Apertura

La inteligencia artificial (IA) ha revolucionado múltiples sectores y la educación superior no es la excepción. Su implementación ha permitido personalizar la experiencia de los estudiantes, optimizar la gestión académica y mejorar la enseñanza mediante sistemas adaptativos y tutorías inteligentes (Luckin et al., 2018; Woolf, 2010, Ruano, 2025). Además, la IA potencia la creación de entornos de aprendizaje más dinámicos y accesibles, favoreciendo una educación más inclusiva y adaptativa (Zawacki-Richter et al., 2019).

El impacto de la IA no se limita solo a la enseñanza o la gestión académica, sino que ha cambiado la manera en que los estudiantes de educación superior acceden, procesan y utilizan la información en su práctica estudiantil. Actualmente, los estudiantes recurren a la IA principalmente para la automatización de tareas, el aprendizaje personalizado y la investigación académica. Herramientas como asistentes virtuales, plataformas de aprendizaje adaptativo y aplicaciones basadas en IA permiten personalizar el estudio de acuerdo con el ritmo y estilo de aprendizaje de cada estudiante. Diversas investigaciones han documentado un uso creciente de herramientas de IA generativa entre estudiantes universitarios, destacando su utilidad en la redacción, resolución de problemas y búsqueda de información (Ashraaf et al., 2025; Larios Soldevilla et al., 2025; Zawacki-Richter et al., 2019).

Además, la IA facilita el acceso y procesamiento de información por parte de los estudiantes, con herramientas como asistentes virtuales y modelos de procesamiento de lenguaje natural que apoyan la redacción y análisis de textos (Goel y Joyner, 2017; Holmes et al., 2019). Sin embargo, el uso de IA también plantea desafíos, como la privacidad de los datos y la posible dependencia excesiva de los estudiantes, lo que podría afectar el pensamiento crítico y la creatividad (Selwyn, 2022). En esta línea, Kosmyna et al. (2025) encontraron que los estudiantes que escribieron con asistencia de modelos de lenguaje mostraron una menor conectividad cerebral, menor sentido de autoría y un rendimiento inferior tanto en niveles lingüísticos como conductuales en comparación con quienes trabajaron sin herramientas externas, lo que evidencia los posibles costos cognitivos y educativos del uso prolongado de estas tecnologías.

Instituciones como la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura han destacado la importancia de la formación en ética de la IA para garantizar su uso responsable en la educación (Unesco, 2021). Por ello, es crucial que las universidades incorporen en sus planes de estudio la enseñanza sobre el uso ético y eficiente de la IA, preparando a los estudiantes para un entorno académico y profesional cada vez más digitalizado. En este contexto de innovación educativa, resulta importante evaluar cómo los estudiantes adoptan la IA en su proceso de aprendizaje, para lo cual los modelos de aceptación de tecnología resultan herramientas teóricas valiosas.

Este estudio se enmarca en el enfoque cuantitativo, con un diseño no experimental, transversal y de tipo instrumental.

Inicialmente, se exploró el acceso a recursos tecnológicos por parte de los participantes. Los datos muestran una alta disponibilidad de dispositivos y conectividad, ya que 98.1% reportó contar con un teléfono inteligente, 84.5% con una computadora portátil y 98.6% con conexión a internet en el hogar. No obstante, únicamente 67.1% indicó tener un plan de datos móviles, lo que podría limitar el acceso constante a recursos digitales fuera del entorno doméstico. Asimismo, 87.8% señaló utilizar servicios de pago por internet como plataformas de streaming, lo que refleja una familiaridad generalizada con entornos digitales en contextos tanto académicos como personales.

En relación con el uso de inteligencia artificial, se identificó una frecuencia de uso considerable. De los estudiantes, 63.4% indicó emplearla en sus actividades académicas con distintas frecuencias, desde ocasional hasta muy frecuente. En cuanto a la percepción de su experiencia con estas herramientas, 30.9% la consideró importante y 19.2% muy importante, lo que sugiere una valoración positiva emergente, aunque 49.8% la clasificó como sin importancia.

En lo que respecta a las herramientas utilizadas, ChatGPT fue la más mencionada por los participantes (79.8%), seguida de Bing (7.5%) y otras plataformas (3.3%). Solo 9.4% reportó no hacer uso de ninguna herramienta basada en inteligencia artificial. Entre los principales propósitos de uso destacaron la búsqueda de información (53.1%), la corrección de textos (24.4%) y la elaboración de ensayos o trabajos para entrega (11.7%). Otros usos como la generación de imágenes, videos o audios fueron reportados con menor frecuencia, en todos los casos por debajo de 3%.

Los resultados del análisis de confiabilidad mostraron que la mayoría de las dimensiones del instrumento alcanzaron niveles aceptables de consistencia interna. Se observó que las dimensiones de “expectativa de funcionamiento” (.866), “actitud frente al uso de la tecnología” (.846), “influencia social” (.812), “autoeficacia” (.813), “ansiedad” (.863) e “intención de uso de la tecnología” (.924) presentaron alta fiabilidad; sin embargo, “expectativa del esfuerzo” (.742) se ubicó en un rango aceptable, mientras que “condiciones facilitadoras” (.698) estuvo por debajo del umbral recomendado, lo que sugirió la posible presencia de ítems que no contribuían adecuadamente a la consistencia de la escala.

Para mejorar la fiabilidad de esta dimensión, se realizó un nuevo análisis eliminando el ítem 20 (“Reconozco que existen personas o grupos que me pueden ayudar si se presentan problemas con el uso de inteligencia artificial”), lo que resultó en un incremento del coeficiente alfa de Cronbach de 0.698 a 0.756, mejorando la consistencia interna de la escala.

Los análisis complementarios de adecuación muestral indicaron un índice KMO = 0.890 y una prueba de esfericidad de Bartlett estadísticamente significativa (χ² = 3946.619, gl = 435, p < .001). Estos resultados confirman que la matriz de correlaciones es apropiada para el análisis factorial, respaldando la pertinencia de los análisis posteriores de AFC y TRI.

Seguido de esto, se realizó un AFC inicial según la estructura sugerida por Michel et al. (2012), el cual arrojó valores de ajuste cercanos a los valores aceptables (tabla 1). Tras analizar los índices de modificación se incluyeron correlaciones entre los errores, mostrando una mejora en el ajuste del modelo, lo que sugiere una mejor representación de la estructura factorial del instrumento. En la tabla 1 se presenta una comparación entre los índices obtenidos en el AFC inicial y el final.

Tabla 1

Se realizó un análisis detallado de los valores de ajuste del modelo Rasch para evaluar la adecuación de los ítems en el instrumento (tabla 2). Los resultados indicaron que la mayoría de los ítems presentan un ajuste adecuado al modelo de Rasch, con valores de Infit y Outfit dentro del rango esperado. Específicamente, los ítems con Infit y Outfit cercanos a 1.0 muestran un ajuste ideal, como “La inteligencia artificial hace que el trabajo sea más interesante” (ítem 10, Infit = 1.035, Outfit = 1.038) y “Trabajar con inteligencia artificial es divertido” (ítem 11, Infit = 0.953, Outfit = 0.932). Por otro lado, un ítem presentó valores de Outfit inferiores a 0.5, lo que sugiere que es altamente predecible, y se considera en su análisis su valor de dificultad: “Planeo utilizar inteligencia artificial en los próximos tres meses” (31, Infit = 0.589, Outfit = 0.342, Dificultad = -0.04), indicando baja variabilidad en las respuestas y una baja dificultad. Considerando los valores obtenidos en AFC y que su predictibilidad sugiere que es claro y representativo de la intención de uso, no se eliminó de la escala final.

En cuanto a la dificultad de los ítems, se identificó que los ítems más complicados incluyen: “Estoy seguro de que utilizaré IA en los próximos tres meses” (ítem 30, Dificultad = 0.08) y “Puedo llamar a alguien para que me ayude si me atoro en mi tarea con IA” (ítem 22, Dificultad = 0.63), lo que sugiere problemas para al momento de contestarlo. En contraste, los ítems más fáciles incluyen: “Tengo los recursos necesarios para usar IA” (ítem 17, Dificultad = -1.18) y “Usar IA es una buena idea” (ítem 9, Dificultad = -0.34), lo que indica una mayor comprensión por parte de los participantes (tabla 2).

Tabla 2

En el análisis de correlación de Pearson los resultados mostraron asociaciones estadísticamente significativas entre todas las variables, consistente con lo esperado teóricamente, lo que refuerza la validez estructural del instrumento. Se encontró una fuerte correlación positiva entre la expectativa de funcionamiento y la actitud hacia el uso de la tecnología (r = 0.710, p < .001), así como entre expectativa de funcionamiento e intención de uso de la tecnología (r = 0.650, p < .001). Estos resultados sugieren que una mayor percepción de utilidad en el uso de la inteligencia artificial se relaciona con una actitud más favorable y una mayor disposición a emplearla en el futuro (ver tabla 3).

Tabla 3

Asimismo, la actitud hacia el uso de la tecnología correlacionó de manera significativa con la intención de uso (r = 0.665, p < .001) y con la autoeficacia (r = 0.616, p < .001), lo que indica que una percepción positiva hacia la IA se asocia con una mayor confianza para utilizarla y con mayor probabilidad de uso. En cuanto a la expectativa de esfuerzo, esta presentó una correlación fuerte con las condiciones facilitadoras (r = 0.670, p < .001), lo que sugiere que la percepción de facilidad está vinculada con la existencia de recursos.

También se hallaron correlaciones entre la expectativa de esfuerzo y la actitud hacia el uso de la tecnología (r = .532, p < .001), así como una correlación moderada con la autoeficacia (r = .494, p < .001), lo que apunta a una asociación entre la percepción de facilidad, la confianza personal y la actitud positiva.

En contraste, la dimensión de ansiedad presentó correlaciones débiles o no significativas con la mayoría de las variables. En particular, se observó una correlación negativa no significativa con la influencia social (r = -.044, p = .524), y una correlación positiva débil pero significativa con la intención de uso (r = .158, p = .021), y con expectativa de esfuerzo (r = .247, p < .001), lo cual podría indicar que, si bien la ansiedad no actúa como un factor limitante central, sí podría tener un leve efecto sobre la disposición al uso de la IA.

En conjunto, estos resultados muestran el funcionamiento individual de los ítems, la validez de constructo, la validez convergente y consistencia interna en la estructura del modelo UTAUT adaptado al contexto del uso de inteligencia artificial en la educación superior.

Los resultados de este estudio muestran que el instrumento basado en el modelo UTAUT, adaptado al contexto del uso de inteligencia artificial en educación superior, presenta propiedades psicométricas sólidas. En particular, las dimensiones de expectativa de funcionamiento, actitud frente al uso de la tecnología e intención de uso mostraron altos niveles de confiabilidad y fuertes correlaciones entre sí, lo cual coincide con lo reportado por Venkatesh et al. (2003) y refuerza su vigencia para evaluar la aceptación tecnológica. Del mismo modo, se observan patrones similares a los hallados por Michel et al. (2012), quienes validaron este instrumento en población mexicana en el contexto de plataformas de gestión académica en línea.

La presente investigación complementa los aportes previos al enfocar el análisis en el uso de herramientas de inteligencia artificial, una dimensión emergente que amplía el alcance del instrumento original. Además, el uso del modelo Rasch permitió observar con mayor precisión el comportamiento de los ítems, identificando aquellos con menor ajuste o discriminación. Esta aproximación metodológica enriqueció el proceso de validación y constituye una de las fortalezas del estudio, al ofrecer un análisis más detallado que va más allá del enfoque tradicional basado únicamente en confiabilidad interna.

Adicionado a esto, el análisis factorial confirmatorio reveló índices de ajuste aceptables que mejoraron tras la incorporación de correlaciones entre errores, lo cual también ha sido observado en adaptaciones culturales de UTAUT en otras investigaciones (Oshlyansky et al., 2007).

También es relevante considerar el contexto tecnológico de los participantes al interpretar estos hallazgos. El alto nivel de acceso a dispositivos electrónicos, como teléfonos inteligentes y computadoras portátiles, junto con una amplia disponibilidad de internet en el hogar, ofrece un entorno favorable para la incorporación de herramientas de inteligencia artificial en el ámbito académico. No obstante, el hecho de que un tercio de los estudiantes no cuente con un plan de datos móviles sugiere posibles limitaciones en el acceso continuo a estos recursos fuera del hogar, lo cual podría impactar en la frecuencia y profundidad del uso de estas tecnologías.

Los datos también revelan un uso extendido de herramientas de IA, en particular de plataformas como ChatGPT, así como una percepción mayoritariamente positiva sobre su utilidad académica. Estos resultados coinciden con investigaciones recientes que han documentado una adopción creciente de ChatGPT por parte de estudiantes universitarios como apoyo en la búsqueda de información, redacción de textos y resolución de tareas académicas (Castillo-Martínez et al. 2024; Kasneci et al., 2023). Si bien esta tendencia puede fortalecer la autonomía y eficiencia estudiantil, también se han señalado preocupaciones respecto al desarrollo del pensamiento crítico, la originalidad en la escritura y el riesgo de una dependencia excesiva en estas tecnologías (Susnjak, 2022).

Por tanto, la aceptación de la IA por parte de los estudiantes parece estar influenciada no solo por actitudes positivas, sino también por condiciones materiales y culturales que favorecen su integración en las prácticas académicas cotidianas. Esta relación entre acceso, uso y percepción podría explorarse más a fondo en futuros estudios, considerando también variables como la frecuencia de uso, el propósito académico y el tipo de herramientas empleadas.

Los resultados también evidencian diferencias interesantes respecto a otros trabajos. Por ejemplo, mientras que en estudios previos se ha reportado que la ansiedad hacia la tecnología actúa como barrera para su uso (Marangunić y Granić, 2015), en este caso la ansiedad mostró correlaciones débiles o nulas con la mayoría de las dimensiones, lo que sugiere que los estudiantes actuales podrían tener mayor familiaridad y menor resistencia emocional al uso de herramientas basadas en IA. Esto puede deberse a una mayor exposición a estas tecnologías desde etapas educativas tempranas o al contexto digitalizado que caracteriza la educación pospandemia.

La dimensión de ansiedad mostró correlaciones débiles con la mayoría de las variables, lo cual coincide con investigaciones recientes que indican que, gracias a su familiaridad digital, los estudiantes actuales experimentan menos ansiedad como barrera para usar nuevas tecnologías (Roy et al., 2022; Sova et al., 2024). Sin embargo, este hallazgo también podría reflejar diferencias individuales en la forma en que los estudiantes perciben y enfrentan la incorporación de la IA en sus prácticas académicas (Wu y Li, 2025). Esta variabilidad apunta a que la ansiedad podría no funcionar como un factor central de aceptación tecnológica en contextos contemporáneos, sino más bien como un moderador o un constructo emergente ligado a experiencias previas, habilidades digitales o actitudes hacia la innovación educativa. Futuras investigaciones podrían explorar este constructo a mayor profundidad, evaluando su interacción con variables como autoeficacia tecnológica, exposición a la IA o formación en ética digital.

Por otro lado, la dimensión de condiciones facilitadoras presentó una confiabilidad marginal en su forma original, situación similar a la reportada por Michel et al. (2012). Esto indica que la percepción de apoyo institucional o de disponibilidad de recursos puede variar significativamente según el entorno y que algunos ítems de esta dimensión podrían requerir ajustes contextuales más específicos, como lo ha sugerido también Marchewka y Kostiwa (2007) al evaluar sistemas de gestión de aprendizaje en entornos educativos diversos.

Entre las limitaciones del estudio destaca el muestreo no probabilístico por conveniencia y el tamaño moderado de la muestra. Estos factores reducen la posibilidad de generalizar los hallazgos a la totalidad de la población universitaria, en especial porque el grupo de participantes estuvo sobrerrepresentado por estudiantes de primeros semestres. Esta condición podría sesgar los resultados hacia una visión más exploratoria de la IA, diferente de la que podrían mostrar estudiantes de niveles avanzados o de otras instituciones con características socioculturales distintas. Por lo tanto, los resultados deben interpretarse con cautela y como un primer acercamiento contextualizado al fenómeno. Se recomienda replicar el estudio en poblaciones más amplias, diversas y con muestreo probabilístico, de manera que sea posible comprobar la estabilidad del modelo y avanzar hacia conclusiones de mayor alcance en términos de validez externa.

Otra limitación que debe considerarse es que, aunque este estudio aportó evidencia sólida de validez de constructo mediante AFC y TRI, no se exploraron otras formas de validez como la convergente o la predictiva. Esto se debe a que no se aplicaron instrumentos adicionales de comparación ni se contó con un diseño longitudinal que permitiera observar relaciones prospectivas entre las puntuaciones y conductas de uso real de IA. Reconocemos que estas limitaciones restringen la generalización de las inferencias sobre el alcance del instrumento. No obstante, se considera fundamental que futuras investigaciones incorporen medidas externas relacionadas (como alfabetización digital, actitudes hacia la tecnología o desempeño académico) y diseños longitudinales, a fin de evaluar si la escala predice el uso sostenido de la IA y se correlaciona de manera significativa con constructos teóricamente vinculados. De esta manera, se podrá robustecer la validez del instrumento y confirmar su aplicabilidad en diferentes contextos educativos.

A pesar de estas limitaciones, el estudio ofrece varias fortalezas: la adaptación cuidadosa del instrumento a un contexto tecnológico emergente, el uso combinado de métodos clásicos y modernos de análisis psicométrico, y la incorporación de datos recientes que permiten actualizar el marco de análisis sobre aceptación de tecnología. Además, representa una oportunidad para iniciar un diálogo más amplio sobre el papel de la inteligencia artificial en la formación universitaria, tanto desde una perspectiva técnica como ética, como han planteado organismos internacionales como la Unesco (2021).

Finalmente, los resultados abren múltiples oportunidades para futuras investigaciones. El instrumento validado puede aplicarse en otras instituciones y regiones, explorarse en distintas disciplinas académicas o compararse con otros modelos teóricos como el TAM. También puede servir para evaluar el impacto de intervenciones educativas dirigidas a fomentar un uso responsable y reflexivo de la inteligencia artificial en el aula.

Este estudio ofrece un aporte significativo al adaptar y validar un instrumento para medir la aceptación y uso de la inteligencia artificial en estudiantes universitarios, con base en un modelo teórico consolidado. La escala resultante demostró propiedades psicométricas adecuadas, incluyendo consistencia interna, validez de constructo y ajuste del modelo, lo que la convierte en una herramienta útil para evaluar la disposición de los estudiantes hacia el uso de tecnologías emergentes en el contexto educativo.

La validación del instrumento en población mexicana permite contar con una medida específica y contextualizada, lo cual contribuye a llenar una brecha importante en la investigación sobre inteligencia artificial en educación superior. Este instrumento puede ser utilizado tanto por investigadores como por instituciones educativas interesadas en diseñar políticas, intervenciones o estrategias de formación relacionadas con el uso ético y efectivo de estas tecnologías.

Como proyección futura, se recomienda replicar este estudio en muestras más amplias y diversas, aplicar el instrumento en distintos contextos educativos y explorar relaciones con otras variables relevantes como habilidades digitales, rendimiento académico, motivación, actitudes éticas o trabajo colaborativo. También sería valioso desarrollar estudios longitudinales que permitan observar cambios en la aceptación tecnológica a lo largo del tiempo o ante distintas intervenciones formativas.