Inteligencia Artificial y Microaprendizajes: Transformando la Enseñanza y el
Aprendizaje en la Era Digital
Leandro Guerschberg
Universidad Nacional de
José C. Paz, Provincia de Buenos Aires, Argentina
Leandro.guerschberg@docentes.unpaz.edu.ar
https://orcid.org/0009-0005-9286-6358
DOI: 10.5281/zenodo.22018565
Resumen
En este artículo se analiza el impacto conjunto
de los microaprendizajes y la inteligencia artificial
(IA) en el proceso de enseñanza-aprendizaje en el contexto de la era digital.
Los microaprendizajes ofrecen un enfoque flexible y
accesible para la entrega de contenido educativo, mientras que la IA generativa
posee la capacidad de personalizar y crear experiencias de aprendizaje
adaptadas a las necesidades individuales de los estudiantes. La revisión
bibliográfica discute cómo estas dos tendencias emergentes pueden transformar
la educación al permitir que los estudiantes accedan a conocimientos de forma
inmediata, personalizada y motivadora. Se exploran aplicaciones prácticas de la
IA en la creación de microcontenidos, desde
simulaciones interactivas hasta la evaluación automática del progreso de los
estudiantes. Además, se discuten los retos asociados a la implementación, como
la brecha digital, la ética en el uso de datos y la necesidad de formación
docente en el manejo de estas tecnologías. El trabajo concluye que la sinergia
entre microaprendizajes e IA no solo facilita el
acceso equitativo a la educación, sino que también promueve un aprendizaje más
eficiente y centrado en el estudiante.
Palabras clave: microaprendizaje, inteligencia artificial generativa, educación superior, aprendizaje
personalizado, brecha digital.
Abstract
This article analyzes the combined impact of microlearning and artificial intelligence (AI) on the teaching-learning process within the context of the digital era. Microlearning offers a flexible and accessible approach to delivering educational content, while generative AI has the capacity to personalize and create learning experiences adapted to the individual needs of students. The bibliographic review discusses how these two emerging trends can transform education by enabling students to access knowledge in an immediate, personalized, and motivating manner. Practical applications of AI in the creation of microcontent are explored, ranging from interactive simulations to the automated assessment of student progress. Furthermore, challenges associated with implementation are discussed, such as the digital divide, ethics in data use, and the need for teacher training in the management of these technologies. The paper concludes that the synergy between microlearning and AI not only facilitates equitable access to education, but also promotes more efficient and student-centered learning.
Keywords: microlearning, generative artificial intelligence, higher education, personalized learning, digital divide.
1.- Introducción
La aceleración tecnológica de las últimas décadas ha reconfigurado
profundamente los modos en que los individuos acceden, procesan y asimilan el
conocimiento. En este escenario, la educación formal se enfrenta al desafío de
adaptarse a una generación de estudiantes que ha crecido en entornos digitales
caracterizados por la inmediatez, la hiperconectividad y la fragmentación de la
atención. Frente a estas transformaciones, dos fenómenos emergen con particular
relevancia en el campo de la pedagogía contemporánea: el microaprendizaje
y la inteligencia artificial (IA) generativa. Su confluencia no constituye una
moda pasajera, sino que representa una reconfiguración estructural de los
procesos de enseñanza-aprendizaje que merece análisis riguroso.
El microaprendizaje, entendido como la entrega
de contenidos educativos en unidades breves, focalizadas y de alta densidad
conceptual, ha ganado terreno como estrategia pedagógica en contextos de
educación superior y formación profesional (Guerschberg & Gutierrez, 2025). Su eficacia descansa en principios
ampliamente documentados por la psicología cognitiva, particularmente la teoría
de la carga cognitiva (Sweller, 1988) y la teoría
cognitiva del aprendizaje multimedia de Mayer (2001), que sostienen que el procesamiento
humano de la información se optimiza cuando los contenidos se presentan en
fragmentos manejables, despojados de elementos superfluos que incrementen la
carga extrínseca. En contextos donde la sobreabundancia informativa amenaza con
saturar los recursos atencionales de los aprendices, el microaprendizaje
emerge como una respuesta pedagógica coherente con las condiciones cognitivas
de la era digital.
Al mismo tiempo, la irrupción de los modelos de lenguaje de gran escala
y otras formas de IA generativa, como ChatGPT, Gemini
o los sistemas de tutoría inteligente, ha abierto horizontes inéditos para la
personalización del aprendizaje. Estas tecnologías poseen la capacidad de
generar contenido adaptado a los estilos, ritmos y necesidades individuales de
cada estudiante, de evaluar el progreso de manera automatizada y de ofrecer
retroalimentación inmediata y contextualizada (Mogavi
et al., 2024). Cuando se articulan con el diseño de microcontenidos,
su potencial se multiplica de forma considerable, configurando lo que la
literatura reciente comienza a describir como ecosistemas de aprendizaje
adaptativos de nueva generación.
Sin embargo, la adopción de estas tecnologías no ocurre en un vacío
social. La brecha digital, desigualdad en el acceso a dispositivos,
conectividad y competencias digitales, representa un obstáculo estructural que
puede reproducir y ampliar las inequidades educativas preexistentes. Asimismo,
el uso masivo de datos estudiantiles por parte de sistemas de IA plantea
interrogantes éticos de primer orden, relacionados con la privacidad, el
consentimiento informado y la posibilidad de sesgos algorítmicos (Hernández-Sellés,
2024). A ello se añade la necesidad de una formación docente específica que
permita a los educadores operar con criterio pedagógico en estos entornos
tecnológicamente complejos, pues la herramienta más sofisticada resulta inocua,
o incluso contraproducente, si no está acompañada de una comprensión profunda
de sus implicancias educativas y éticas.
El presente trabajo se propone examinar, desde una perspectiva de
revisión bibliográfica, el estado del arte en torno a la sinergia entre microaprendizaje e inteligencia artificial generativa en el
contexto educativo actual. La pregunta que orienta el análisis es: ¿de qué
manera la articulación entre microaprendizajes e
inteligencia artificial generativa puede transformar los procesos de
enseñanza-aprendizaje en la educación superior, y cuáles son los desafíos que
esta integración presenta para garantizar una educación equitativa, ética y
centrada en el estudiante? El análisis integra perspectivas teóricas, hallazgos
empíricos y reflexiones sobre las condiciones de implementación, con el
propósito de ofrecer un marco comprensivo que oriente tanto a investigadores
como a tomadores de decisiones educativas.
2.- Metodología
El presente trabajo adopta la modalidad de revisión bibliográfica
narrativa, entendida como una síntesis crítica e integradora de la literatura
existente sobre un tema de investigación. Este tipo de revisión resulta
pertinente cuando el objetivo no es sistematizar resultados cuantitativos de
estudios primarios, sino ofrecer una comprensión conceptual amplia e integrada
de un campo en rápida evolución, como lo es la intersección entre inteligencia
artificial y microaprendizaje en educación. Su
naturaleza narrativa no implica arbitrariedad en la selección de fuentes, sino
que establece criterios metodológicos explícitos para garantizar la solidez y
la representatividad del corpus analizado.
La búsqueda bibliográfica se realizó durante el primer semestre de 2025
en las siguientes bases de datos académicas: Dialnet, Google Scholar, SciELO,
REDALYC, PubMed Central, Springer Nature y MDPI, así como en repositorios
institucionales de Ciencia Latina y Sapiens in Higher
Education. Dado el ritmo acelerado de publicación en
este campo, se realizó una actualización complementaria de la búsqueda durante
el primer trimestre de 2026 para incorporar literatura de reciente aparición
sobre microaprendizaje asistido por IA. Los
descriptores de búsqueda empleados, tanto en español como en inglés, incluyeron
los siguientes términos y sus combinaciones: «microaprendizaje»,
«microlearning», «inteligencia artificial
generativa», «generative AI in education»,
«aprendizaje personalizado», «personalized learning», «educación superior», «higher
education», «brecha digital», «digital divide»,
«ética en IA educativa» y «teacher training
artificial intelligence». La búsqueda se limitó a
publicaciones en español e inglés.
Los criterios de inclusión priorizaron trabajos publicados entre 2020 y
2026, con especial énfasis en aquellos del período 2022-2026, dado el acelerado
ritmo de desarrollo de las tecnologías de IA generativa. Se incluyeron
artículos de investigación empírica, revisiones sistemáticas, revisiones
narrativas y capítulos de libros académicos. Se excluyeron publicaciones sin
revisión por pares, materiales de divulgación sin respaldo empírico y trabajos
que no abordaran directamente la dimensión pedagógica de las tecnologías
analizadas. En total, se seleccionaron y analizaron dieciséis fuentes primarias
que constituyen el corpus central de este trabajo, complementadas con
referencias fundacionales de la psicología cognitiva y la pedagogía que proveen
el andamiaje teórico del análisis.
El proceso de análisis siguió un enfoque temático: los textos
seleccionados fueron organizados en torno a cuatro ejes conceptuales, el microaprendizaje como paradigma pedagógico emergente, la IA
generativa en el ecosistema educativo, las aplicaciones prácticas de su
sinergia y los desafíos de implementación, que estructuran la sección de
resultados del presente artículo. Este ordenamiento temático permite una
lectura integrada de la literatura que trasciende la mera descripción de
fuentes individuales para articular un argumento coherente sobre las
transformaciones en curso en el campo educativo.
3.- Resultados
3.1 El microaprendizaje
como paradigma pedagógico emergente
El concepto de microaprendizaje no constituye
una novedad absoluta en el campo de la educación, pero su relevancia ha
experimentado un crecimiento exponencial en la última década, impulsado por la
proliferación de dispositivos móviles, la reducción de los umbrales de atención
en entornos digitales y la creciente demanda de formación continua en el ámbito
profesional. En términos conceptuales, el microaprendizaje
puede definirse como una estrategia pedagógica que estructura el contenido
educativo en unidades breves, autocontenidas y orientadas hacia objetivos de
aprendizaje específicos, con una duración que típicamente oscila entre dos y
quince minutos (Guerschberg & Gutierrez, 2025;
Guerschberg, 2024). Esta brevedad no es un fin en sí misma, sino un medio para
concentrar la atención del aprendiz en un concepto o habilidad determinados,
reduciendo la interferencia de información irrelevante.
Esta estrategia encuentra su sustento teórico en tres marcos
conceptuales fundamentales. El primero es la teoría de la carga cognitiva,
desarrollada por Sweller (1988), que postula que la
memoria de trabajo humana posee una capacidad limitada para procesar
información simultánea. El exceso de información, lo que la teoría denomina
carga cognitiva extrínseca, impide que los estudiantes dediquen recursos
cognitivos al procesamiento profundo y a la integración de nuevos conocimientos
con los esquemas mentales previos. El microaprendizaje,
al fragmentar el contenido y suprimir elementos periféricos, mitiga este riesgo
de manera sistemática. El segundo es la teoría cognitiva del aprendizaje
multimedia de Mayer (2001), que establece que el aprendizaje es más eficaz
cuando los contenidos combinan de manera coordinada los canales visual y
auditivo, evitando la redundancia y el procesamiento serial de información
excesiva. El tercero es el principio del espaciado (spaced
repetition), proveniente de la psicología del aprendizaje,
que demuestra que la exposición repetida a contenidos en intervalos temporales
distribuidos favorece la retención a largo plazo muy por encima de la
exposición masiva y concentrada.
La investigación empírica respalda con creciente solidez la eficacia del
microaprendizaje. Guerschberg y Gutierrez
(2025) documentaron en su estudio sobre microaprendizaje
en educación superior que los estudiantes expuestos a estrategias de microcontenido presentaron mejoras significativas tanto en
la retención de información como en la percepción de su propia autonomía de
aprendizaje. Los autores observaron, además, que la modalidad de microaprendizaje generó niveles más elevados de motivación
intrínseca, asociados a la percepción de avance constante y de control sobre el
propio proceso formativo. En una línea similar, la revisión sistemática y
metaanálisis de Jainuri et al. (2025) sobre la efectividad del microaprendizaje en educación superior concluyó que los
módulos de microaprendizaje bien diseñados se asocian
consistentemente con mejores resultados en retención de conocimientos y con una
reducción de la carga cognitiva intrínseca y extrínseca, al tiempo que
potencian la denominada carga cognitiva germana, es decir, aquella asociada al
procesamiento profundo y a la formación de esquemas mentales duraderos.
La modalidad de aprendizaje móvil ha constituido un vector de expansión
determinante para el microaprendizaje. La
omnipresencia de los teléfonos inteligentes y tabletas permite que los
estudiantes accedan a unidades de microcontenido en
cualquier momento y lugar, lo que rompe con las restricciones
espacio-temporales del aula tradicional y habilita lo que algunos autores
denominan «aprendizaje en los intersticios del tiempo cotidiano» (Guerschberg,
2024). Esta flexibilidad no es un valor menor: en contextos de educación
superior donde los estudiantes combinan estudios con trabajo y
responsabilidades familiares, la posibilidad de aprender en fragmentos
adaptables a los ritmos individuales representa un avance cualitativo de
considerable impacto en términos de acceso y permanencia.
Cabe señalar, no obstante, que el microaprendizaje
no es una panacea ni puede considerarse eficaz al margen del diseño
instruccional que lo sustenta. Unidades mal estructuradas, con objetivos
difusos o desprovistas de coherencia secuencial, pueden generar aprendizajes
superficiales y desconexos que no contribuyen al
desarrollo de competencias de orden superior. La literatura especializada
insiste en que el microaprendizaje más eficaz es
aquel que forma parte de un diseño curricular articulado, donde las unidades
breves se insertan en itinerarios de aprendizaje que garantizan la progresión
conceptual y la integración del conocimiento (Guerschberg & Gutierrez, 2025). Es precisamente en este punto donde la
inteligencia artificial generativa se revela como un aliado de extraordinario
potencial.
3.2 La inteligencia
artificial generativa en el ecosistema educativo
La irrupción de la inteligencia artificial generativa, representada
paradigmáticamente por modelos de lenguaje de gran escala como GPT-4, Gemini y
sus derivados educativos, ha inaugurado una nueva fase en la historia de la
tecnología educativa. A diferencia de los sistemas de IA basados en reglas que
predominaron en décadas anteriores, los modelos generativos poseen la capacidad
de producir contenido original, mantener conversaciones naturales, adaptar la
complejidad del lenguaje al perfil del interlocutor y ofrecer retroalimentación
personalizada en tiempo real (Mogavi et al., 2024).
Estas características les confieren un potencial sin precedentes para
transformar los procesos de enseñanza-aprendizaje, no como sustitutos del
docente, sino como amplificadores de su capacidad de alcance y personalización.
Múltiples revisiones sistemáticas recientes han documentado el impacto
de la IA en la personalización del aprendizaje en educación superior. La
revisión sistemática de Merino-Campos (2025), publicada en Trends
in Higher Education,
analizó 45 estudios sobre integración de IA en el aprendizaje personalizado en
educación superior y concluyó que estas tecnologías pueden optimizar
significativamente los resultados educativos al adaptar contenidos, métodos
instruccionales y ritmo de avance a las necesidades individuales de cada
estudiante. La revisión de Llorens-Largo, García-Peñalvo y Vidal (2025) sobre
la IA generativa en la transformación digital de la educación superior
identificó seis categorías de impacto: el pedagógico, las percepciones de
docentes y estudiantes, los aspectos éticos, los desafíos tecnológicos, las
aplicaciones en áreas específicas y los marcos teóricos. En todos estos planos,
la IA generativa emerge como una tecnología de alto potencial, aunque también
de alta complejidad institucional y pedagógica.
Una dimensión particularmente relevante de la IA generativa en educación
es su capacidad para construir rutas de aprendizaje adaptativas. Frente al
modelo de instrucción uniforme (que asume que todos los estudiantes aprenden al
mismo ritmo y de la misma manera), los sistemas de IA pueden analizar el
historial de interacciones del estudiante, identificar lagunas conceptuales,
anticipar dificultades y ajustar dinámicamente la secuencia y la complejidad de
los contenidos. La revisión sistemática de Bayly-Castaneda, Ramirez-Montoya
y Morita-Alexander (2024), publicada en Frontiers in Education, sobre la construcción de rutas de aprendizaje
personalizadas con IA documentó un interés creciente por la aplicación de
modelos de lenguaje generativos en el diseño de trayectorias adaptativas, con
foco predominante en el nivel de educación superior, particularmente en
entornos donde el acompañamiento docente presencial es limitado.
La IA generativa también ha mostrado un desempeño promisorio en el
ámbito de la evaluación formativa. La revisión de alcance de Xia, Weng, Ouyang,
Lin y Chiu (2024), publicada en International Journal
of Educational Technology in Higher Education, sobre cómo la IA generativa transforma la
evaluación en la educación superior analizó 32 estudios empíricos publicados
principalmente en 2023 y concluyó que estos sistemas pueden generar reactivos
de evaluación adaptados al nivel de cada estudiante, ofrecer retroalimentación
detallada e inmediata sobre las producciones estudiantiles, y detectar con alta
precisión patrones de error recurrente que orientan la intervención docente.
Esta capacidad de evaluación continua y personalizada supera con creces las
posibilidades de cualquier educador que opere en contextos de grupos numerosos
y limitaciones temporales, liberando al docente para las funciones de más alto
valor pedagógico: el acompañamiento emocional, el fomento del pensamiento
crítico y la facilitación del diálogo intelectual.
Sin embargo, la adopción de la IA generativa en educación también ha
suscitado interrogantes de peso sobre la integridad académica. La facilidad con
que estos sistemas pueden generar ensayos, resolver problemas y producir textos
académicos ha agudizado las preocupaciones sobre el plagio mediado por IA y la
autenticidad de las producciones estudiantiles. La revisión de
Valdivia-Vizarreta, Martínez-Pérez y Pegalajar-Palomino (2024), publicada en
RELIEVE, sobre el impacto de la IA generativa desde la ética y la integridad
académica señala que las instituciones de educación superior se encuentran en
un momento liminal, en el que las normativas y los marcos de evaluación
heredados resultan insuficientes para responder a los desafíos planteados por
estas tecnologías. La respuesta institucional, sostienen las autoras, no puede
limitarse a la prohibición (medida de eficacia limitada y alcance temporal
breve), sino que exige una redefinición pedagógica de los procesos evaluativos,
orientada a valorar la comprensión profunda, el pensamiento crítico y la
aplicación contextualizada del conocimiento en situaciones que la IA no puede
simular con facilidad.
La revisión de Rodríguez-García y Martínez-Heredia (2024) sobre IA
generativa en la educación superior ofrece una síntesis que resulta iluminadora
en este contexto: la IA generativa no es intrínsecamente disruptiva en el
sentido negativo del término; su impacto depende de las condiciones pedagógicas
e institucionales en las que se implementa. Cuando los docentes la utilizan
como herramienta para enriquecer la retroalimentación y personalizar la
instrucción, sus efectos son predominantemente positivos. Cuando se adopta sin
mediación pedagógica crítica, puede derivar en una instrumentalización
superficial que reproduce los vicios del modelo instruccional tradicional en un
formato digital.
3.3 Sinergia entre microaprendizaje e IA: aplicaciones en el diseño
instruccional
La articulación entre microaprendizaje e
inteligencia artificial generativa produce una sinergia que potencia las
capacidades de ambos enfoques en forma mutuamente reforzadora. El microaprendizaje provee la arquitectura pedagógica
(unidades breves, objetivos focalizados, evaluación integrada), mientras que la
IA generativa provee la capacidad de personalizar, generar y escalar esa
arquitectura a las necesidades individuales de cada estudiante. La literatura
más reciente comienza a describir esta combinación bajo la etiqueta de AI-assisted microlearning: Salhab y
Aboushi (2026), en un estudio empírico con metodología mixta desarrollado con
estudiantes de un curso de tecnología educativa, documentaron que el microaprendizaje asistido por IA favorece el compromiso
cognitivo, emocional, social y conductual de los estudiantes al adaptar el
contenido a sus estilos de aprendizaje individuales. Conviene precisar que se
trata de un término todavía en formación en la literatura especializada,
sustentado hasta el momento por un número limitado de estudios empíricos (como
el de Salhab y Aboushi, 2026, y, en un sentido más amplio, el de
Bayly-Castaneda et al., 2024, sobre rutas de aprendizaje personalizadas), más
que de un concepto consolidado con una genealogía teórica extensa.
Una de las aplicaciones más documentadas de esta sinergia es la creación
automatizada de microcontenidos. Los sistemas de IA
generativa pueden analizar un cuerpo de conocimiento extenso, un libro de
texto, un conjunto de artículos especializados o un programa curricular, e
identificar los conceptos nucleares, las relaciones entre ellos y los posibles
puntos de dificultad para los estudiantes. A partir de este análisis, el
sistema puede generar automáticamente una colección de microunidades
que cubren progresivamente el tema, en formatos variados: textos breves con
vocabulario controlado, cuestionarios de opción múltiple, escenarios de
resolución de problemas, simulaciones interactivas o guiones para videos
explicativos. Esta capacidad de generación automatizada reduce drásticamente el
tiempo de diseño instruccional, permite actualizar los contenidos de manera
ágil en función de la evolución del conocimiento en cada campo y habilita la
producción de materiales en múltiples idiomas y niveles de dificultad simultáneos.
Las simulaciones interactivas constituyen uno de los formatos más
prometedores en esta convergencia. Mediante la combinación de IA generativa y
entornos de realidad aumentada o virtual, es posible crear situaciones de
práctica contextualizada donde el estudiante enfrenta escenarios realistas, una
consulta médica, una negociación empresarial, un experimento de laboratorio
químico, y recibe retroalimentación inmediata sobre sus decisiones. Este tipo
de experiencia de aprendizaje activo, que replica condiciones del mundo real en
entornos seguros y controlados, sería imposible de escalar sin el concurso de
la IA. La revisión de Arslan, Lehman, Tenison, Sparks, López, Gu y Zapata-Rivera (2024), publicada en Frontiers
in Artificial Intelligence, sobre oportunidades y
desafíos de la IA generativa para personalizar la evaluación educativa destaca
que los sistemas más sofisticados son capaces de generar reactivos de
evaluación calibrados automáticamente en función del nivel demostrado por cada
estudiante, lo que la psicometría denomina evaluación adaptativa, y de explicar
al estudiante, en lenguaje natural y comprensible, los fundamentos de su
retroalimentación, superando la limitación de los sistemas de evaluación
automática tradicionales que ofrecían retroalimentación binaria sin explicación
pedagógica.
La evaluación automatizada del progreso estudiantil representa otra
aplicación de alto impacto. Los sistemas de IA pueden analizar continuamente
las interacciones del estudiante con las microunidades,
tiempo de respuesta, patrones de error, frecuencia de acceso, abandono a mitad
de módulo, y construir un mapa dinámico de sus fortalezas y áreas de mejora.
Este diagnóstico permanente permite al sistema ofrecer al estudiante microunidades de refuerzo exactamente calibradas a sus
necesidades, sin necesidad de esperar a la evaluación sumativa tradicional. Al
mismo tiempo, los datos agregados generados por estos sistemas ofrecen al
docente un tablero de control que le permite identificar tendencias grupales,
detectar conceptos cuya comprensión resulta sistemáticamente deficitaria e
intervenir oportunamente cuando un estudiante enfrenta dificultades
persistentes. Esta articulación entre analítica del aprendizaje e intervención
docente representa uno de los avances más significativos en la gestión
pedagógica de la era digital.
Cabe también destacar el potencial de la IA para apoyar la producción de
microcontenidos por parte de los propios docentes.
Muchos educadores poseen conocimiento disciplinar profundo pero carecen del
tiempo o las habilidades técnicas para diseñar materiales digitales
sofisticados. Los sistemas de IA generativa pueden actuar como asistentes de
diseño instruccional: el docente describe en lenguaje natural el concepto que
desea abordar y el nivel de los estudiantes, y el sistema genera un borrador de
microunidad que el docente puede revisar, corregir y
aprobar. Este modelo de coautoría humano-IA reduce la curva de aprendizaje
tecnológica, democratiza el acceso a herramientas de diseño instruccional de
alta calidad y preserva la agencia pedagógica del docente, quien mantiene el
control sobre la orientación y los objetivos del contenido producido.
La revisión de Bayly-Castaneda et al. (2024) sobre rutas de aprendizaje
personalizadas subraya que la combinación más eficaz no es aquella donde la IA
reemplaza al docente en la toma de decisiones instruccionales, sino aquella
donde el sistema de IA ofrece recomendaciones fundamentadas en datos que el
docente puede evaluar, ajustar e implementar con criterio pedagógico. Esta
arquitectura de decisión compartida, donde la IA aporta capacidad de
procesamiento y el docente aporta juicio pedagógico y contexto cultural,
resulta más robusta y éticamente defendible que cualquier modelo de
automatización total de la instrucción.
3.4 Desafíos en la
implementación: brecha digital, ética y formación docente
La sinergia entre microaprendizaje e IA
generativa no puede analizarse con independencia de los condicionantes
estructurales que enmarcan su implementación en contextos educativos concretos.
Tres desafíos emergen con particular urgencia en la literatura revisada: la
brecha digital, los dilemas éticos asociados al uso de datos estudiantiles y la
necesidad de una formación docente específica y sostenida. Ninguno de estos
desafíos admite respuestas puramente técnicas; todos remiten, en última
instancia, a decisiones de política educativa y a compromisos institucionales
de largo plazo.
La brecha digital representa quizás el obstáculo más inmediato y
tangible. En América Latina, la desigualdad en el acceso a dispositivos
conectados y a conectividad de calidad no es un problema residual: afecta a
sectores significativos de la población estudiantil, particularmente en zonas
rurales y en contextos de vulnerabilidad socioeconómica. El análisis de Torres-Gastelú y Cornejo-Cruz (2024) sobre las brechas digitales
en la educación latinoamericana identificó como factores determinantes de esta
desigualdad el acceso a dispositivos, la disponibilidad de infraestructura de
conectividad, el nivel de competencia digital de docentes y estudiantes, y las
desigualdades de género y ubicación geográfica. La pandemia de COVID-19 actuó
como amplificador de estas brechas: al forzar la migración abrupta a entornos
virtuales, evidenció que una parte sustancial del estudiantado carece de las
condiciones materiales básicas para participar en experiencias de aprendizaje
digital. En este escenario, la implementación de sistemas de microaprendizaje potenciados por IA corre el riesgo de
profundizar la inequidad si no se articula con políticas de inclusión digital
que garanticen el acceso universal a los recursos tecnológicos necesarios.
Las experiencias más exitosas en la región en materia de reducción de la
brecha digital, como el Plan Ceibal en Uruguay, demuestran que las
intervenciones eficaces requieren la provisión de dispositivos, el desarrollo
de infraestructura de conectividad y programas de alfabetización digital para
docentes, estudiantes y familias, implementados de manera simultánea y
sostenida en el tiempo. Sin este sustrato de política pública, la tecnología
educativa corre el riesgo de beneficiar exclusivamente a quienes ya cuentan con
recursos, amplificando las desigualdades en lugar de compensarlas. Esta
advertencia no implica que la tecnología deba aguardar la resolución total de
la brecha digital para ser adoptada, sino que su adopción debe acompañarse de
medidas activas de inclusión que mitiguen los efectos regresivos de una
implementación desigual.
Los dilemas éticos asociados al uso de datos estudiantiles en sistemas
de IA constituyen un segundo eje crítico que la literatura analizada aborda con
creciente detalle. Los sistemas de IA educativa recopilan cantidades masivas de
datos sobre el comportamiento de los estudiantes: sus respuestas, sus tiempos
de procesamiento, sus patrones de error, sus preferencias de consumo de
contenido. Esta información, tratada con criterios pedagógicos adecuados, puede
mejorar significativamente la personalización del aprendizaje. Sin embargo,
plantea interrogantes graves sobre la privacidad, el consentimiento informado,
la propiedad de los datos y la posibilidad de usos no autorizados o comerciales
de la información recopilada. La revisión de Hernández-Sellés (2024) sobre
ética y uso de la IA en la docencia señala que un porcentaje alarmante de los
docentes desconoce cómo se almacenan o comercializan los datos de sus
estudiantes, lo que revela una brecha entre el uso cotidiano de estas
herramientas y la comprensión de sus implicancias éticas.
A este problema se suma el riesgo de sesgo algorítmico. Los modelos de
IA son entrenados con datos que reflejan patrones históricos, y si esos
patrones contienen sesgos, de género, etnia, condición socioeconómica, idioma o
diversidad funcional, el sistema puede reproducirlos y amplificarlos,
discriminando de manera sistemática a determinados grupos de estudiantes sin
que esta discriminación resulte evidente para los usuarios. La revisión de
Valdivia-Vizarreta et al. (2024) alerta sobre la necesidad de marcos de
gobernanza de la IA educativa que incluyan mecanismos de auditoría y rendición
de cuentas, criterios de explicabilidad de los
algoritmos y protocolos de protección de datos que respeten los derechos de los
estudiantes. La construcción de estos marcos no puede quedar exclusivamente en
manos de las empresas tecnológicas que desarrollan las herramientas; exige la
participación activa de las instituciones educativas, los estados, la sociedad
civil y la comunidad académica, en un diálogo que trasciende lo técnico para
situarse en el plano de los valores y los derechos.
El tercer desafío es la formación docente. La integración efectiva de microaprendizaje e IA en el aula no es un proceso técnico
que pueda resolverse con la mera provisión de herramientas; requiere que los
docentes desarrollen competencias pedagógicas, tecnológicas y éticas
específicas. Un educador que no comprende los principios del diseño
instruccional para microcontenidos difícilmente podrá
aprovechar las capacidades de la IA para generar o personalizar ese contenido
con criterio pedagógico. Asimismo, un docente que no tiene criterios claros
sobre privacidad y ética de datos no estará en condiciones de proteger a sus
estudiantes ni de ejercer un uso responsable de estas tecnologías. La revisión
sistemática publicada en Crónica. Revista de Pedagogía y Psicopedagogía (2024)
concluye que las iniciativas más exitosas de integración de IA en entornos
educativos son aquellas que combinan la formación tecnológica con el
acompañamiento pedagógico, la reflexión sobre la práctica y la construcción
colectiva de criterios éticos en la comunidad docente, desterrando el modelo de
capacitación puntual y descontextualizada que ha caracterizado históricamente
la formación tecnológica en el sector educativo.
4.- Discusión
Los hallazgos de la revisión bibliográfica permiten articular una
lectura integrada de la relación entre microaprendizaje
e inteligencia artificial generativa que trasciende la mera descripción de
tendencias tecnológicas para inscribirse en una reflexión más amplia sobre los
fines y las condiciones de la educación en la era digital.
En primer lugar, la evidencia disponible sugiere que la articulación
entre microaprendizaje e IA representa un cambio de
paradigma en la lógica de la instrucción, y no un conjunto de aplicaciones
aisladas. El modelo educativo tradicional, organizado en torno a la transmisión
de conocimiento en sesiones extensas y uniformes, presupone un estudiante cuyo
ritmo de aprendizaje se subordina al ritmo institucional. El modelo que emerge
de esta convergencia invierte esa relación: es el sistema educativo el que se adapta
al estudiante, ofreciendo contenidos en el momento, el formato y la secuencia
que mejor se adecuan a sus necesidades individuales. Esta inversión sitúa al
estudiante como agente activo de su propio proceso de aprendizaje, en
consonancia con las tradiciones constructivistas y cognitivistas de la
pedagogía contemporánea. Guerschberg (2024) ya señalaba esta centralidad del
aprendiz como eje organizador del diseño instruccional en microaprendizaje;
la IA generativa amplía exponencialmente la capacidad del sistema para
sostenerla en tiempo real.
En segundo lugar, la articulación entre estos dos paradigmas abre
posibilidades concretas para la equidad educativa: si el microaprendizaje
democratiza el acceso al conocimiento al eliminar barreras temporales y
espaciales, y la IA personaliza ese acceso adaptándolo a cada aprendiz, el
resultado potencial es un sistema más inclusivo, capaz de atender la diversidad
de trayectorias y contextos estudiantiles. Esta potencialidad cobra especial
relevancia en América Latina, donde la masificación de la educación superior ha
aumentado la diversidad del estudiantado sin que los modelos pedagógicos se
hayan transformado al mismo ritmo. No obstante, esta promesa de equidad debe
confrontarse con la realidad estructural de la brecha digital: la tecnología
educativa no es intrínsecamente democratizadora, y su impacto depende de las
condiciones de acceso, las políticas de implementación y los marcos de
gobernanza que la enmarcan.
Este punto conduce a una reflexión sobre las condiciones institucionales
necesarias para que la sinergia produzca los efectos esperados. La literatura
revisada coincide en que la implementación exitosa requiere, al menos, tres
condiciones articuladas (infraestructura tecnológica adecuada, formación
docente continua y marcos de gobernanza ética), entendidas no como una lista de
prerrequisitos secuenciales sino como dimensiones que deben avanzar
simultáneamente para que la integración tecnológica sea sostenible y justa. La
ausencia de cualquiera de ellas compromete el potencial pedagógico del modelo y
puede generar consecuencias adversas tanto en términos de equidad como de
integridad institucional.
Resulta también pertinente examinar la tensión entre personalización y
autonomía. Los sistemas de IA que deciden qué contenidos se ofrecen a cada
estudiante, en qué secuencia y con qué nivel de dificultad, ejercen un poder
configurador sobre la experiencia de aprendizaje que puede derivar en formas
sutiles de heteronomía cognitiva: si el estudiante se habitúa a recibir
contenido perfectamente calibrado a sus preferencias actuales, puede perder la
oportunidad de enfrentarse al esfuerzo y la incomodidad que caracterizan el
aprendizaje profundo. La teoría del «deseable desafío» (desirable
difficulties), en el campo de la psicología del
aprendizaje, advierte que ciertas formas de dificultad, recuperar información
sin claves inmediatas, practicar de forma intercalada, resolver problemas
complejos sin andamiaje excesivo, son fundamentales para la consolidación del
conocimiento a largo plazo. Diseñar sistemas de IA educativa que sepan cuándo y
cómo introducir estos desafíos, sin derivar en frustración contraproducente,
constituye uno de los retos más sofisticados y aún pendientes del campo.
Finalmente, los hallazgos invitan a reconsiderar el papel del docente en
entornos mediados por IA. Una lectura superficial podría sugerir que la
automatización de la generación de contenido y la evaluación desplaza al
docente hacia un rol secundario. La evidencia apunta en la dirección contraria:
a medida que los sistemas de IA asumen las tareas más rutinarias de la
instrucción, el docente queda liberado para ejercer las funciones que le son
propias e irreemplazables, el acompañamiento emocional y motivacional, la
facilitación del pensamiento crítico, la mediación en el debate de ideas y la
construcción del vínculo pedagógico que da sentido al aprendizaje. Esta
redistribución de funciones exige, sin embargo, que los docentes cuenten con la
formación y el apoyo institucional necesarios para asumirla con plena
competencia, algo que la literatura revisada señala como una de las deudas más
urgentes de los sistemas educativos contemporáneos.
5.- Conclusiones
La revisión bibliográfica presentada en este trabajo permite concluir
que la sinergia entre microaprendizaje e inteligencia
artificial generativa representa una de las transformaciones más significativas
que experimenta la educación superior en la era digital. La convergencia de
ambos paradigmas ofrece un modelo pedagógico inédito, capaz de articular la
flexibilidad y la focalización conceptual del microaprendizaje
con la capacidad de personalización, generación de contenido y evaluación
adaptativa de la IA generativa. Los hallazgos de la literatura analizada
demuestran que esta combinación, cuando se implementa en condiciones
institucionales adecuadas, puede mejorar significativamente la retención del
conocimiento, el compromiso estudiantil y la equidad en el acceso a
experiencias de aprendizaje de calidad.
Sin embargo, la adopción irreflexiva de estas tecnologías conlleva
riesgos que la comunidad educativa no puede ignorar. La brecha digital amenaza
con reproducir las desigualdades estructurales en formato tecnológico,
incrementando la distancia entre quienes acceden a experiencias educativas de
alta calidad y quienes quedan excluidos de ellas. Los dilemas éticos asociados
al uso de datos estudiantiles exigen marcos de gobernanza robustos que protejan
la privacidad, prevengan los sesgos algorítmicos y garanticen la transparencia
en el uso de la información. Y la transformación del rol docente que implica
este modelo requiere inversiones sostenidas en formación pedagógica y
tecnológica que permitan a los educadores operar con criterio y autonomía en
entornos cada vez más complejos.
La conclusión central de este trabajo es que el valor de la sinergia
entre microaprendizaje e IA no reside en la
tecnología misma, sino en la orientación pedagógica con que se la
instrumentaliza. Una herramienta de IA generativa puede ser un poderoso aliado
del aprendizaje profundo o un mecanismo de entrenamiento superficial,
dependiendo de cómo se diseñe su integración en el currículo, cómo se forme a
los docentes para utilizarla y cómo se estructuren los marcos institucionales
que gobiernan su uso. El futuro de la educación en la era digital no se juega
en el terreno tecnológico, sino en el pedagógico, ético y político.
La agenda de investigación que se abre a partir de estos hallazgos es
amplia y urgente. Son necesarios estudios empíricos de mayor alcance que
documenten con rigor metodológico el impacto de las intervenciones de microaprendizaje potenciadas por IA en contextos educativos
latinoamericanos, atendiendo a las variables de equidad y diversidad cultural
que caracterizan la región. Asimismo, se requiere investigación orientada al
desarrollo de marcos de gobernanza de la IA educativa que sean al mismo tiempo
rigurosos en la protección de derechos y lo suficientemente ágiles para
acompañar el ritmo de evolución tecnológica. El diálogo interdisciplinario
entre pedagogos, tecnólogos, filósofos de la ética y responsables de política
educativa es, en este contexto, no una opción sino una condición de posibilidad
para una educación que sea, a la vez, innovadora, equitativa y profundamente
humana.
6.- Referencias
Arslan, R. C., Lehman, B., Tenison, C., Sparks, J. R., López, A. A., Gu, L., & Zapata-Rivera, D. (2024). Opportunities and challenges of using generative AI to personalize educational assessment. Frontiers in Artificial Intelligence, 7, 1460651. https://doi.org/10.3389/frai.2024.1460651
Bayly-Castaneda, K., Ramirez-Montoya, M.-S.,
& Morita-Alexander, A. (2024). Crafting personalized learning paths with AI
for lifelong learning: A systematic literature review. Frontiers in Education, 9, 1424386.
https://doi.org/10.3389/feduc.2024.1424386
Guerschberg, L. (2024). Microaprendizaje y desarrollo de competencias: Una
perspectiva desde la educación superior. En Compilación de estudios: Ciencias
de la educación. Perspectivas sobre la enseñanza y el aprendizaje (Vol. 1, Núm.
1). Ciencia Latina Editorial. https://biblioteca.ciencialatina.org/compilacion-de-estudios-ciencias-de-la-educacion-perspectivas-sobre-la-ensenanza-y-el-aprendizaje-vol-1-num-1/
Guerschberg, L., & Gutierrez, Y. E. (2025). Microaprendizaje en educación superior: Impacto en el desarrollo del proceso de aprendizaje. Sapiens in Higher Education, 2(1), 1-19. https://sapiensjournal.ec/index.php/sihe/article/view/24
Hernández-Sellés, N.
(2024). Ética y uso de inteligencia artificial en la docencia: Desafíos y
buenas prácticas. Etic@net. Revista Científica
Electrónica de Educación y Comunicación en la Sociedad del Conocimiento.
https://revistaseug.ugr.es/index.php/eticanet/article/view/33441
Jainuri,
M., Kamid, K., Syaiful, S., & Huda, N. (2025). Microlearning effectiveness
in higher education: A systematic review and meta-analysis of student retention
and learning outcomes. MATHEMA: Jurnal Pendidikan Matematika, 7(2), 476-492.
https://doi.org/10.33365/jm.v7i2.517
Llorens-Largo, F.,
García-Peñalvo, F. J., & Vidal, C. L. (2025). Inteligencia Artificial
Generativa (IA Gen) en la transformación digital de la educación superior: Una
revisión sistemática de literatura. Ciencia Latina Revista Científica
Multidisciplinar.
https://ciencialatina.org/index.php/cienciala/article/view/17370
Mayer, R. E. (2001). Multimedia learning. Cambridge University Press.
Merino-Campos, C. (2025). The impact of artificial intelligence on personalized learning in higher education: A systematic review. Trends in Higher Education, 4(2), 17. https://doi.org/10.3390/higheredu4020017
Mogavi, R. H., Deng, C., Kim, J. J., Zhou, P., Kwon, Y. D., Metwally, A. H. S., Tlili, A., Bassanelli, S., Bucchiarone, A., Gujar, S., Nacke, L. E., & Hui, P. (2024). ChatGPT in education: A blessing or a curse? A qualitative study exploring early adopters' utilization and perceptions. Computers in Human Behavior Reports, 13, 100380. https://doi.org/10.1016/j.chbr.2023.100380
Rodríguez-García, A. M.,
& Martínez-Heredia, N. (2024). Inteligencia Artificial Generativa en la
Educación Superior: Una revisión sistemática. UNIÓN - Revista Iberoamericana de
Educación Matemática. https://dialnet.unirioja.es/servlet/articulo?codigo=10162488
Salhab, R., & Aboushi, A. (2026). Impact of AI-assisted micro-learning on student engagement in an online environment in higher education. Frontiers in Education, 11, 1766032. https://doi.org/10.3389/feduc.2026.1766032
Sweller, J. (1988). Cognitive load during
problem solving: Effects on learning. Cognitive Science, 12(2), 257-285.
https://doi.org/10.1207/s15516709cog1202_4
Torres-Gastelú,
C. A., & Cornejo-Cruz, J. (2024). Desigualdad en el acceso a la educación
digital: Desafíos y soluciones para la equidad. Ciencia Latina Revista
Científica Multidisciplinar.
https://ciencialatina.org/index.php/cienciala/article/view/16679
Valdivia-Vizarreta, P.,
Martínez-Pérez, S., & Pegalajar-Palomino, M. C.
(2024). El impacto de la inteligencia artificial generativa en educación
superior: Una mirada desde la ética y la integridad académica. RELIEVE -
Revista Electrónica de Investigación y Evaluación Educativa.
https://revistaseug.ugr.es/index.php/RELIEVE/article/view/29134
Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21, 40. https://doi.org/10.1186/s41239-024-00468-z