generative Artificial Intelligence (GAI) in teaching planning among professors at the Faculty
of Accounting, Administrative, and Economic Sciences (FCCAyE) of the National University of
Pilar (UNP) during 2026. A mixed-methods approach (qualitative-quantitative) was
implemented, featuring a non-experimental, cross-sectional, and descriptive-correlational design.
Quantitative data collection was conducted through a population census of 61 effective faculty
members in Accounting and Business Administration, complemented by semi-structured
interviews with academic directors. Results demonstrate a strong positive consensus regarding
GAI's pragmatic potential for teaching efficiency (74%) and methodological innovation (80%).
However, there is a high ethical concern regarding academic plagiarism risks (71%) and potential
impairment of student critical thinking (72%). At the operational level, ChatGPT dominates usage
(79%), primarily for designing practical case studies (59%) and drafting content (74%), while
syllabus structuring remains incipient (19%). A statistically significant relationship was identified
between digital literacy and pedagogical integration frequency. The study concludes that GAI
serves as a strategic catalyst for teaching transformation, requiring institutional support policies,
ethical training, and clear guidelines for authentic evaluation.
Keywords: academic ethics, generative Artificial Intelligence, pedagogical innovation,
teaching planning
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
This scientific article analyzes the pedagogical perception, ethical attitudes, and practical use level
of Generative Artificial Intelligence (GAI) in teaching planning among professors at the Faculty
of Accounting, Administrative, and Economic Sciences (FCCAyE) of the National University of
Pilar (UNP) during 2026. A mixed-methods approach (qualitative-quantitative) was
implemented, featuring a non-experimental, cross-sectional, and descriptive-correlational design.
Quantitative data collection was conducted through a population census of 61 effective faculty
members in Accounting and Business Administration, complemented by semi-structured
interviews with academic directors. Results demonstrate a strong positive consensus regarding
GAI's pragmatic potential for teaching efficiency (74%) and methodological innovation (80%).
However, there is a high ethical concern regarding academic plagiarism risks (71%) and potential
impairment of student critical thinking (72%). At the operational level, ChatGPT dominates usage
(79%), primarily for designing practical case studies (59%) and drafting content (74%), while
syllabus structuring remains incipient (19%). A statistically significant relationship was identified
between digital literacy and pedagogical integration frequency. The study concludes that GAI
serves as a strategic catalyst for teaching transformation, requiring institutional support policies,
ethical training, and clear guidelines for authentic evaluation.
Keywords: academic ethics, generative Artificial Intelligence, pedagogical innovation,
teaching planning
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 3 2026 pág. 2475
INTRODUCCIÓN
En la actual sociedad del conocimiento, la educación superior atraviesa una metamorfosis
estructural impulsada por la convergencia acelerada de tecnologías emergentes. En este contexto,
la Inteligencia Artificial Generativa (IAG) ha emergido no solo como un recurso
computacional avanzado, sino como un nuevo paradigma socio-técnico capaz de redefinir de
manera sustancial la gestión curricular y los procesos de enseñanza-aprendizaje (García-Peñalvo
y otros, 2024). A diferencia de los sistemas tradicionales basados en reglas fijas, la IAG sustentada
en Grandes Modelos de Lenguaje (LLMs) posee la capacidad de generar secuencias de texto,
código, análisis de datos y recursos didácticos complejos a partir de la interacción en lenguaje
natural (Vaswani y otros, 2017); (Management Solutions, 2024).
En la labor del profesorado universitario, la planificación didáctica constituye la
dimensión técnico-pedagógica estratégica donde se articulan las competencias, las secuencias de
contenidos y las estrategias de evaluación. Como sostienen Vivas Urías et al. (2025), la IAG
ofrece un potencial sin precedentes para optimizar la gestión del tiempo docente, automatizar
tareas administrativas y facilitar la ingeniería de contenidos contextualizados al ámbito
profesional. No obstante, las directrices del Marco de Competencias de IA para Docentes de la
UNESCO (Hernández-Fernández, 2024) subrayan que el despliegue tecnológico no puede
responder a una mera inercia instrumental, sino que debe estar anclado en principios de
responsabilidad, transparencia, equidad y preservación de la agencia humana.
A nivel regional y local, persiste una brecha crítica entre la irrupción masiva de estas
plataformas y su integración didáctica sistemática en las facultades de ciencias económicas y
contables. La falta de diagnósticos empíricos locales genera que la adopción tecnológica se
desarrolle de forma predominantemente empírica, fragmentada y condicionada por
incertidumbres éticas o vacíos en la alfabetización digital (Rodrigues y otros, 2025; Figueredo
Montiel & Sánchez, 2025).
En la Facultad de Ciencias Contables, Administrativas y Económicas (FCCAyE) de la
Universidad Nacional de Pilar (UNP), caracterizar la percepción y las prácticas docentes de uso
de la IAG resulta indispensable para orientar políticas institucionales alineadas con el Objetivo
de Desarrollo Sostenible 4 (ODS 4) de la Agenda 2030.
En respuesta a este escenario, el presente artículo científico tiene como objetivo general
analizar la percepción y el nivel de uso de la Inteligencia Artificial Generativa en la planificación
docente por parte de los profesores de la FCCAyE - UNP durante el año lectivo 2026.
Específicamente, se busca: a) identificar las herramientas de IAG más empleadas; b) indagar las
valoraciones pedagógicas, actitudes y barreras que manifiesta el profesorado; c) describir las
aplicaciones prácticas concretas en el diseño microcurricular; y d) reconocer las necesidades de
acompañamiento e institucionalización ética en la universidad.
INTRODUCCIÓN
En la actual sociedad del conocimiento, la educación superior atraviesa una metamorfosis
estructural impulsada por la convergencia acelerada de tecnologías emergentes. En este contexto,
la Inteligencia Artificial Generativa (IAG) ha emergido no solo como un recurso
computacional avanzado, sino como un nuevo paradigma socio-técnico capaz de redefinir de
manera sustancial la gestión curricular y los procesos de enseñanza-aprendizaje (García-Peñalvo
y otros, 2024). A diferencia de los sistemas tradicionales basados en reglas fijas, la IAG sustentada
en Grandes Modelos de Lenguaje (LLMs) posee la capacidad de generar secuencias de texto,
código, análisis de datos y recursos didácticos complejos a partir de la interacción en lenguaje
natural (Vaswani y otros, 2017); (Management Solutions, 2024).
En la labor del profesorado universitario, la planificación didáctica constituye la
dimensión técnico-pedagógica estratégica donde se articulan las competencias, las secuencias de
contenidos y las estrategias de evaluación. Como sostienen Vivas Urías et al. (2025), la IAG
ofrece un potencial sin precedentes para optimizar la gestión del tiempo docente, automatizar
tareas administrativas y facilitar la ingeniería de contenidos contextualizados al ámbito
profesional. No obstante, las directrices del Marco de Competencias de IA para Docentes de la
UNESCO (Hernández-Fernández, 2024) subrayan que el despliegue tecnológico no puede
responder a una mera inercia instrumental, sino que debe estar anclado en principios de
responsabilidad, transparencia, equidad y preservación de la agencia humana.
A nivel regional y local, persiste una brecha crítica entre la irrupción masiva de estas
plataformas y su integración didáctica sistemática en las facultades de ciencias económicas y
contables. La falta de diagnósticos empíricos locales genera que la adopción tecnológica se
desarrolle de forma predominantemente empírica, fragmentada y condicionada por
incertidumbres éticas o vacíos en la alfabetización digital (Rodrigues y otros, 2025; Figueredo
Montiel & Sánchez, 2025).
En la Facultad de Ciencias Contables, Administrativas y Económicas (FCCAyE) de la
Universidad Nacional de Pilar (UNP), caracterizar la percepción y las prácticas docentes de uso
de la IAG resulta indispensable para orientar políticas institucionales alineadas con el Objetivo
de Desarrollo Sostenible 4 (ODS 4) de la Agenda 2030.
En respuesta a este escenario, el presente artículo científico tiene como objetivo general
analizar la percepción y el nivel de uso de la Inteligencia Artificial Generativa en la planificación
docente por parte de los profesores de la FCCAyE - UNP durante el año lectivo 2026.
Específicamente, se busca: a) identificar las herramientas de IAG más empleadas; b) indagar las
valoraciones pedagógicas, actitudes y barreras que manifiesta el profesorado; c) describir las
aplicaciones prácticas concretas en el diseño microcurricular; y d) reconocer las necesidades de
acompañamiento e institucionalización ética en la universidad.
Vol. 13/ Núm. 3 2026 pág. 2476
Evolución de la interacción ser humano-computadora hacia la IA generativa
La comunicación en lenguaje natural entre personas y computadoras inició con sistemas
basados en reglas y patrones predefinidos. Un hito pionero fue ELIZA, desarrollado por
Weizenbaum (1966) en el MIT, el cual empleaba palabras clave y reglas de descomposición para
simular conversaciones. Posteriormente, en la década de 1970 surgieron sistemas más complejos
como PARRY, orientado a simular patrones de comunicación asociados con la paranoia (Colby
y otros, 1971). Aunque representaron avances significativos, estas primeras herramientas estaban
limitadas por su dependencia estricta de estructuras previamente programadas.
El salto paradigmático en el procesamiento del lenguaje natural se produjo con el
aprendizaje profundo y, especialmente, con la introducción de la arquitectura Transformer basada
en mecanismos de atención (Vaswani y otros, 2017). Esta innovación sentó las bases para el
desarrollo de los Grandes Modelos de Lenguaje (LLM). A diferencia de los sistemas tradicionales,
los LLM se entrenan con volúmenes masivos de datos para generar nuevo texto a partir de
patrones aprendidos, facilitando tareas de redacción, transformación, resumen y análisis
(Management Solutions, 2024).
En el campo educativo, la IA generativa amplía las posibilidades de interacción al apoyar
la planificación, la creación de materiales y la retroalimentación docente. No obstante, la
UNESCO (2023) enfatiza que su integración debe adoptar un enfoque centrado en el ser humano,
garantizando la ética, la equidad, la privacidad, la seguridad y la pertinencia pedagógica, sin
prescindir de la supervisión crítica humana. (UNESCO, 2023)
Principales herramientas de IA generativa: análisis y caracterización de herramientas de
texto e imagen
La expansión de la IA generativa ha configurado un amplio ecosistema de aplicaciones
adaptadas a diversas modalidades de producción de contenido. Para fines de este estudio, este
panorama se clasifica principalmente en:
− Herramientas conversacionales y de generación textual: orientadas a la formulación
de explicaciones, redacción y procesamiento sintáctico-semántico de textos.
− Plataformas multimodales: capaces de procesar e integrar simultáneamente distintos
tipos de entrada como texto, audio e imágenes.
− Sistemas de generación y edición visual: diseñados para la creación y modificación de
recursos gráficos a partir de descripciones textuales (prompts).
La Inteligencia Artificial Generativa y la Transformación Digital en Educación Superior
La inteligencia artificial (IA) generativa está transformando progresivamente los procesos
de enseñanza y aprendizaje en la educación superior al ampliar las posibilidades de creación de
contenidos, interacción, acompañamiento y personalización de las experiencias formativas
(Delgado Kloos & Alario-Hoyos, 2026). Diversos estudios respaldan la implementación de
modelos de lenguaje de gran escala (LLM) y chatbots como asistentes conversacionales para
Evolución de la interacción ser humano-computadora hacia la IA generativa
La comunicación en lenguaje natural entre personas y computadoras inició con sistemas
basados en reglas y patrones predefinidos. Un hito pionero fue ELIZA, desarrollado por
Weizenbaum (1966) en el MIT, el cual empleaba palabras clave y reglas de descomposición para
simular conversaciones. Posteriormente, en la década de 1970 surgieron sistemas más complejos
como PARRY, orientado a simular patrones de comunicación asociados con la paranoia (Colby
y otros, 1971). Aunque representaron avances significativos, estas primeras herramientas estaban
limitadas por su dependencia estricta de estructuras previamente programadas.
El salto paradigmático en el procesamiento del lenguaje natural se produjo con el
aprendizaje profundo y, especialmente, con la introducción de la arquitectura Transformer basada
en mecanismos de atención (Vaswani y otros, 2017). Esta innovación sentó las bases para el
desarrollo de los Grandes Modelos de Lenguaje (LLM). A diferencia de los sistemas tradicionales,
los LLM se entrenan con volúmenes masivos de datos para generar nuevo texto a partir de
patrones aprendidos, facilitando tareas de redacción, transformación, resumen y análisis
(Management Solutions, 2024).
En el campo educativo, la IA generativa amplía las posibilidades de interacción al apoyar
la planificación, la creación de materiales y la retroalimentación docente. No obstante, la
UNESCO (2023) enfatiza que su integración debe adoptar un enfoque centrado en el ser humano,
garantizando la ética, la equidad, la privacidad, la seguridad y la pertinencia pedagógica, sin
prescindir de la supervisión crítica humana. (UNESCO, 2023)
Principales herramientas de IA generativa: análisis y caracterización de herramientas de
texto e imagen
La expansión de la IA generativa ha configurado un amplio ecosistema de aplicaciones
adaptadas a diversas modalidades de producción de contenido. Para fines de este estudio, este
panorama se clasifica principalmente en:
− Herramientas conversacionales y de generación textual: orientadas a la formulación
de explicaciones, redacción y procesamiento sintáctico-semántico de textos.
− Plataformas multimodales: capaces de procesar e integrar simultáneamente distintos
tipos de entrada como texto, audio e imágenes.
− Sistemas de generación y edición visual: diseñados para la creación y modificación de
recursos gráficos a partir de descripciones textuales (prompts).
La Inteligencia Artificial Generativa y la Transformación Digital en Educación Superior
La inteligencia artificial (IA) generativa está transformando progresivamente los procesos
de enseñanza y aprendizaje en la educación superior al ampliar las posibilidades de creación de
contenidos, interacción, acompañamiento y personalización de las experiencias formativas
(Delgado Kloos & Alario-Hoyos, 2026). Diversos estudios respaldan la implementación de
modelos de lenguaje de gran escala (LLM) y chatbots como asistentes conversacionales para
Vol. 13/ Núm. 3 2026 pág. 2477
brindar soporte contextualizado a los estudiantes (Alario-Hoyos y otros, 2024). Asimismo, se
reportan efectos favorables en la generación de recursos didácticos tales como infografías e
imágenes generadas por IA, los cuales incrementan la atención, comprensión, motivación y
satisfacción estudiantil (Karim & Mahphoth, 2025; Berg et al., 2024).
Esta evolución se enmarca en una transformación digital más amplia que abarca el
aprendizaje a lo largo de la vida y el surgimiento de nuevas ecologías de acreditación, como las
microcredenciales (Brown et al., 2021). No obstante, los beneficios de la IA no se producen de
manera automática; dependen estrictamente de la finalidad pedagógica, la calidad de los recursos,
la preparación docente y el desarrollo de un pensamiento crítico. Por ello, la IA debe concebirse
como un complemento pedagógico que exige competencias digitales, criterios éticos y una
indispensable supervisión humana (Berg y otros, 2024; Delgado Kloos & Alario-Hoyos, 2026).
La Planificación Docente y la Integración Pedagógica de la IAG
En el contexto regional de Pilar, Paraguay, Figueredo Montiel y Sánchez (2025)
analizaron la integración de la IA en la formación inicial docente, evaluando a 75 alumnos-
maestros de Educación Escolar Básica. Los hallazgos revelan una valoración altamente positiva
de su potencial pedagógico, destacando ventajas como el ahorro de tiempo en tareas
administrativas y de planificación (72.0%), la mejora en la accesibilidad a contenidos (64.0%), la
personalización del aprendizaje (56.0%) y la retroalimentación inmediata (45.3%).
A pesar de esta actitud favorable, existe una brecha notable entre la percepción y la
práctica efectiva: solo el 37.3% reporta haber integrado activamente la IA en su formación,
mientras que el 50.7% no la utiliza pese a haber oído hablar de ella, y un 12.0% la desconoce por
completo (Figueredo Montiel & Sánchez, 2025). Entre las principales barreras estructurales e
institucionales destacan la falta de infraestructura y conectividad (84.0%), la carencia de
capacitación especializada (78.7%), las limitaciones de acceso a licencias pagas (54.7%) y la
desinformación sobre la dimensión ética y de privacidad (42.7%). En el plano ético, únicamente
el 25.3% afirma comprender sus principios y aplicación práctica (Figueredo Montiel & Sánchez,
2025). Pese a estos desafíos, el 60.0% de los futuros docentes muestra disposición para capacitarse
en IA educativa, lo que evidencia la necesidad urgente de articular mejoras infraestructurales con
el desarrollo integral de competencias digitales y éticas en el currículo formativo.
Implicaciones Éticas, Riesgos y Retos en el Uso de la IAG
El despliegue de la inteligencia artificial generativa (IAG) en el ámbito educativo plantea
dilemas éticos y desafíos pedagógicos que impactan directamente en la integridad académica y
en el desarrollo de las competencias de enseñanza-aprendizaje:
− Integridad académica y autoría: La dificultad para delimitar la autoría intelectual en
trabajos y planificaciones asistidos por IAG, sumada a la falta de marcos normativos claros,
genera incertidumbre institucional respecto a la frontera entre el apoyo tecnológico y la
deshonestidad académica (Manga & Islami, 2026).
brindar soporte contextualizado a los estudiantes (Alario-Hoyos y otros, 2024). Asimismo, se
reportan efectos favorables en la generación de recursos didácticos tales como infografías e
imágenes generadas por IA, los cuales incrementan la atención, comprensión, motivación y
satisfacción estudiantil (Karim & Mahphoth, 2025; Berg et al., 2024).
Esta evolución se enmarca en una transformación digital más amplia que abarca el
aprendizaje a lo largo de la vida y el surgimiento de nuevas ecologías de acreditación, como las
microcredenciales (Brown et al., 2021). No obstante, los beneficios de la IA no se producen de
manera automática; dependen estrictamente de la finalidad pedagógica, la calidad de los recursos,
la preparación docente y el desarrollo de un pensamiento crítico. Por ello, la IA debe concebirse
como un complemento pedagógico que exige competencias digitales, criterios éticos y una
indispensable supervisión humana (Berg y otros, 2024; Delgado Kloos & Alario-Hoyos, 2026).
La Planificación Docente y la Integración Pedagógica de la IAG
En el contexto regional de Pilar, Paraguay, Figueredo Montiel y Sánchez (2025)
analizaron la integración de la IA en la formación inicial docente, evaluando a 75 alumnos-
maestros de Educación Escolar Básica. Los hallazgos revelan una valoración altamente positiva
de su potencial pedagógico, destacando ventajas como el ahorro de tiempo en tareas
administrativas y de planificación (72.0%), la mejora en la accesibilidad a contenidos (64.0%), la
personalización del aprendizaje (56.0%) y la retroalimentación inmediata (45.3%).
A pesar de esta actitud favorable, existe una brecha notable entre la percepción y la
práctica efectiva: solo el 37.3% reporta haber integrado activamente la IA en su formación,
mientras que el 50.7% no la utiliza pese a haber oído hablar de ella, y un 12.0% la desconoce por
completo (Figueredo Montiel & Sánchez, 2025). Entre las principales barreras estructurales e
institucionales destacan la falta de infraestructura y conectividad (84.0%), la carencia de
capacitación especializada (78.7%), las limitaciones de acceso a licencias pagas (54.7%) y la
desinformación sobre la dimensión ética y de privacidad (42.7%). En el plano ético, únicamente
el 25.3% afirma comprender sus principios y aplicación práctica (Figueredo Montiel & Sánchez,
2025). Pese a estos desafíos, el 60.0% de los futuros docentes muestra disposición para capacitarse
en IA educativa, lo que evidencia la necesidad urgente de articular mejoras infraestructurales con
el desarrollo integral de competencias digitales y éticas en el currículo formativo.
Implicaciones Éticas, Riesgos y Retos en el Uso de la IAG
El despliegue de la inteligencia artificial generativa (IAG) en el ámbito educativo plantea
dilemas éticos y desafíos pedagógicos que impactan directamente en la integridad académica y
en el desarrollo de las competencias de enseñanza-aprendizaje:
− Integridad académica y autoría: La dificultad para delimitar la autoría intelectual en
trabajos y planificaciones asistidos por IAG, sumada a la falta de marcos normativos claros,
genera incertidumbre institucional respecto a la frontera entre el apoyo tecnológico y la
deshonestidad académica (Manga & Islami, 2026).
Vol. 13/ Núm. 3 2026 pág. 2478
− Dependencia cognitiva y tecnológica: Existe el riesgo de promover una delegación
excesiva de tareas intelectuales en estudiantes y docentes, lo que podría debilitar el
desarrollo del pensamiento crítico, la capacidad de redacción y la resolución autónoma de
problemas (Ramírez Martinell & Casillas Alvarado, 2024).
− Reproducción de sesgos: Dado que los modelos de lenguaje de gran escala (LLM) se
entrenan con volúmenes masivos de datos procedentes de la web, tienden a reproducir y
amplificar sesgos culturales, de género, lingüísticos y socioeconómicos, corriendo el riesgo
de perpetuar estereotipos si no se aplican con criterio inclusivo (Ramírez Martinell &
Casillas Alvarado, 2024).
− Alucinaciones e imprecisiones conceptuales: La naturaleza probabilística de la IAG
puede generar datos fácticamente erróneos o fuentes inexistentes presentadas con
apariencia de veracidad («alucinaciones»), lo que demanda una verificación y supervisión
humana continua antes de incorporar dichos contenidos en las secuencias didácticas
(Manga & Islami, 2026).
MATERIALES Y MÉTODOS
Enfoque y diseño
La investigación se desarrolló bajo un enfoque mixto, integrando procedimientos
cuantitativos y cualitativos para analizar la percepción pedagógica, las actitudes éticas y el uso de
la Inteligencia Artificial Generativa (IAG) en la planificación docente.
El estudio correspondió a un diseño no experimental y transversal, debido a que las
variables fueron observadas en su contexto natural y los datos fueron recolectados durante un
único período del año lectivo 2026. Su alcance fue descriptivo-correlacional, al caracterizar las
percepciones y prácticas docentes y determinar la asociación entre la percepción de competencia
técnica y la frecuencia de integración de la IAG (Hernández-Sampieri & Mendoza Torres, 2018).
El estudio se realizó en la Facultad de Ciencias Contables, Administrativas y Económicas
(FCCAyE) de la Universidad Nacional de Pilar (UNP), sede central, ubicada en Pilar, Paraguay.
Población y muestra
La población estuvo constituida por 72 docentes (N = 72) de las carreras de Contaduría
Pública Nacional y Administración de Empresas. Debido al tamaño accesible del universo, se
optó por un censo poblacional para el componente cuantitativo.
Se obtuvo una participación efectiva de 61 docentes, equivalente al 84,7 % de la
población. Para el componente cualitativo se utilizó un muestreo intencional, seleccionándose dos
informantes clave, correspondientes a directivos o coordinadores académicos de la facultad.
Entre los docentes participantes, el 54,1 % (n = 33) correspondió a Contaduría Pública
Nacional y el 45,9 % (n = 28) a Administración de Empresas. En cuanto a la antigüedad docente,
− Dependencia cognitiva y tecnológica: Existe el riesgo de promover una delegación
excesiva de tareas intelectuales en estudiantes y docentes, lo que podría debilitar el
desarrollo del pensamiento crítico, la capacidad de redacción y la resolución autónoma de
problemas (Ramírez Martinell & Casillas Alvarado, 2024).
− Reproducción de sesgos: Dado que los modelos de lenguaje de gran escala (LLM) se
entrenan con volúmenes masivos de datos procedentes de la web, tienden a reproducir y
amplificar sesgos culturales, de género, lingüísticos y socioeconómicos, corriendo el riesgo
de perpetuar estereotipos si no se aplican con criterio inclusivo (Ramírez Martinell &
Casillas Alvarado, 2024).
− Alucinaciones e imprecisiones conceptuales: La naturaleza probabilística de la IAG
puede generar datos fácticamente erróneos o fuentes inexistentes presentadas con
apariencia de veracidad («alucinaciones»), lo que demanda una verificación y supervisión
humana continua antes de incorporar dichos contenidos en las secuencias didácticas
(Manga & Islami, 2026).
MATERIALES Y MÉTODOS
Enfoque y diseño
La investigación se desarrolló bajo un enfoque mixto, integrando procedimientos
cuantitativos y cualitativos para analizar la percepción pedagógica, las actitudes éticas y el uso de
la Inteligencia Artificial Generativa (IAG) en la planificación docente.
El estudio correspondió a un diseño no experimental y transversal, debido a que las
variables fueron observadas en su contexto natural y los datos fueron recolectados durante un
único período del año lectivo 2026. Su alcance fue descriptivo-correlacional, al caracterizar las
percepciones y prácticas docentes y determinar la asociación entre la percepción de competencia
técnica y la frecuencia de integración de la IAG (Hernández-Sampieri & Mendoza Torres, 2018).
El estudio se realizó en la Facultad de Ciencias Contables, Administrativas y Económicas
(FCCAyE) de la Universidad Nacional de Pilar (UNP), sede central, ubicada en Pilar, Paraguay.
Población y muestra
La población estuvo constituida por 72 docentes (N = 72) de las carreras de Contaduría
Pública Nacional y Administración de Empresas. Debido al tamaño accesible del universo, se
optó por un censo poblacional para el componente cuantitativo.
Se obtuvo una participación efectiva de 61 docentes, equivalente al 84,7 % de la
población. Para el componente cualitativo se utilizó un muestreo intencional, seleccionándose dos
informantes clave, correspondientes a directivos o coordinadores académicos de la facultad.
Entre los docentes participantes, el 54,1 % (n = 33) correspondió a Contaduría Pública
Nacional y el 45,9 % (n = 28) a Administración de Empresas. En cuanto a la antigüedad docente,
Vol. 13/ Núm. 3 2026 pág. 2479
el 42,6 % registró más de 10 años de experiencia, el 37,7 % entre 5 y 10 años y el 19,7 % menos
de 5 años.
Técnicas e instrumentos
Para la recolección cuantitativa se empleó la encuesta, mediante un cuestionario
estructurado de 13 ítems, organizado en cuatro bloques: datos socioacadémicos; percepción
pedagógica y ética; tipología de herramientas de IAG; y frecuencia de uso en la planificación
docente.
La percepción pedagógica y ética fue medida mediante una escala Likert de cinco puntos,
mientras que la frecuencia de utilización de la IAG se evaluó igualmente mediante una escala de
cinco niveles. El instrumento fue sometido a juicio de expertos y presentó una adecuada
consistencia interna, con un coeficiente alfa de Cronbach de α = 0,88.
Para el componente cualitativo se aplicó una entrevista semiestructurada a dos
informantes clave. La guía estuvo conformada por seis preguntas abiertas relacionadas con las
barreras metodológicas, los dilemas éticos y las demandas de gestión institucional vinculadas con
el uso de la IAG.
Variables y dimensiones de análisis
La investigación consideró como eje central la percepción y uso de la Inteligencia
Artificial Generativa en la planificación docente. Para el análisis cuantitativo se contemplaron
aspectos relacionados con la valoración pedagógica, las actitudes docentes, los riesgos éticos, las
competencias técnicas y la frecuencia de integración práctica.
En particular, el análisis correlacional examinó la relación entre la percepción de
limitación o brecha en las competencias técnicas (V₁) y la frecuencia global de uso práctico de la
IAG (V₃). Esta relación permitió establecer si las dificultades percibidas en materia de
alfabetización digital se asociaban con una menor integración de estas herramientas en las
actividades de planificación.
Procedimiento
La recolección de datos se efectuó durante el año lectivo 2026. Inicialmente se diseñó el
cuestionario y la guía de entrevista en correspondencia con los objetivos de investigación. El
instrumento cuantitativo fue posteriormente sometido a juicio de expertos y se verificó su
consistencia interna.
Una vez finalizado este proceso, el cuestionario fue aplicado a los docentes de las carreras
seleccionadas. De los 72 integrantes de la población se obtuvieron 61 respuestas válidas.
Paralelamente, se realizaron las entrevistas semiestructuradas a los dos informantes clave.
Los datos obtenidos fueron posteriormente sistematizados para su procesamiento
estadístico y análisis cualitativo. La información cuantitativa permitió identificar tendencias en
las percepciones, actitudes y prácticas de uso, mientras que las entrevistas permitieron
el 42,6 % registró más de 10 años de experiencia, el 37,7 % entre 5 y 10 años y el 19,7 % menos
de 5 años.
Técnicas e instrumentos
Para la recolección cuantitativa se empleó la encuesta, mediante un cuestionario
estructurado de 13 ítems, organizado en cuatro bloques: datos socioacadémicos; percepción
pedagógica y ética; tipología de herramientas de IAG; y frecuencia de uso en la planificación
docente.
La percepción pedagógica y ética fue medida mediante una escala Likert de cinco puntos,
mientras que la frecuencia de utilización de la IAG se evaluó igualmente mediante una escala de
cinco niveles. El instrumento fue sometido a juicio de expertos y presentó una adecuada
consistencia interna, con un coeficiente alfa de Cronbach de α = 0,88.
Para el componente cualitativo se aplicó una entrevista semiestructurada a dos
informantes clave. La guía estuvo conformada por seis preguntas abiertas relacionadas con las
barreras metodológicas, los dilemas éticos y las demandas de gestión institucional vinculadas con
el uso de la IAG.
Variables y dimensiones de análisis
La investigación consideró como eje central la percepción y uso de la Inteligencia
Artificial Generativa en la planificación docente. Para el análisis cuantitativo se contemplaron
aspectos relacionados con la valoración pedagógica, las actitudes docentes, los riesgos éticos, las
competencias técnicas y la frecuencia de integración práctica.
En particular, el análisis correlacional examinó la relación entre la percepción de
limitación o brecha en las competencias técnicas (V₁) y la frecuencia global de uso práctico de la
IAG (V₃). Esta relación permitió establecer si las dificultades percibidas en materia de
alfabetización digital se asociaban con una menor integración de estas herramientas en las
actividades de planificación.
Procedimiento
La recolección de datos se efectuó durante el año lectivo 2026. Inicialmente se diseñó el
cuestionario y la guía de entrevista en correspondencia con los objetivos de investigación. El
instrumento cuantitativo fue posteriormente sometido a juicio de expertos y se verificó su
consistencia interna.
Una vez finalizado este proceso, el cuestionario fue aplicado a los docentes de las carreras
seleccionadas. De los 72 integrantes de la población se obtuvieron 61 respuestas válidas.
Paralelamente, se realizaron las entrevistas semiestructuradas a los dos informantes clave.
Los datos obtenidos fueron posteriormente sistematizados para su procesamiento
estadístico y análisis cualitativo. La información cuantitativa permitió identificar tendencias en
las percepciones, actitudes y prácticas de uso, mientras que las entrevistas permitieron
Vol. 13/ Núm. 3 2026 pág. 2480
complementar estos resultados mediante la perspectiva de los responsables de la gestión
académica.
Análisis de datos
Los datos cuantitativos fueron procesados mediante estadística descriptiva e inferencial
no paramétrica. Para la descripción de los resultados se utilizaron frecuencias absolutas y
porcentajes, permitiendo caracterizar las percepciones docentes, las herramientas empleadas y las
principales aplicaciones de la IAG en la planificación.
Para determinar la asociación entre la percepción de limitación técnica y la frecuencia de
integración práctica de la IAG se aplicó el coeficiente de correlación por rangos de Spearman (ρ).
La significancia estadística se estableció con un nivel de α = 0,05.
El análisis obtuvo una correlación de ρ = -0,524, con p < 0,001, evidenciando una relación
negativa moderada y estadísticamente significativa entre ambas variables. Por tanto, una mayor
percepción de brecha en las competencias técnicas se relacionó con una menor frecuencia de
integración sistemática de la IAG en la planificación docente.
El componente cualitativo fue analizado mediante análisis de contenido temático,
organizando la información en categorías relacionadas con barreras metodológicas, riesgos éticos,
capacitación y necesidades de gestión institucional. Los resultados fueron sistematizados
mediante matrices comparativas y utilizados como complemento de la evidencia cuantitativa.
Aspectos éticos
La investigación garantizó la participación voluntaria de los docentes e informantes clave
y el uso de la información exclusivamente con fines académicos y científicos. Asimismo, se
procuró preservar la confidencialidad de los participantes y evitar la identificación individual en
la presentación de los resultados.
La información obtenida mediante las encuestas y entrevistas fue tratada de manera
agregada, respetando los principios de confidencialidad, anonimato y responsabilidad en el
manejo de los datos.
Tabla 1
Caracterización demográfica y académica de la muestra docente (N = 61)
Variable Categorial Categoría / Subgrupo Frecuencia
(n)
Porcentaje
(%)
Carrera principal de docencia
Contaduría Pública
Nacional
33 54,1%
Administración de
Empresas
28 45,9%
Antigüedad en docencia
universitaria
Menos de 5 años 12 19,7%
De 5 a 10 años 23 37,7%
Más de 10 años 26 42,6%
complementar estos resultados mediante la perspectiva de los responsables de la gestión
académica.
Análisis de datos
Los datos cuantitativos fueron procesados mediante estadística descriptiva e inferencial
no paramétrica. Para la descripción de los resultados se utilizaron frecuencias absolutas y
porcentajes, permitiendo caracterizar las percepciones docentes, las herramientas empleadas y las
principales aplicaciones de la IAG en la planificación.
Para determinar la asociación entre la percepción de limitación técnica y la frecuencia de
integración práctica de la IAG se aplicó el coeficiente de correlación por rangos de Spearman (ρ).
La significancia estadística se estableció con un nivel de α = 0,05.
El análisis obtuvo una correlación de ρ = -0,524, con p < 0,001, evidenciando una relación
negativa moderada y estadísticamente significativa entre ambas variables. Por tanto, una mayor
percepción de brecha en las competencias técnicas se relacionó con una menor frecuencia de
integración sistemática de la IAG en la planificación docente.
El componente cualitativo fue analizado mediante análisis de contenido temático,
organizando la información en categorías relacionadas con barreras metodológicas, riesgos éticos,
capacitación y necesidades de gestión institucional. Los resultados fueron sistematizados
mediante matrices comparativas y utilizados como complemento de la evidencia cuantitativa.
Aspectos éticos
La investigación garantizó la participación voluntaria de los docentes e informantes clave
y el uso de la información exclusivamente con fines académicos y científicos. Asimismo, se
procuró preservar la confidencialidad de los participantes y evitar la identificación individual en
la presentación de los resultados.
La información obtenida mediante las encuestas y entrevistas fue tratada de manera
agregada, respetando los principios de confidencialidad, anonimato y responsabilidad en el
manejo de los datos.
Tabla 1
Caracterización demográfica y académica de la muestra docente (N = 61)
Variable Categorial Categoría / Subgrupo Frecuencia
(n)
Porcentaje
(%)
Carrera principal de docencia
Contaduría Pública
Nacional
33 54,1%
Administración de
Empresas
28 45,9%
Antigüedad en docencia
universitaria
Menos de 5 años 12 19,7%
De 5 a 10 años 23 37,7%
Más de 10 años 26 42,6%
Vol. 13/ Núm. 3 2026 pág. 2481
RESULTADOS Y DISCUSIÓN
Percepción pedagógica y valoración pragmática
Los hallazgos empíricos revelan un marcado consenso positivo respecto a las bondades
operativas de la IAG en la educación superior. El 73,8% (n = 45) de los docentes encuestados
coincide en que la integración de la IAG mejora significativamente la eficiencia y productividad
de la labor académica (45,9% "De acuerdo" y 27,9% "Totalmente de acuerdo"). Asimismo, un
sólido 80,3% (n = 49) percibe a estas herramientas como una oportunidad estratégica para la
innovación metodológica en la FCCAyE.
Tabla 2
Distribución de percepciones pedagógicas y actitudes docentes (N = 61)
Indicador / Ítem de Evaluación Desacuerdo (1-
2)
Neutral (3) Acuerdo (4-
5)
Aumento de eficiencia y productividad
docente
11,5% (n=7) 14,8%
(n=9)
73,8% (n=45)
Favorecimiento de aprendizajes
significativos
16,4% (n=10) 23,0%
(n=14)
60,6% (n=37)
Disposición y actitud proactiva hacia la
IAG
8,2% (n=5) 18,0%
(n=11)
73,8% (n=45)
Oportunidad estratégica para innovación
metodológica
6,6% (n=4) 13,1%
(n=8)
80,3% (n=49)
Respecto al impacto pedagógico en los estudiantes, si bien un 60,6% (n = 37) considera
que la IAG favorece aprendizajes significativos, se registra un 23,0% de posturas neutrales. Este
matiz de cautela coincide con lo reportado por Rodrigues et al. (2025), confirmando que los
profesores diferencian entre la optimización operativa de sus tareas y la efectividad cognitiva de
la IA en el estudiantado. La actitud proactiva personal alcanza un 73,8%, descartando la presencia
de sesgos de "fobia tecnológica" en la facultad.
Tensiones éticas y riesgos cognitivos
A la par de la valoración positiva, se identificaron elevadas alertas ético-pedagógicas. El
70,5% (n = 43) de los profesores manifiesta una marcada preocupación ante la falta de regulación
del uso estudiantil y sus riesgos sobre el plagio académico. Adicionalmente, el 72,1% (n = 44)
advierte que la dependencia desmedida de la IAG puede debilitar la autonomía intelectual y el
pensamiento crítico de los alumnos.
RESULTADOS Y DISCUSIÓN
Percepción pedagógica y valoración pragmática
Los hallazgos empíricos revelan un marcado consenso positivo respecto a las bondades
operativas de la IAG en la educación superior. El 73,8% (n = 45) de los docentes encuestados
coincide en que la integración de la IAG mejora significativamente la eficiencia y productividad
de la labor académica (45,9% "De acuerdo" y 27,9% "Totalmente de acuerdo"). Asimismo, un
sólido 80,3% (n = 49) percibe a estas herramientas como una oportunidad estratégica para la
innovación metodológica en la FCCAyE.
Tabla 2
Distribución de percepciones pedagógicas y actitudes docentes (N = 61)
Indicador / Ítem de Evaluación Desacuerdo (1-
2)
Neutral (3) Acuerdo (4-
5)
Aumento de eficiencia y productividad
docente
11,5% (n=7) 14,8%
(n=9)
73,8% (n=45)
Favorecimiento de aprendizajes
significativos
16,4% (n=10) 23,0%
(n=14)
60,6% (n=37)
Disposición y actitud proactiva hacia la
IAG
8,2% (n=5) 18,0%
(n=11)
73,8% (n=45)
Oportunidad estratégica para innovación
metodológica
6,6% (n=4) 13,1%
(n=8)
80,3% (n=49)
Respecto al impacto pedagógico en los estudiantes, si bien un 60,6% (n = 37) considera
que la IAG favorece aprendizajes significativos, se registra un 23,0% de posturas neutrales. Este
matiz de cautela coincide con lo reportado por Rodrigues et al. (2025), confirmando que los
profesores diferencian entre la optimización operativa de sus tareas y la efectividad cognitiva de
la IA en el estudiantado. La actitud proactiva personal alcanza un 73,8%, descartando la presencia
de sesgos de "fobia tecnológica" en la facultad.
Tensiones éticas y riesgos cognitivos
A la par de la valoración positiva, se identificaron elevadas alertas ético-pedagógicas. El
70,5% (n = 43) de los profesores manifiesta una marcada preocupación ante la falta de regulación
del uso estudiantil y sus riesgos sobre el plagio académico. Adicionalmente, el 72,1% (n = 44)
advierte que la dependencia desmedida de la IAG puede debilitar la autonomía intelectual y el
pensamiento crítico de los alumnos.
Vol. 13/ Núm. 3 2026 pág. 2482
Tabla 3
Percepción docente sobre riesgos éticos, cognitivos y barreras de capacitación
Dimensión de Riesgo / Barrera Frecuencia
(n)
Porcentaje
(%)
Preocupación por plagio e integridad académica:
− En acuerdo / Preocupados (Likert 4 y 5) 43 70,5%
− Neutral (Likert 3) 10 16,4%
− En desacuerdo (Likert 1 y 2) 8 13,1%
Riesgo de reducción del pensamiento crítico:
− En acuerdo / Advierten riesgo (Likert 4 y 5) 44 72,1%
− Neutral (Likert 3) 11 18,0%
− En desacuerdo (Likert 1 y 2) 6 9,8%
Carencia de competencia técnica propia como
barrera:
− Perciben brecha formativa (Likert 4 y 5) 38 62,3%
Estos hallazgos respaldan las tesis de Manga e Islami (2026) y Ramírez Martinell &
Casillas Alvarado (2024) sobre los peligros de la "subcontratación cognitiva". La evidencia
cualitativa obtenida de los coordinadores académicos corrobora esta tensión:
"Existe entusiasmo en los profesores por agilizar sus materiales, pero hay un temor latente
ante la falta de reglamentación. Los docentes no saben con certeza cómo evaluar si un
trabajo práctico fue procesado éticamente o simplemente copiado de ChatGPT" (Informante
Clave 1, 2026).
Ecosistema tecnológico y aplicaciones en la planificación
En cuanto a las plataformas utilizadas, se observa un claro predominio de ChatGPT
(OpenAI, 2025), empleado por el 78,7% (n = 48) del cuerpo docente, seguido por Microsoft
Copilot (39,3%), Gemini de Google (31,1%), Perplexity AI (18,0%) y Claude (9,8%). Un 13,1%
(n = 8) reporta no utilizar ninguna herramienta de IAG.
Tabla 3
Percepción docente sobre riesgos éticos, cognitivos y barreras de capacitación
Dimensión de Riesgo / Barrera Frecuencia
(n)
Porcentaje
(%)
Preocupación por plagio e integridad académica:
− En acuerdo / Preocupados (Likert 4 y 5) 43 70,5%
− Neutral (Likert 3) 10 16,4%
− En desacuerdo (Likert 1 y 2) 8 13,1%
Riesgo de reducción del pensamiento crítico:
− En acuerdo / Advierten riesgo (Likert 4 y 5) 44 72,1%
− Neutral (Likert 3) 11 18,0%
− En desacuerdo (Likert 1 y 2) 6 9,8%
Carencia de competencia técnica propia como
barrera:
− Perciben brecha formativa (Likert 4 y 5) 38 62,3%
Estos hallazgos respaldan las tesis de Manga e Islami (2026) y Ramírez Martinell &
Casillas Alvarado (2024) sobre los peligros de la "subcontratación cognitiva". La evidencia
cualitativa obtenida de los coordinadores académicos corrobora esta tensión:
"Existe entusiasmo en los profesores por agilizar sus materiales, pero hay un temor latente
ante la falta de reglamentación. Los docentes no saben con certeza cómo evaluar si un
trabajo práctico fue procesado éticamente o simplemente copiado de ChatGPT" (Informante
Clave 1, 2026).
Ecosistema tecnológico y aplicaciones en la planificación
En cuanto a las plataformas utilizadas, se observa un claro predominio de ChatGPT
(OpenAI, 2025), empleado por el 78,7% (n = 48) del cuerpo docente, seguido por Microsoft
Copilot (39,3%), Gemini de Google (31,1%), Perplexity AI (18,0%) y Claude (9,8%). Un 13,1%
(n = 8) reporta no utilizar ninguna herramienta de IAG.
Vol. 13/ Núm. 3 2026 pág. 2483
Tabla 4
Usos funcionales y plataformas de IAG en la FCCAyE (Respuestas múltiples, N = 61)
Categoría Funcional / Plataforma Frecuencia (n) Porcentaje
(%)
Tipología de Funciones Aplicadas:
− Generadores de texto y asistencia de redacción 45 73,8%
− Búsqueda y síntesis de literatura científica 29 47,5%
− Generación de presentaciones y recursos visuales 22 36,1%
− Análisis de datos e interpretación de planillas 16 26,2%
Plataformas Específicas Empleadas:
− ChatGPT (OpenAI) 48 78,7%
− Microsoft Copilot 24 39,3%
− Gemini (Google) 19 31,1%
− Perplexity AI 11 18,0%
Al examinar la aplicación práctica en los componentes de la planificación docente, se
identifica una adopción diferenciada según la complejidad técnica y la rigidez institucional de la
tarea:
− Creación de casos prácticos y ejercicios: Representa la aplicación de mayor integración,
donde el 59,0% (n = 36) de los profesores la utiliza de forma ocasional a frecuente (34,4%
"A veces", 18,0% "Casi siempre" y 6,6% "Siempre").
− Diseño de instrumentos de evaluación y rúbricas: Presenta un nivel de integración
moderado con un 50,8% de uso combinado (29,5% "A veces" y 21,3% "Casi
siempre/Siempre").
− Elaboración de programas sintéticos (sílabos): Muestra la menor adopción sistemática,
donde el 54,1% la emplea "Rara vez" o "Nunca", alcanzando solo un 19,7% de uso habitual.
Prueba de hipótesis y análisis de correlación
Para verificar la Hipótesis General (H_1), se analizó la relación entre la percepción de
limitación técnica docente (V_1) y la frecuencia global de uso práctico de la IAG (V_3). Se
calculó el coeficiente de correlación de Spearman, obteniéndose un valor de ρ = -0,524 con una
p-valor de p < 0,001.
Dado que p < 0,05, se rechaza la hipótesis nula (H_0) y se acepta la hipótesis de
investigación (H_1). Existe una correlación negativa moderada y estadísticamente significativa:
a mayor percepción de brecha en las competencias técnicas propias, menor es la frecuencia de
integración sistemática de la IAG en el diseño microcurricular. Este resultado confirma
Tabla 4
Usos funcionales y plataformas de IAG en la FCCAyE (Respuestas múltiples, N = 61)
Categoría Funcional / Plataforma Frecuencia (n) Porcentaje
(%)
Tipología de Funciones Aplicadas:
− Generadores de texto y asistencia de redacción 45 73,8%
− Búsqueda y síntesis de literatura científica 29 47,5%
− Generación de presentaciones y recursos visuales 22 36,1%
− Análisis de datos e interpretación de planillas 16 26,2%
Plataformas Específicas Empleadas:
− ChatGPT (OpenAI) 48 78,7%
− Microsoft Copilot 24 39,3%
− Gemini (Google) 19 31,1%
− Perplexity AI 11 18,0%
Al examinar la aplicación práctica en los componentes de la planificación docente, se
identifica una adopción diferenciada según la complejidad técnica y la rigidez institucional de la
tarea:
− Creación de casos prácticos y ejercicios: Representa la aplicación de mayor integración,
donde el 59,0% (n = 36) de los profesores la utiliza de forma ocasional a frecuente (34,4%
"A veces", 18,0% "Casi siempre" y 6,6% "Siempre").
− Diseño de instrumentos de evaluación y rúbricas: Presenta un nivel de integración
moderado con un 50,8% de uso combinado (29,5% "A veces" y 21,3% "Casi
siempre/Siempre").
− Elaboración de programas sintéticos (sílabos): Muestra la menor adopción sistemática,
donde el 54,1% la emplea "Rara vez" o "Nunca", alcanzando solo un 19,7% de uso habitual.
Prueba de hipótesis y análisis de correlación
Para verificar la Hipótesis General (H_1), se analizó la relación entre la percepción de
limitación técnica docente (V_1) y la frecuencia global de uso práctico de la IAG (V_3). Se
calculó el coeficiente de correlación de Spearman, obteniéndose un valor de ρ = -0,524 con una
p-valor de p < 0,001.
Dado que p < 0,05, se rechaza la hipótesis nula (H_0) y se acepta la hipótesis de
investigación (H_1). Existe una correlación negativa moderada y estadísticamente significativa:
a mayor percepción de brecha en las competencias técnicas propias, menor es la frecuencia de
integración sistemática de la IAG en el diseño microcurricular. Este resultado confirma
Vol. 13/ Núm. 3 2026 pág. 2484
empíricamente que la capacitación docente constituye la variable crítica de mediación
institucional.
CONCLUSIONES
El estudio permite concluir que en la Facultad de Ciencias Contables, Administrativas y
Económicas de la UNP existe una disposición actitudinal favorable hacia la Inteligencia Artificial
Generativa, reconocida mayoritariamente (80,3 %) como una oportunidad estratégica para la
innovación metodológica y la mejora de la eficiencia en la labor docente.
No obstante, coexiste una marcada tensión entre el potencial práctico atribuido a estas
herramientas y las preocupaciones ético-pedagógicas asociadas con su utilización. El 70,5 % de
los docentes manifiesta preocupación por los riesgos de plagio y la integridad académica, mientras
que el 72,1 % advierte sobre el posible debilitamiento de la autonomía intelectual y el
pensamiento crítico de los estudiantes. Estos resultados evidencian la necesidad de fortalecer
criterios institucionales que orienten un uso responsable y transparente de la IAG.
En la práctica microcurricular, la IAG presenta una mayor integración en la creación de
casos prácticos y ejercicios, utilizada de manera ocasional a frecuente por el 59,0 % de los
docentes. En contraste, su incorporación en la elaboración de programas sintéticos o sílabos
continúa siendo limitada, con un 19,7 % de uso habitual. Esto evidencia una adopción
diferenciada de estas tecnologías según el tipo y complejidad de la actividad de planificación.
En cuanto al análisis inferencial, se identificó una correlación negativa moderada y
estadísticamente significativa entre la percepción de una brecha en las competencias técnicas y la
frecuencia de integración práctica de la IAG (ρ = -0,524; p < 0,001). Este resultado indica que, a
mayor percepción de limitación en las competencias técnicas, menor es la frecuencia con que los
docentes integran sistemáticamente estas herramientas en su planificación, sin que ello implique
establecer una relación causal.
En consecuencia, la integración de la Inteligencia Artificial Generativa en la educación
superior no debería plantearse como sustitución del criterio profesional del docente, sino como
un recurso de apoyo a la planificación y a la innovación pedagógica. Su incorporación efectiva
requiere fortalecer las competencias digitales del profesorado, promover criterios éticos de
utilización y establecer orientaciones institucionales que favorezcan una mediación pedagógica
responsable y el desarrollo de estrategias de evaluación auténtica.
Recomendaciones
− Plan de alfabetización digital docente: Diseñar desde la FCCAyE programas continuos
de capacitación en ingeniería de prompts, curaduría de contenidos y uso de herramientas
analíticas (Python/Excel asistidos por IA) adaptados a las ciencias económicas.
empíricamente que la capacitación docente constituye la variable crítica de mediación
institucional.
CONCLUSIONES
El estudio permite concluir que en la Facultad de Ciencias Contables, Administrativas y
Económicas de la UNP existe una disposición actitudinal favorable hacia la Inteligencia Artificial
Generativa, reconocida mayoritariamente (80,3 %) como una oportunidad estratégica para la
innovación metodológica y la mejora de la eficiencia en la labor docente.
No obstante, coexiste una marcada tensión entre el potencial práctico atribuido a estas
herramientas y las preocupaciones ético-pedagógicas asociadas con su utilización. El 70,5 % de
los docentes manifiesta preocupación por los riesgos de plagio y la integridad académica, mientras
que el 72,1 % advierte sobre el posible debilitamiento de la autonomía intelectual y el
pensamiento crítico de los estudiantes. Estos resultados evidencian la necesidad de fortalecer
criterios institucionales que orienten un uso responsable y transparente de la IAG.
En la práctica microcurricular, la IAG presenta una mayor integración en la creación de
casos prácticos y ejercicios, utilizada de manera ocasional a frecuente por el 59,0 % de los
docentes. En contraste, su incorporación en la elaboración de programas sintéticos o sílabos
continúa siendo limitada, con un 19,7 % de uso habitual. Esto evidencia una adopción
diferenciada de estas tecnologías según el tipo y complejidad de la actividad de planificación.
En cuanto al análisis inferencial, se identificó una correlación negativa moderada y
estadísticamente significativa entre la percepción de una brecha en las competencias técnicas y la
frecuencia de integración práctica de la IAG (ρ = -0,524; p < 0,001). Este resultado indica que, a
mayor percepción de limitación en las competencias técnicas, menor es la frecuencia con que los
docentes integran sistemáticamente estas herramientas en su planificación, sin que ello implique
establecer una relación causal.
En consecuencia, la integración de la Inteligencia Artificial Generativa en la educación
superior no debería plantearse como sustitución del criterio profesional del docente, sino como
un recurso de apoyo a la planificación y a la innovación pedagógica. Su incorporación efectiva
requiere fortalecer las competencias digitales del profesorado, promover criterios éticos de
utilización y establecer orientaciones institucionales que favorezcan una mediación pedagógica
responsable y el desarrollo de estrategias de evaluación auténtica.
Recomendaciones
− Plan de alfabetización digital docente: Diseñar desde la FCCAyE programas continuos
de capacitación en ingeniería de prompts, curaduría de contenidos y uso de herramientas
analíticas (Python/Excel asistidos por IA) adaptados a las ciencias económicas.
Vol. 13/ Núm. 3 2026 pág. 2485
− Lineamientos éticos y regulatorios: Formular un protocolo institucional sobre el uso ético
y transparente de la IAG en la UNP, delimitando los niveles permitidos de asistencia
tecnológica y estableciendo pautas de citación de modelos de lenguaje.
− Lineamientos éticos y regulatorios: Formular un protocolo institucional sobre el uso ético
y transparente de la IAG en la UNP, delimitando los niveles permitidos de asistencia
tecnológica y estableciendo pautas de citación de modelos de lenguaje.
Vol. 13/ Núm. 3 2026 pág. 2486
REFERENCIAS
Alario-Hoyos, C., Kemcha, R., Delgado Kloos, C., Callejo, P., Estévez-Ayres, I., Santín
Cristóbal, D., . . . López-Sánchez, J. L. (2024). Personalizando tu compañero de código:
Aprovechando los programas LLM y RAG para desarrollar un chatbot que apoye a los
estudiantes en un curso de programación. IEEE Xplore. https://doi.org/DOI:
10.1109/TALE62452.2024.10834365
Berg, C., Omsén, L., Hansson, H., & Mozelius, P. (2024). Imágenes generadas por IA por los
estudiantes: Impacto en la motivación, el aprendizaje y la satisfacción. Actas de la 5ª
Conferencia Internacional sobre Investigación en IA, ICAIR 2024, Vol. 5(núm. 1).
https://doi.org/https://doi.org/10.34190/icair.4.1.3243
Colby, K. M., Weber, S., & Hilf, F. D. (1971). Artificial paranoia. Artificial Intelligence, Vol.
2(Núm. 1), 1-25. https://doi.org/https://doi.org/10.1016/0004-3702(71)90002-6
Delgado Kloos, C., & Alario-Hoyos, C. (2026). El profundo impacto de la inteligencia artificial
en la educación superior. RIED-Revista Iberoamericana de Educación a Distancia, Vol.
29(núm. 2), 9-34. https://doi.org/https://doi.org/10.5944/ried.47295
Figueredo Montiel, M. D., & Sánchez, L. M. (2025). Integración de la Inteligencia Artificial en
la formación docente: Desafíos y Oportunidades. Pedagogical Constellations, Vol.
4(núm. 2), 404–427. https://doi.org/hĴps://doi.org/10.69821/constellations.v4i2.106
García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación
ante los avances de la inteligencia artificial generativa. RIED: revista iberoamericana de
educación a distancia, Vol. 27(Nº 1), 9-39.
https://dialnet.unirioja.es/servlet/articulo?codigo=9220257
Hernández-Fernández, A. (16 de setiembre de 2024). Inteligencia artificial para docentes según
la UNESCO. Educational. International Magazine Evidence:
https://educationalevidence.com/inteligencia-artificial-para-docentes-segun-la-unesco/
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: las
rutas cuantitativa, cualitativa y mixta. Ciudad de México, México: McGraw-Hill
Education. https://doi.org/https://doi.org/10.22201/fesc.20072236e.2019.10.18.6
Karim, R. A., & Mahphoth, M. H. (2025). El impacto de las diapositivas infográficas sobre IA en
la experiencia de aprendizaje de los estudiantes en la asignatura de Fundamentos de
Gestión. Revista Internacional de Investigación e Innovación en Ciencias Sociales
(IJRISS), Vol. 9(núm. 11), 7643-7648. https://doi.org/DOI:
10.47772/IJRISS.2025.91100594
Management Solutions. (2024). El auge de los large language models: de los fundamentos a la
aplicación. Management Solutions, 14-21.
REFERENCIAS
Alario-Hoyos, C., Kemcha, R., Delgado Kloos, C., Callejo, P., Estévez-Ayres, I., Santín
Cristóbal, D., . . . López-Sánchez, J. L. (2024). Personalizando tu compañero de código:
Aprovechando los programas LLM y RAG para desarrollar un chatbot que apoye a los
estudiantes en un curso de programación. IEEE Xplore. https://doi.org/DOI:
10.1109/TALE62452.2024.10834365
Berg, C., Omsén, L., Hansson, H., & Mozelius, P. (2024). Imágenes generadas por IA por los
estudiantes: Impacto en la motivación, el aprendizaje y la satisfacción. Actas de la 5ª
Conferencia Internacional sobre Investigación en IA, ICAIR 2024, Vol. 5(núm. 1).
https://doi.org/https://doi.org/10.34190/icair.4.1.3243
Colby, K. M., Weber, S., & Hilf, F. D. (1971). Artificial paranoia. Artificial Intelligence, Vol.
2(Núm. 1), 1-25. https://doi.org/https://doi.org/10.1016/0004-3702(71)90002-6
Delgado Kloos, C., & Alario-Hoyos, C. (2026). El profundo impacto de la inteligencia artificial
en la educación superior. RIED-Revista Iberoamericana de Educación a Distancia, Vol.
29(núm. 2), 9-34. https://doi.org/https://doi.org/10.5944/ried.47295
Figueredo Montiel, M. D., & Sánchez, L. M. (2025). Integración de la Inteligencia Artificial en
la formación docente: Desafíos y Oportunidades. Pedagogical Constellations, Vol.
4(núm. 2), 404–427. https://doi.org/hĴps://doi.org/10.69821/constellations.v4i2.106
García-Peñalvo, F. J., Llorens-Largo, F., & Vidal, J. (2024). La nueva realidad de la educación
ante los avances de la inteligencia artificial generativa. RIED: revista iberoamericana de
educación a distancia, Vol. 27(Nº 1), 9-39.
https://dialnet.unirioja.es/servlet/articulo?codigo=9220257
Hernández-Fernández, A. (16 de setiembre de 2024). Inteligencia artificial para docentes según
la UNESCO. Educational. International Magazine Evidence:
https://educationalevidence.com/inteligencia-artificial-para-docentes-segun-la-unesco/
Hernández-Sampieri, R., & Mendoza Torres, C. P. (2018). Metodología de la investigación: las
rutas cuantitativa, cualitativa y mixta. Ciudad de México, México: McGraw-Hill
Education. https://doi.org/https://doi.org/10.22201/fesc.20072236e.2019.10.18.6
Karim, R. A., & Mahphoth, M. H. (2025). El impacto de las diapositivas infográficas sobre IA en
la experiencia de aprendizaje de los estudiantes en la asignatura de Fundamentos de
Gestión. Revista Internacional de Investigación e Innovación en Ciencias Sociales
(IJRISS), Vol. 9(núm. 11), 7643-7648. https://doi.org/DOI:
10.47772/IJRISS.2025.91100594
Management Solutions. (2024). El auge de los large language models: de los fundamentos a la
aplicación. Management Solutions, 14-21.
Vol. 13/ Núm. 3 2026 pág. 2487
https://www.managementsolutions.com/sites/default/files/minisite/static/72b0015f-
39c9-4a52-ba63-872c115bfbd0/llm/pdf/auge-de-los-llm-03.pdf
Manga, d., & Islami, A. N. (2026). Encuesta sobre la aceptación de la tecnología y la percepción
sociopedagógica del uso de la IA generativa para la planificación de lecciones por parte
de futuros maestros de educación infantil. Revista privada de ciencias sociales, Vol.
6(núm. 5), 54–68. https://doi.org/https://doi.org/10.55942/pssj.v6i5.1084
OpenAI. (19 de noviembre de 2025). Una versión gratuita de ChatGPT diseñada para profesores.
https://openai.com/es-ES/index/chatgpt-for-teachers/
Ramírez Martinell, A., & Casillas Alvarado, M. A. (2024). Presentación Dossier: Inteligencia
Artificial en la Educación. Revista Paraguaya de Educación a Distancia, Vol. 5(núm. 2),
1-4. https://doi.org/https://doi.org/10.56152/reped2024-dossierIA1-ed1
Rodrigues, R., Miranda, M. L., Valenzuela Averruz, T. W., & Pérez Zeledón, I. (junio-diciembre
de 2025). Conocimiento, uso y percepción de la inteligencia artificial en estudiantes y
docentes universitarios: confluencias y contrastes. Revista Científica de Estudios
Sociales, Vol. 4(núm. 7). https://doi.org/https://doi.org/10.62407/98jthke6
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación.
https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-educacion-e-
investigacion
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., . . . Polosukhin, I.
(2017). Attention Is All You Need. 31st Conference on Neural Information Processing
Systems (NIPS 2017). Long Beach, CA, USA.
https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c
4a845aa-Paper.pdf
Vivas Urías, M. D., Ruiz Rosillo, M. A., & Fernández Martínez, A. I. (2025). Inteligencia
artificial generativa: Buenas prácticas docentes en educación superior. España: Editorial
Octaedro. https://dialnet.unirioja.es/servlet/libro?codigo=1018749
Weizenbaum, J. (1966). ELIZA: un programa informático para el estudio de la comunicación en
lenguaje natural entre el hombre y la máquina. Comunicaciones de la ACM, Vol. 9(Núm.
1), 36 - 45. https://doi.org/https://doi.org/10.1145/365153.365168
https://www.managementsolutions.com/sites/default/files/minisite/static/72b0015f-
39c9-4a52-ba63-872c115bfbd0/llm/pdf/auge-de-los-llm-03.pdf
Manga, d., & Islami, A. N. (2026). Encuesta sobre la aceptación de la tecnología y la percepción
sociopedagógica del uso de la IA generativa para la planificación de lecciones por parte
de futuros maestros de educación infantil. Revista privada de ciencias sociales, Vol.
6(núm. 5), 54–68. https://doi.org/https://doi.org/10.55942/pssj.v6i5.1084
OpenAI. (19 de noviembre de 2025). Una versión gratuita de ChatGPT diseñada para profesores.
https://openai.com/es-ES/index/chatgpt-for-teachers/
Ramírez Martinell, A., & Casillas Alvarado, M. A. (2024). Presentación Dossier: Inteligencia
Artificial en la Educación. Revista Paraguaya de Educación a Distancia, Vol. 5(núm. 2),
1-4. https://doi.org/https://doi.org/10.56152/reped2024-dossierIA1-ed1
Rodrigues, R., Miranda, M. L., Valenzuela Averruz, T. W., & Pérez Zeledón, I. (junio-diciembre
de 2025). Conocimiento, uso y percepción de la inteligencia artificial en estudiantes y
docentes universitarios: confluencias y contrastes. Revista Científica de Estudios
Sociales, Vol. 4(núm. 7). https://doi.org/https://doi.org/10.62407/98jthke6
UNESCO. (2023). Guía para el uso de IA generativa en educación e investigación.
https://www.unesco.org/es/articles/guia-para-el-uso-de-ia-generativa-en-educacion-e-
investigacion
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., . . . Polosukhin, I.
(2017). Attention Is All You Need. 31st Conference on Neural Information Processing
Systems (NIPS 2017). Long Beach, CA, USA.
https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c
4a845aa-Paper.pdf
Vivas Urías, M. D., Ruiz Rosillo, M. A., & Fernández Martínez, A. I. (2025). Inteligencia
artificial generativa: Buenas prácticas docentes en educación superior. España: Editorial
Octaedro. https://dialnet.unirioja.es/servlet/libro?codigo=1018749
Weizenbaum, J. (1966). ELIZA: un programa informático para el estudio de la comunicación en
lenguaje natural entre el hombre y la máquina. Comunicaciones de la ACM, Vol. 9(Núm.
1), 36 - 45. https://doi.org/https://doi.org/10.1145/365153.365168