• La base del capital humano

Con frecuencia, las discusiones contemporáneas sobre política pública y educación digital en América Latina reducen la transformación educativa a simples métricas de equipamiento físico o cobertura tecnológica. Sin embargo, incluso dentro de la perspectiva de la economía política de la educación, el determinante primordial del desarrollo social y económico a largo plazo no reside en la provisión de dispositivos, sino en la solidez de la infraestructura institucional y en la capacidad regulatoria del Estado (Hanushek & Woessmann, 2021; Huepe, 2024). Bajo este marco, el llamado “capital de conocimiento” no se constituye mediante la suma de años de escolaridad formal ni el reparto masivo de computadoras, sino a través del desarrollo de competencias cognitivas reales y complejas (Hanushek & Woessmann, 2021).

Para ilustrar este punto, basta examinar la evidencia internacional. Los países con mejor rendimiento en la prueba PISA destacan por consolidar políticas de Estado a largo plazo, no por la adopción masiva de dispositivos digitales (Hanushek et al., 2021; OCDE, 2023; UNESCO, 2012). En Estonia, por ejemplo, el éxito escolar se sostiene sobre una gobernanza estratégica de datos e instituciones públicas estables que articulan el diseño curricular con la formación continua del profesorado (UNESCO, 2012). Además, estas naciones mantienen pactos fiscales que garantizan una elevada inversión por alumno y diseñan carreras docentes que atraen y retienen a los mejores talentos académicos (Hanushek et al., 2021; UNESCO, 2012).

En agudo contraste, la realidad institucional de América Latina se caracteriza por la inestabilidad regulatoria y la fragmentación de sus políticas públicas (Scartascini et al., 2010). Esto porque la falta de pactos intertemporales lleva a los gobiernos a desmantelar las estrategias educativas con cada cambio de administración o ciclo electoral (UNESCO, 2012) . Este estrangulamiento presupuestario (2,528 dólares anuales por estudiante en Latinoamérica frente a 11,619 en la OCDE) limita la infraestructura básica (Huepe, 2024). Esta restricción fiscal limita la infraestructura escolar básica y explica la persistencia de brechas de conectividad. Ejemplo de ello es Paraguay, donde solo el 48% de las escuelas públicas cuenta con acceso a internet (Cáceres Troche, 2025). Por lo tanto, fortalecer las instituciones estatales y estabilizar las políticas públicas es el requisito indispensable para que cualquier innovación digital rinda frutos (Hanushek & Woessmann, 2021; UNESCO, 2012).

• La Inteligencia Artificial en un contexto de crisis

La debilidad institucional explica por qué la profunda crisis de aprendizaje en América Latina, y particularmente en México, no es consecuencia de la reciente irrupción de la Inteligencia Artificial Generativa (IAG). Aunque existe la tentación discursiva de culpar a las herramientas digitales por el bajo rendimiento del alumnado, el análisis histórico de la prueba PISA (2000–2025) revela que el estancamiento y la caída del desempeño académico son el resultado de una trayectoria de más de dos décadas (IMCO, 2026; OCDE, 2023). En el caso de México, los resultados de PISA 2022 mostraron un retroceso tan drástico en matemáticas y lectura que situaron los puntajes nacionales en niveles equivalentes a los de 2003 y 2006 (IMCO, 2026; OCDE, 2023). Así, es preciso cuestionar si los verdaderos detonantes de esta caída son los algoritmos, sino los choques estructurales, como la pandemia de COVID-19 y el cierre prolongado de aulas, sumados a la constante inestabilidad de las políticas educativas y la inestabilidad institucional (Hevia et al., 2022; IMCO, 2026). 

En primer lugar, el desmantelamiento de organismos de evaluación independiente y de pruebas estandarizadas, como la extinción del Instituto Nacional para la Evaluación de la Educación (INEE) y la eliminación de pruebas estandarizadas como PLANEA, dejó al Estado “a ciegas” sin diagnósticos certeros para guiar la intervención pedagógica (IMCO, 2026). En segundo lugar, el prolongado cierre de escuelas debido a la pandemia de COVID-19 asestó un golpe devastador al sistema (Hevia et al., 2022). Las severas pérdidas de aprendizaje causadas por la pandemia dispararon la pobreza de aprendizaje al 95.7% en los sectores socioeconómicos más vulnerables (Hevia et al., 2022). Así, la pérdida equivalente a casi cinco años de escolaridad frente al promedio de la OCDE es, en realidad, el saldo de deficiencias acumuladas (Guerra et al., 2026; Hevia et al., 2022; OCDE, 2023). En conclusión, la Inteligencia Artificial aterriza en un ecosistema escolar institucionalmente frágil y con profundas carencias previas (CEPAL, 2022; UNESCO, 2024).

• Los tres debates críticos dentro del aula

Cuando la Inteligencia Artificial Generativa ingresa a un aula marcada por estas debilidades institucionales y rezagos cognitivos, su uso desregulado desencadena tres grandes dilemas pedagógicos:

Debate 1: Inteligencia Artificial en el desarrollo cognitivo

El primer debate se centra en la tensión entre la IAG como facilitador socrático frente a su riesgo de atrofiar la mente del estudiante (Bastani et al., 2025; Saito, 2026). La postura optimista, desde un marco socio-constructivista, sostiene que la IAG actúa como un tutor personalizado que expande la brecha entre lo que el estudiante logra por sí solo y lo que puede alcanzar con guía adecuada en escuelas con escasez de docentes (Saito, 2026; Valdivieso & González, 2025). Bajo este enfoque, los alumnos usan herramientas como ChatGPT para traducir conceptos abstractos en explicaciones lógicas que fomentan su autonomía (Valdivieso & González, 2025). Sin embargo, la postura crítica advierte que eliminar las “dificultades deseables” (desirable difficulties) del proceso de estudio genera un atajo cognitivo perjudicial (Barcaui, 2025; Lin & Al-Hada, 2026). Estudios experimentales demuestran que el uso irrestricto de ChatGPT deteriora la retención a largo plazo y reduce el rendimiento en exámenes hasta en un 17% frente a los estudiantes que utilizan métodos tradicionales (Barcaui, 2025; Bastani et al., 2025).

Al evadir el esfuerzo analítico, el alumno cae en una “ilusión de competencia” y acumula una severa “deuda cognitiva” (Choudhuri et al., 2026; Lin & Al-Hada, 2026; Gerlich, 2025). Sociológicamente, esta delegación sistemática de la fricción mental configura un habitus digital pragmático, pues el estudiante prioriza la rapidez de entrega sobre la comprensión conceptual (Istiqomah & Khasanah, 2026). Esta práctica vacía erosiona el capital humano real (Gerlich, 2025). Así pues, para evitar que la tecnología opere como una muleta intelectual, la solución exige interfaces de “andamiaje desvanecido” (AI-fading), entendido como la estructura temporal de apoyo pedagógico que guía al estudiante hacia la autonomía sin sustituir su esfuerzo reflexivo (Saito, 2026). Así, la herramienta se programa con guardas pedagógicas para ofrecer solo pistas, que retira la asistencia a medida que el estudiante domina el contenido, sin darle la solución directa (Bastani et al., 2025; Saito, 2026).

Debate 2: La Inteligencia Artificial y la equidad

El segundo debate cuestiona si la IAG nivela las oportunidades educativas o introduce nuevas dinámicas de exclusión socioeconómica (Guerra et al., 2026; Lee et al., 2026). Por un lado, se argumenta que la tecnología democratiza el acceso a la corrección de estilo y a la orientación académica, servicios que antes solo las familias adineradas podían costear (Lee et al., 2026). No obstante, la investigación empírica sobre la “brecha de retornos” muestra un escenario adverso para los sectores vulnerables. El estudio de Lee et al. (2026) demuestra que, aunque los estudiantes de bajos ingresos utilizan intensivamente la IA para redactar ensayos de admisión universitaria, sufren una penalización de aceptación de casi el doble frente a sus pares de altos ingresos. Esto ocurre debido a la homogeneización lingüística que el algoritmo imprime en sus textos.

A esta discriminación algorítmica se suma la brecha de hardware en América Latina (Valdivieso & González, 2025). Mientras los sectores privilegiados acceden a suscripciones premium, los estudiantes vulnerables interactúan fragmentariamente mediante teléfonos de prepago y modelos gratuitos (Valdivieso & González, 2025), lo que impide que la tecnología se traduzca en capital humano competitivo (Gerlich, 2025; Lee et al., 2026). Así,, para evitar que la IAG profundice la desigualdad, es imperativo rediseñar los esquemas de evaluación para calificar el proceso de diálogo, edición y postura crítica del estudiante frente a la máquina, y no solo el producto escrito final (Gerlich, 2025; Saito, 2026).

Debate 3: La Inteligencia Artificial y los docentes en el aula

El último debate analiza la relación entre el profesorado y la automatización (Nichols & Dixon-Román, 2023; Wang et al., 2024). Quienes defienden el uso colaborativo señalan que herramientas como Tutor CoPilot operan como mentores efectivos para profesores novatos en escuelas desfavorecidas. Así, al sugerir estrategias socráticas en tiempo real, estas herramientas han logrado elevar el rendimiento de los alumnos en matemáticas hasta en 9 puntos porcentuales (Wang et al., 2024). En contraste, la literatura sobre gobernanza crítica advierte que la plataformización del sistema escolar promueve una “inclusión depredadora” (Nichols & Dixon-Román, 2023). Bajo este esquema, las corporaciones imponen un control algorítmico que desprofesionaliza al docente y mercantiliza los datos de los menores (Nichols & Dixon-Román, 2023). En consecuencia, delegar la retroalimentación a agentes virtuales también debilita el vínculo socioemocional humano, base esencial del desarrollo infantil (UNESCO, 2024). Por ello, la UNESCO (2024) dictamina que la tecnología debe subordinarse a la agencia humana mediante regulaciones públicas que exijan herramientas de código abierto y blinden la soberanía intelectual del profesor.

• Consideraciones finales

El análisis de la evidencia demuestra que la crisis de aprendizaje en América Latina es un problema histórico e institucional. La inteligencia artificial no lo originó, pero corre el riesgo de agravarlo si se implementa de manera acrítica en entornos vulnerables (Hevia et al., 2022; IMCO, 2026; UNESCO, 2024). Para evitar que la tecnología se consolide como una muleta de dependencia cognitiva, cualquier innovación educativa debe pasar primero por el fortalecimiento de la infraestructura institucional y la capacidad regulatoria del Estado (Hanushek & Woessmann, 2021; Huepe, 2024; UNESCO, 2012). Esto exige abandonar el solucionismo tecnológico al introducir la IAG en aulas sin conectividad estable, evaluación o políticas continuas no democratiza el conocimiento, sino que amplifica la desigualdad estructural. En consecuencia, la discusión no debe centrarse únicamente en el poder de cómputo del algoritmo, sino en el andamiaje estatal y pedagógico que lo recibe.

Esta reflexión es un punto de partida ante la escasez de evidencia en América Latina, pues las investigaciones disponibles suelen presentar muestras reducidas o poco representativas de la diversidad escolar de la región. Por tanto, la investigación futura debe analizar los vacíos críticos que persisten en la literatura actual. Fuera de los márgenes de este documento, quedan interrogantes urgentes sobre cómo operan estas tecnologías en la cotidianidad del Sur Global. Queda pendiente evaluar si la homogeneización lingüística genera una “penalización algorítmica” en las evaluaciones estandarizadas locales, así como explorar cómo operan las interfaces de “andamiaje desvanecido” (AI-fading) en aulas públicas donde la dependencia de telefonía de prepago fragmenta la información y condiciona el pensamiento crítico en sectores vulnerables. Visibilizar estos vacíos reorienta el debate, pues solo al subordinar la técnica a la capacidad institucional y a la autonomía intelectual, la Inteligencia Artificial será una herramienta emancipadora para América Latina, y no un catalizador de nuestras brechas históricas.

Referencias Bibliográficas

Arias Ortiz, E., Bos, M. S., Giambruno, C., & Zoido, P. (2023). América Latina y el Caribe en PISA 2022: ¿Cómo le fue a la región? Banco Interamericano de Desarrollo (BID). https://doi.org/10.18235/0005318

Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, Article 102287. https://doi.org/10.1016/j.ssaho.2025.102287

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences (PNAS), 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122

Cáceres Troche, D. R. (2025). La nueva escuela digital en América Latina: Desafíos y avances en Paraguay. Revista Científica Multidisciplinar, 5(1), 22–30. 10.21203/rs.3.rs-7538052/v1

Choudhuri, R., Sanchez, C. A., Burnett, M., & Sarma, A. (2026). Thinking less, trusting more: GenAI’s impacts on students’ cognitive habits in STEM education. ACM Transactions on Interactive Intelligent Systems, 14(3), 1–25. https://doi.org/10.1016/j.infsof.2026.108346

Comisión Económica para América Latina y el Caribe (CEPAL). (2022). Panorama Social de América Latina y el Caribe 2022: La transformación de la educación como base para el desarrollo sostenible (LC/PUB.2022/15-P). Naciones Unidas. https://hdl.handle.net/11362/48518 

Lin, J., & Al-Hada, N. M. (2026). The critical-thinking paradox in generative AI-integrated learning: Cognitive debt, offloading, and desirable difficulties. Frontiers in Psychology, 17, Article 1906070. https://doi.org/10.3389/fpsyg.2026.1906070

Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6. https://doi.org/10.3390/soc15010006

Guerra, J., Roblez, G., Vargas, V., Meneses, M., & Basantes-Andrade, A. (2026). Digital equity and socioeconomic gradients in PISA 2022 mathematics: An integrated equity-diagnostic framework for Latin America and the Caribbean. Frontiers in Education, 11, Article 1810210. https://doi.org/10.3389/feduc.2026.1810210

Hanushek, E. A., & Woessmann, L. (2021). Education and economic growth. Oxford Research Encyclopedia of Economics and Finance. Oxford University Press. https://doi.org/10.1093/acrefore/9780190625979.013.651

Hanushek, E. A., Piopiunik, M., & Woessmann, L. (2018). International evidence on teacher cognitive skills and student performance. Journal of Human Resources, 56(1), 1–35. https://hanushek.stanford.edu/sites/default/files/publications/Hanushek%2BPiopiunik%2BWiederhold_JHR.pdf

Hevia, F. J., Vergara-Lope, S., Velásquez-Durán, A., & Calderón, D. (2022). Estimation of the fundamental learning loss and learning poverty related to COVID-19 pandemic in Mexico. International Journal of Educational Development, 88, Article 102515. https://doi.org/10.1016/j.ijedudev.2021.102515

Huepe, M. (2024). El desafío de la sostenibilidad financiera de la educación en América Latina y el Caribe (Documentos de Proyectos LC/TS.2024/1). CEPAL / Banco Mundial / UNESCO. https://hdl.handle.net/11362/68806 

Instituto Mexicano para la Competitividad (IMCO). (2026). Resultados PISA 2025: Trayectoria histórica del rendimiento educativo en México. IMCO / INEP. https://www.inep.org/images/2026/TXT/2026-IMCO_Resultados-PISA-2025.pdf 

Istiqomah, N., & Khasanah, N. (2026). The transformation of learning culture in the age of AI: A sociological review of education from the perspective of Pierre Bourdieu’s social habitus. Priviet Social Sciences Journal, 6(3), 196–204. https://doi.org/10.55942/pssj.v6i3.942

Lee, J., Borchers, C., Alvero, A., Joachims, T., & Kizilcec, R. F. (2026). The digital divide in generative AI: Evidence from large language model use in college admissions essays. Computers and Education: Artificial Intelligence, 8, Article 100121. https://doi.org/10.1145/3774398.3811620 

Nichols, T. P., & Dixon-Román, E. (2023). Platform governance and its implications for education policy: Reading critical platform studies through critical policy analysis. Educational Evaluation and Policy Analysis, 46(2), 309-328. https://doi.org/10.3102/01623737231202469  

Organización de Cooperación y Desarrollo Económicos (OCDE). (2023). PISA 2022 Results (Volume I): The State of Learning and Equity in Education. OECD Publishing. https://doi.org/10.1787/53f23881-en

Saito, T. (2026). Redefining agency: A capability-driven research agenda for generative AI in education. Education Sciences, 16(1), 1–23. https://doi.org/10.3390/educsci16010123

Scartascini, C., Spiller, P. T., Stein, E., & Tommasi, M. (Eds.). (2010). El juego político en América Latina: ¿Cómo se deciden las políticas públicas? Banco Interamericano de Desarrollo. https://doi.org/10.18235/0012478

UNESCO. (2012). Antecedentes y criterios para la elaboración de políticas docentes en América Latina y el Caribe. OREALC/UNESCO Santiago. https://unesdoc.unesco.org/ark:/48223/pf0000223249.locale=es 

UNESCO. (2024). Guía para el uso de IA generativa en educación e investigación. UNESCO. https://unes.co/s8guvw 

Valdivieso, T., & González, O. (2025). Generative AI tools in Salvadoran higher education: Balancing equity, ethics, and knowledge management in the Global South. Education Sciences, 15(2), Article 214. https://doi.org/10.3390/educsci15020214

Valdivieso, T., González Márquez, Ó. A., & Amaya Araujo, J. E. (2025). Usos de las herramientas de inteligencia artificial generativa de los estudiantes de la Universidad Centroamericana José Simeón Cañas en sus procesos educativos. Investigaciones UCA 2023-2024, 3(3), 129–133. https://doi.org/10.51378/iuca.v3i3.10343 

Wang, R. E., Ribeiro, A. T., Robinson, C. D., Loeb, S., & Demszky, D. (2024). Tutor copilot: A human-AI approach for scaling real-time expertise. arXiv preprint arXiv:2410.03017. https://doi.org/10.48550/arXiv.2410.03017