Un estudio británico revela que las barreras para adoptar inteligencia artificial universitaria dependen menos de habilidades técnicas y más de culturas institucionales y disciplinares.
Una reciente investigación desarrollada en la University of Warwick analizó las barreras que enfrentan docentes y personal administrativo universitario al adoptar inteligencia artificial generativa en educación superior. El estudio, publicado en la revista Education Sciences, muestra que los obstáculos no dependen únicamente de habilidades tecnológicas individuales. También intervienen factores culturales, éticos, organizacionales y disciplinares. En esta reseña revisaremos los hallazgos más relevantes y reflexionaremos sobre sus implicaciones para la docencia universitaria actual.
Este tema importa especialmente porque muchas universidades están impulsando el uso de herramientas como ChatGPT, Copilot o Claude sin comprender del todo cómo las perciben quienes trabajan dentro de la institución. Mientras algunos profesores ven oportunidades pedagógicas, otros observan riesgos para la integridad académica, el pensamiento crítico o la validez de las evaluaciones. Además, las universidades enfrentan tensiones relacionadas con políticas institucionales ambiguas, licencias, privacidad de datos y formación docente insuficiente. En otras palabras, la discusión sobre inteligencia artificial ya no es solamente tecnológica: también es pedagógica, ética y organizacional.
La investigación buscó comprender cómo cambian las percepciones sobre las barreras de adopción de inteligencia artificial generativa según el rol institucional y el área disciplinar de quienes trabajan en educación superior. Los autores querían ir más allá de los enfoques tradicionales que suelen explicar la adopción tecnológica únicamente desde variables individuales, como la facilidad de uso o la actitud positiva hacia la tecnología. Para ello aplicaron una encuesta a 272 trabajadores universitarios de una universidad británica perteneciente al Russell Group, una red de instituciones de investigación de alto prestigio en Reino Unido. Participaron tanto docentes como personal de servicios profesionales y administrativos. Además, se compararon áreas STEM —ciencias, tecnología, ingeniería y matemáticas— con disciplinas no STEM.
La metodología combinó análisis estadísticos avanzados y análisis cualitativo automatizado. Los investigadores utilizaron regresión logística multinomial, modelos de ecuaciones estructurales y agrupamiento semántico de respuestas abiertas mediante inteligencia artificial. Aunque estos términos pueden sonar complejos, la idea central fue sencilla: identificar patrones en las preocupaciones de distintos grupos universitarios y entender cómo esas preocupaciones se relacionan con el contexto institucional y disciplinar.
Los hallazgos fueron particularmente interesantes porque muestran que no todos los actores universitarios ven la inteligencia artificial de la misma manera. Los docentes de áreas no STEM manifestaron mayores preocupaciones éticas y pedagógicas. Temas como plagio, pérdida de pensamiento crítico, deterioro de la escritura académica y dependencia excesiva de la IA aparecieron con mucha fuerza en sus respuestas. Esto resulta lógico si se considera que muchas disciplinas humanísticas y sociales dependen intensamente de la argumentación escrita, la autoría y la interpretación crítica.
En contraste, el personal administrativo y de servicios profesionales expresó principalmente preocupaciones institucionales. Para ellos, los problemas más importantes tenían relación con licencias de software, restricciones de acceso, políticas ambiguas, protección de datos, gobernanza y procedimientos institucionales. La inteligencia artificial aparece entonces menos como una amenaza pedagógica y más como un desafío organizacional.
Otro hallazgo importante es que las barreras individuales —como falta de tiempo, poca formación o baja alfabetización en IA— sí existen, pero no explican por sí solas la resistencia o dificultad de adopción. El estudio cuestiona directamente la idea de que basta con ofrecer talleres tecnológicos para resolver el problema. Los autores sostienen que muchas dificultades están profundamente ligadas a culturas disciplinares, estructuras universitarias y normas profesionales.
Especialmente revelador fue el análisis de respuestas abiertas. Algunos participantes rechazaban completamente integrar IA en sus clases. Otros criticaban políticas institucionales que solo autorizaban ciertas herramientas. Muchos expresaban preocupación porque los estudiantes usan IA para evitar procesos cognitivos complejos. Varias respuestas advertían que el problema no es únicamente el error factual, sino la ilusión de competencia que generan ciertos textos producidos por IA: trabajos aparentemente sofisticados, pero conceptualmente superficiales.
Todo esto tiene implicaciones muy concretas para la educación superior. El estudio confirma que la inteligencia artificial no afecta igual a todas las disciplinas ni a todos los roles universitarios. También evidencia que las universidades necesitan estrategias diferenciadas y no políticas genéricas aplicadas indistintamente a toda la institución.
En términos prácticos, este trabajo ofrece varias ideas aplicables al aula y a proyectos institucionales. Una primera posibilidad consiste en diseñar actividades donde la IA no sustituya el pensamiento del estudiante, sino que funcione como punto de partida para análisis críticos posteriores. Por ejemplo, un docente podría pedir a sus estudiantes comparar una respuesta generada por IA con artículos científicos reales, identificando errores, simplificaciones o sesgos argumentativos. Esto convertiría la IA en objeto de análisis y no solo en herramienta productiva.
Otra aplicación interesante es replantear las evaluaciones tradicionales. Si muchas tareas escritas pueden resolverse parcialmente mediante IA, quizá el desafío ya no sea prohibir su uso, sino crear actividades donde el proceso tenga más importancia que el producto final. Esto podría incluir defensas orales, bitácoras reflexivas, análisis de decisiones tomadas durante la escritura o ejercicios de metacognición sobre cómo se utilizó la herramienta.
El estudio también sugiere que las universidades deberían abandonar las capacitaciones homogéneas. Un taller genérico sobre “cómo usar IA” probablemente no responda a las necesidades reales de un profesor de filosofía, un investigador en ingeniería o un funcionario encargado de protección de datos. Sería más útil desarrollar rutas formativas diferenciadas según funciones y contextos disciplinarios.
Otra idea aplicable consiste en crear lineamientos institucionales claros y accesibles. Muchos participantes del estudio afirmaron no saber qué herramientas estaban autorizadas, cómo manejar información confidencial o qué políticas regían el uso de IA. Una gobernanza ambigua genera inseguridad y resistencia. Por ello, las instituciones podrían construir documentos específicos para docencia, investigación, evaluación y gestión administrativa, acompañados de ejemplos reales y casos prácticos.
Finalmente, el estudio invita a incorporar conversaciones explícitas sobre ética y pensamiento crítico en las asignaturas. Si la preocupación central es que la IA reduzca el esfuerzo intelectual del estudiante, entonces el aula universitaria necesita fortalecer más que nunca procesos de argumentación, análisis, interpretación y juicio crítico.
Como toda investigación, este trabajo también presenta limitaciones importantes. El estudio se realizó en una sola universidad británica, por lo que los resultados no pueden generalizarse automáticamente a todos los contextos internacionales. Además, la clasificación entre áreas STEM y no STEM simplifica realidades disciplinares mucho más complejas. Tampoco se utilizó una muestra completamente representativa de toda la población universitaria.
Otro aspecto relevante es que el estudio analiza percepciones y no necesariamente comportamientos reales. Que un docente exprese preocupación ética no significa automáticamente que rechace usar IA en su práctica cotidiana. Además, las tecnologías evolucionan muy rápido y las percepciones institucionales pueden cambiar significativamente en pocos años.
Los propios autores sugieren futuras investigaciones longitudinales y comparativas entre distintas universidades. También sería valioso incluir más entrevistas en profundidad para comprender mejor cómo influyen las culturas departamentales específicas en la adopción tecnológica.
La principal lección de este artículo es que la inteligencia artificial generativa no está transformando únicamente las herramientas de trabajo universitario; también está obligando a las instituciones a revisar sus estructuras, sus normas y sus concepciones sobre aprendizaje y evaluación. Tal vez el debate más importante ya no sea si debemos usar IA en educación superior, sino cómo evitar que su incorporación ocurra de manera improvisada, desigual y pedagógicamente superficial. La pregunta entonces queda abierta para cada docente: ¿estamos diseñando experiencias de aprendizaje donde la inteligencia artificial amplifique el pensamiento crítico o simplemente lo reemplace? Compartir esa reflexión con colegas y estudiantes puede ser hoy una de las tareas más urgentes de la universidad contemporánea.
Referencia del artículo:
Yang, J., Öge, K., von Mühlenen, A., Akbulut, A. B., Carey, T. S., & Okorro, C. (2026). Multi-Level Barriers to Generative AI Adoption Across Disciplines and Professional Roles in Higher Education. Education Sciences, 16(6), 838. https://doi.org/10.3390/educsci16060838
-----------------------------------------------------------------------
EdInnCrea © 2026. Todos los derechos reservados.
0 Comentarios