Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
1
Artículo de revisión
EL IMPACTO DE LA IA GENERATIVA EN LA LECTURA Y ESCRITURA
ACADÉMICAS: UNA SÍNTESIS DE LA EVIDENCIA RECIENTE (2023–2025).
THE IMPACT OF GENERATIVE AI ON ACADEMIC READING AND WRITING: A
SYNTHESIS OF RECENT EVIDENCE (2023–2025).
*Autor(a) para la correspondencia: nroblez@yahoo.es
RESUMEN ABSTRACT
El presente trabajo analizó el impacto de las
herramientas de inteligencia artificial en la escritura
académica y en la lectura en contextos educativos,
considerando su creciente incorporación en los
procesos formativos y la necesidad de comprender sus
implicaciones pedagógicas. El objetivo fue sintetizar
la evidencia científica disponible sobre los efectos de
estas tecnologías en la calidad de la producción escrita,
la comprensión lectora y el desarrollo de habilidades
académicas. Se realizó una revisión sistemática
siguiendo los lineamientos PRISMA, mediante la
búsqueda en bases de datos especializadas (Scopus,
Web of Science, ERIC y Google Scholar), aplicando
criterios de inclusión y exclusión previamente
definidos. El proceso de selección, extracción de datos
y evaluación del riesgo de sesgo fue efectuado de
manera independiente por revisores. Los resultados
evidenciaron que la inteligencia artificial favoreció la
organización textual, la coherencia y la
retroalimentación inmediata en la escritura, así como
mejoras en la comprensión lectora; sin embargo,
también se identificaron riesgos asociados a la
dependencia tecnológica y a posibles limitaciones en
el pensamiento crítico. Se concluyó que su integración
requiere lineamientos pedagógicos claros y un uso
ético y formativo.
PALABRAS CLAVE: Inteligencia artificial, lectura,
escritura, aprendizaje, alfabetización.
This study analyzed the impact of artificial
intelligence tools on academic writing and reading in
educational contexts, considering their increasing
integration into training processes and the need to
understand their pedagogical implications. The
objective was to synthesize the available scientific
evidence on the effects of these technologies on the
quality of written production, reading comprehension,
and the development of academic skills. A systematic
review was conducted following the PRISMA
guidelines, using specialized databases (Scopus, Web
of Science, ERIC, and Google Scholar) and applying
predefined inclusion and exclusion criteria. The
selection process, data extraction, and risk of bias
assessment were carried out independently by
reviewers. The results showed that artificial
intelligence improved textual organization, coherence,
and immediate feedback in writing, as well as reading
comprehension; however, risks associated with
technological dependence and potential limitations in
critical thinking were also identified. It was concluded
that their integration requires clear pedagogical
guidelines and ethical and educational use.
KEY WORDS: Artificial Intelligence, reading,
writing, learning, literacy.
Nelly Noemi Roblez Corregidor1*, https://orcid.org/0009-0003-7176-9255
Diana Esthefania Rosales Sánchez2, https://orcid.org/0009-0009-6871-1603
Nelly Mercedes Vargas Naranjo3, https://orcid.org/0009-0002-7509-1018
1 Unidad Educativa “Agoyán”, La Joya de los Sachas, Orellana, Ecuador.
2 Instituto Superior Tecnológico General Eloy Alfaro, La Joya de los Sachas, Orellana, Ecuador.
3 Unidad Educativa Fiscomisional Oscar Romero, La Joya de los Sachas, Orellana, Ecuador.
Recibido: 19/12/2025
Aceptado: 26/02/2026
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
2 2
INTRODUCCIÓN
En los últimos años, la irrupción de la inteligencia
artificial (IA) generativa ha transformado de manera
significativa diversos ámbitos del quehacer humano,
particularmente el educativo y académico (Yéssica et
al., 2025) Herramientas como ChatGPT, desarrollada
por OpenAI, así como otros modelos de lenguaje de
gran escala, han ampliado las posibilidades de
producción textual automatizada, facilitando la
generación de ensayos, resúmenes, revisiones
bibliográficas y otros géneros académicos (Carvajal et
al., 2025) Este fenómeno ha suscitado un creciente
interés científico debido a sus implicaciones en los
procesos de lectura, escritura, aprendizaje y
evaluación en contextos educativos formales.
La IA generativa puede definirse como un conjunto de
sistemas basados en modelos de aprendizaje profundo
capaces de producir contenido original, texto,
imágenes o código, a partir de patrones identificados
en grandes volúmenes de datos (Collaguazo et al.,
2025) En el ámbito académico, su uso se ha extendido
rápidamente desde 2023, generando debates sobre su
potencial para apoyar la comprensión lectora,
optimizar la redacción y promover la
retroalimentación inmediata, así como preocupaciones
relacionadas con la autoría, la integridad académica y
el desarrollo de habilidades cognitivas superiores
(Solís et al., 2023).
Diversos estudios recientes han examinado el impacto
de estas herramientas en la lectura y escritura
académicas. Mientras algunas investigaciones
destacan mejoras en la organización textual, la
claridad expositiva y la reducción del tiempo de
producción escrita, otras señalan riesgos asociados
con la dependencia tecnológica, la disminución del
pensamiento crítico y posibles prácticas de plagio
asistido (Van Vaerenbergh, 2024) Esta dualidad
evidencia la necesidad de analizar de manera
sistemática la evidencia disponible, especialmente
considerando la rápida evolución tecnológica y el
incremento exponencial de publicaciones entre 2023 y
2025 (Quiñonez y Mendoza, 2025; Van Vaerenbergh,
2024).
Desde una perspectiva educativa y social, comprender
el impacto de la IA generativa resulta crucial para
orientar políticas institucionales, actualizar marcos
normativos y diseñar estrategias pedagógicas basadas
en evidencia (Quiñonez & Mendoza, 2025) Asimismo,
desde el punto de vista científico, se requiere una
síntesis rigurosa que permita identificar tendencias,
vacíos de investigación y líneas futuras de estudio.
Desde la aparición pública de modelos de lenguaje de
gran escala como la inteligencia artificial, la literatura
científica ha experimentado un crecimiento acelerado
en torno al impacto de la IA generativa en la educación
superior (Barrera, 2025).
Entre 2023 y 2025, múltiples investigaciones
empíricas han explorado su influencia en los procesos
de lectura crítica, producción escrita,
retroalimentación académica y evaluación del
aprendizaje (Barrera, 2025; Quiñonez & Mendoza,
2025; Van Vaerenbergh, 2024). En términos
generales, la evidencia coincide en que estas
herramientas poseen una alta capacidad para generar
textos coherentes, estructurados y lingüísticamente
correctos, lo que ha favorecido su adopción como
apoyo en tareas académicas (Bustamante Bula et al.,
2024).
La literatura científica ha reportado beneficios
asociados al uso guiado de IA generativa, tales como
la mejora en la organización discursiva, la ampliación
del vocabulario académico, la optimización del tiempo
de redacción y el acceso a explicaciones
personalizadas que fortalecen la comprensión lectora.
Desde el enfoque pedagógico, se ha analizado su
potencial como herramienta de andamiaje cognitivo,
en línea con postulados socio constructivistas que
destacan la mediación tecnológica en el aprendizaje
(Parra, 2022).
Asimismo, investigaciones basadas en teorías del
procesamiento cognitivo han examinado cómo la
interacción con sistemas generativos puede influir en
la planificación, textualización y revisión del escrito.
No obstante, la literatura también ha señalado riesgos
y desafíos (Núñez et al., 2023) Algunos trabajos
advierten que el uso no regulado de IA generativa
podría fomentar la dependencia tecnológica y limitar
el desarrollo de habilidades de pensamiento crítico y
autorregulación (Chavez, 2025). Otros estudios han
enfatizado preocupaciones éticas relacionadas con la
autoría, la originalidad y la integridad académica,
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
3 3
especialmente ante la dificultad de distinguir entre
producción humana y contenido generado
automáticamente (Baque et al., 2024).
Estas tensiones han dado lugar a debates conceptuales
sobre si la IA debe concebirse como herramienta de
apoyo, coautor intelectual o riesgo potencial para la
formación académica (Baque et al., 2024; Chavez,
2025) A nivel metodológico, se observan enfoques
diversos: estudios experimentales que comparan el
rendimiento con y sin asistencia de IA;
investigaciones cualitativas centradas en percepciones
estudiantiles y docentes; y análisis documentales sobre
políticas institucionales emergentes.
Sin embargo, persisten inconsistencias en los
resultados, particularmente en lo relativo al impacto
real sobre la calidad del aprendizaje y la transferencia
de habilidades a contextos no asistidos por tecnología.
En este escenario, la evidencia disponible presenta
fragmentación temática y heterogeneidad
metodológica, lo que dificulta establecer conclusiones
integrales.
Además, dado el ritmo acelerado de evolución
tecnológica, existe el riesgo de que las revisiones
previas queden rápidamente desactualizadas. Estas
circunstancias justifican la necesidad de una síntesis
sistemática reciente que permita identificar tendencias
consolidadas, controversias vigentes y vacíos de
investigación en torno al impacto de la IA generativa
en la lectura y escritura académicas.
El problema que aborda esta revisión sistemática se
centra en la necesidad de comprender, de manera
rigurosa y actualizada, el impacto real de la IA
generativa en los procesos de lectura y escritura
académicas en contextos de educación media superior
y superior.
A pesar del crecimiento exponencial de estudios
publicados entre 2023 y 2025, los hallazgos reportados
son en algunos casos, contradictorios, lo que dificulta
establecer conclusiones claras sobre sus beneficios,
riesgos y condiciones óptimas de uso. Esta dispersión
de evidencia hace necesaria una síntesis estructurada
que permita identificar tendencias, efectos
predominantes y vacíos de investigación.
En este contexto, la presente revisión formula la
siguiente pregunta de investigación: ¿Cuál es el
impacto del uso de herramientas de IA generativa en
la calidad de la lectura y escritura académicas de
estudiantes de educación media superior y superior, en
comparación con métodos tradicionales sin asistencia
de IA, según la evidencia empírica publicada entre
2023 y 2025?
El objetivo del presente estudio es sintetizar y analizar
de manera sistemática la evidencia empírica publicada
entre 2023 y 2025 sobre el impacto de la IA generativa
en los procesos de lectura y escritura académicas en
estudiantes de educación media superior y superior,
con el fin de identificar sus efectos en la calidad de la
producción escrita y la comprensión lectora, así como
sus alcances, limitaciones e implicaciones para la
práctica educativa y la investigación futura.
METODOLOGÍA
Diseño y tipo de investigación
El presente estudio se enmarca en un diseño de
revisión sistemática de la literatura, de enfoque
cualitativo. Se trata de una investigación documental
y analítica, orientada a identificar, evaluar y sintetizar
de manera rigurosa los estudios empíricos publicados
entre 2023 y 2025 sobre el impacto de la IA generativa
en la lectura y escritura académicas.
La revisión se desarrollará siguiendo lineamientos
metodológicos reconocidos internacionalmente, como
los establecidos por PRISMA 2020, garantizando
transparencia en los criterios de búsqueda, selección,
evaluación de calidad y síntesis de los resultados. Para
garantizar rigor metodológico, se establecieron
criterios explícitos de inclusión y exclusión
previamente definidos en el protocolo de revisión.
Criterios de inclusión
− Artículos publicados entre 2023 y 2025.
− Artículos que analicen el uso de herramienta
de IA en contextos de educación básica.
− Artículos que estudian los efectos
relacionados con la lectura académica.
− Artículos que estuvieron publicada en revistas
arbitradas y revisadas por pares.
− Artículos que se encuentran disponibles en el
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
4 4
texto completo en inglés o español.
Criterios de exclusión
− Artículos que correspondieran a ensayos
teóricos o editoriales.
− Artículos que abordan IA en educación sin
centrarse específicamente en lectura o
escritura académica.
− Artículos que analizan niveles educativos
distintos a los establecidos.
− Artículos duplicados en bases de datos.
Fuentes de información
La identificación de los estudios se realizó
mediante una búsqueda sistemática en bases de
datos académicas internacionales, entre ellas
Scopus, Web of Science, ERIC (Education
Resources Information Center) y Google Scholar,
así como en repositorios institucionales y listas de
referencias de artículos relevantes para ampliar la
cobertura. También se revisaron actas de
congresos especializados en tecnología educativa
y publicaciones de organismos internacionales
vinculados a la innovación educativa.
Estrategia de búsqueda
La estrategia de búsqueda se diseñó a partir de la
combinación de descriptores controlados y
palabras clave relacionadas con IA generativa,
lectura y escritura académicas. Se utilizaron
operadores booleanos (AND, OR), truncamientos
y comillas para frases exactas, adaptando la
sintaxis a cada base de datos.
La ecuación general de búsqueda fue la siguiente:
(“generative artificial intelligence” OR
“generative AI” OR “large language models” OR
“LLM” OR “ChatGPT”) AND (“academic
writing” OR “academic reading” OR “writing
skills” OR “reading comprehension” OR
“academic literacy”) AND (“higher education”
OR “university students” OR “secondary
education”).
En Scopus y Web of Science, la búsqueda se
aplicó a título, resumen y palabras clave,
utilizando filtros por rango temporal (2023–2025),
tipo de documento (artículos y actas con revisión
por pares) e idioma (inglés y español). En ERIC,
se emplearon descriptores del tesauro combinados
con términos libres, limitando los resultados a
estudios revisados por pares y educación
secundaria y superior. En Google Scholar, se
replicó la ecuación general con filtros por fecha y
revisión manual de los primeros 200 resultados
ordenados por relevancia.
Proceso de selección de los estudios
El proceso de selección de los estudios se
desarrolló en dos fases: cribado inicial por título y
resumen, y evaluación posterior a texto completo.
Dos autores de la revisión examinaron de manera
independiente cada registro identificado para
determinar su pertinencia según los criterios de
inclusión y exclusión previamente establecidos.
En caso de discrepancias, se resolvieron mediante
discusión y, cuando fue necesario, con la
intervención de un tercer revisor. Posteriormente,
los artículos potencialmente elegibles fueron
evaluados en su versión completa para confirmar
su inclusión definitiva. Para optimizar el proceso
y eliminar duplicados, se utilizó un gestor
bibliográfico y herramientas de apoyo para la
organización y filtrado de referencias; no obstante,
la decisión final de inclusión fue tomada
exclusivamente por los revisores.
Proceso de extracción de los datos
El proceso de extracción de datos se realizó
mediante una matriz de registro previamente
diseñada y pilotada, en la que se sistematizaron
variables como autoría, año de publicación, país,
diseño metodológico, características de la
muestra, tipo de herramienta de IA generativa
utilizada, variables evaluadas y principales
hallazgos.
Dos revisores extrajeron los datos de manera
independiente para cada estudio incluido,
comparando posteriormente los resultados
obtenidos con el fin de garantizar precisión y
consistencia. Las discrepancias fueron resueltas
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
5 5
por consenso y, cuando fue necesario, mediante la
consulta a un tercer revisor.
Para facilitar la organización y sistematización de
la información, se emplearon hojas de cálculo y
herramientas digitales de gestión bibliográfica; no
obstante, la verificación final de los datos fue
realizada manualmente por los revisores.
Lista de los datos
Se definieron previamente los desenlaces de
interés en cuatro dominios principales: calidad de
la escritura académica (coherencia, cohesión,
estructura argumentativa, precisión léxica y
corrección gramatical), comprensión lectora
(niveles literal, inferencial y crítico), desarrollo
del pensamiento crítico y habilidades
metacognitivas (análisis, síntesis, evaluación de
fuentes y autorregulación), e integridad académica
(originalidad, prácticas de citación y posible
dependencia tecnológica).
Se buscaron todos los resultados compatibles con
cada dominio, independientemente de las escalas
de medición, los momentos de evaluación o los
tipos de análisis reportados; cuando existían
múltiples resultados dentro de un mismo estudio,
se priorizaron aquellos directamente vinculados
con el uso de IA generativa y alineados con los
objetivos de la revisión, considerando
preferentemente los desenlaces principales
definidos por los autores.
Evaluación del riesgo de sesgo de los estudios
individuales
La evaluación del riesgo de sesgo se realizó
utilizando herramientas validadas y adaptadas al
diseño metodológico de cada estudio (cuantitativo
experimental, observacional o cualitativo),
considerando aspectos como validez interna,
control de variables, manejo de datos incompletos,
coherencia metodológica y transparencia
analítica. Dos revisores valoraron de manera
independiente cada investigación y clasificaron el
riesgo de sesgo como bajo, moderado o alto; las
discrepancias se resolvieron por consenso o con la
intervención de un tercer revisor.
Métodos de síntesis
Para decidir qué estudios eran elegibles para cada
síntesis, se elaboró una matriz comparativa en la
que se tabularon sus características principales
(diseño, población, tipo de uso de IA y desenlaces
evaluados) y se contrastaron con los dominios de
análisis previamente definidos. Los estudios con
suficiente homogeneidad metodológica y de
medición se agruparon para síntesis cuantitativas
comparativas, mientras que aquellos con enfoques
diversos o cualitativos se integraron mediante
síntesis narrativa temática, garantizando
coherencia conceptual y metodológica en cada
grupo de análisis.
RESULTADOS
La Figura 1 muestra el proceso de identificación,
cribado, elegibilidad e inclusión de estudios conforme
a la metodología PRISMA.
En la versión previa de la revisión se habían incluido
73 estudios, a partir de un total de 189 registros
identificados en etapas anteriores. Para la
actualización de la revisión, se identificaron 189
nuevos registros a través de bases de datos
electrónicas: Scopus (n = 45), Web of Science (n =
36), ERIC (n = 59) y Google Scholar (n = 49). Antes
del cribado, se eliminaron 39 registros duplicados y 20
registros no elegibles por no cumplir con los criterios
de periodo o pertinencia temática, quedando 130
registros para la fase de revisión por título y resumen.
De estos, se excluyeron 65 registros, recuperándose 65
publicaciones para evaluación a texto completo.
Posteriormente, 15 publicaciones no pudieron ser
recuperadas y, de las 50 evaluadas en profundidad, 31
fueron excluidas por no cumplir con los criterios
metodológicos o de contenido, resultando en 19
nuevos estudios incluidos. Adicionalmente, mediante
otros métodos de identificación (sitios web,
organizaciones y búsqueda de citas), se localizaron 73
publicaciones, de las cuales 26 no fueron recuperadas.
Se evaluaron 47 textos completos y se excluyeron 30
por no cumplir con los criterios establecidos.
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1) https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
6 6
Figura 1
Diagrama Prisma
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
7 7
Tabla 1
Síntesis de los efectos de la IA generativa en lentura y
escritura.
Dominio
evaluado
No.
Tendencia
del efecto
Calidad de
escritura
académica
12
Positiva
moderada
Comprensión
lectora
8
Positiva leve
a moderada
Pensamiento
crítico
6
Mixta
Integridad
académica
7
Mixta a
negativa
Percepción
estudiantil
3
Positiva
Impacto en la escritura académica y en la lectura
Los resultados de la revisión evidencian que la IA
generativa ha tenido un impacto significativo en los
procesos de escritura académica, particularmente en la
organización estructural del texto y la corrección
lingüística. La mayoría de los estudios experimentales
reportaron mejoras en coherencia, cohesión y claridad
expositiva cuando las herramientas de IA fueron
utilizadas como apoyo en la planificación y redacción
de borradores (Salazar & Verástica, 2025). Asimismo,
se observó una reducción en el tiempo de producción
escrita, lo que sugiere un efecto positivo en la
eficiencia académica (Villacreses et al., 2025).
En relación con la calidad argumentativa, los
hallazgos fueron moderadamente positivos. Diversos
estudios señalaron que la IA generativa facilita la
estructuración lógica de ideas y la formulación inicial
de argumentos; sin embargo, algunos autores
advirtieron que el uso intensivo y no supervisado
puede conducir a textos con menor profundidad crítica
o con formulaciones excesivamente estandarizadas.
Por lo cual el beneficio depende en gran medida del
tipo de integración pedagógica adoptada (Díaz et al.,
2024; Escobar et al., 2025).
En cuanto al desarrollo de habilidades de revisión y
edición, la evidencia muestra que la retroalimentación
automatizada proporcionada por la IA contribuye a
mejorar aspectos gramaticales, léxicos y sintácticos.
Los estudiantes que utilizaron la herramienta para
revisar borradores presentaron menos errores formales
y mayor precisión terminológica. No obstante, algunos
estudios sugieren que la dependencia exclusiva de la
corrección automática podría limitar el aprendizaje
autónomo de normas lingüísticas (Ligia & Córdoba,
2013; Sarango et al., 2025).
Respecto al impacto en la lectura académica, los
estudios indican que la IA generativa actúa como
herramienta de apoyo en la comprensión de textos
complejos, especialmente en tareas de resumen,
reformulación y aclaración conceptual. Se reportaron
mejoras en la comprensión literal e inferencial cuando
los estudiantes utilizaron la IA para desglosar
contenidos especializados o sintetizar información
extensa (Molina et al., 2025; Sarango et al., 2025).
Sin embargo, los resultados relacionados con la
comprensión crítica fueron heterogéneos. Mientras
que algunos estudios evidenciaron un fortalecimiento
del análisis cuando la IA se empleó como herramienta
de contraste y discusión guiada, otros señalaron que el
uso pasivo, limitado a la obtención de resúmenes
automáticos, puede reducir la profundidad del
procesamiento cognitivo y la elaboración reflexiva del
contenido leído (Arenas-Parada et al., 2021; Loya et
al., 2025).
DISCUSIÓN
Los resultados de esta revisión sistemática evidencian
que la IA generativa está transformando de manera
significativa los procesos de escritura y lectura
académica en contextos educativos. En términos
generales, los hallazgos muestran un impacto
predominantemente positivo cuando estas
herramientas son utilizadas como apoyo cognitivo y
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
8 8
no como sustituto del proceso intelectual del
estudiante. Este resultado coincide con enfoques
pedagógicos que promueven la tecnología como
mediadora del aprendizaje, más que como reemplazo
del esfuerzo académico (Carvajal et al., 2025;
Collaguazo et al., 2025).
En relación con la escritura académica, la mejora
observada en coherencia, organización y corrección
lingüística sugiere que la IA puede funcionar como un
andamiaje digital. Desde una perspectiva
constructivista, estas herramientas facilitan la
estructuración inicial de ideas y permiten a los
estudiantes concentrarse en el contenido conceptual.
Sin embargo, el riesgo identificado de estandarización
excesiva plantea interrogantes sobre la originalidad y
la voz académica propia, elementos esenciales en la
formación universitaria (Solís et al., 2023; Van
Vaerenbergh, 2024).
Asimismo, los resultados muestran que la IA
contribuye a la eficiencia en la producción textual,
reduciendo tiempos de redacción y revisión. Este
aspecto puede resultar especialmente beneficioso en
contextos de alta carga académica. No obstante, la
literatura revisada advierte que la rapidez en la
generación de contenido no siempre se traduce en
mayor profundidad analítica, lo que resalta la
necesidad de establecer criterios claros sobre el uso
responsable de estas herramientas (Barrera, 2025;
Bustamante Bula et al., 2024).
En cuanto al desarrollo de habilidades argumentativas,
los hallazgos fueron mixtos. Si bien la IA facilita la
organización lógica de ideas, algunos estudios
sugieren que su uso no supervisado puede limitar la
construcción autónoma del pensamiento crítico. Esto
implica que el impacto positivo depende de la
mediación docente y de estrategias pedagógicas que
fomenten la reflexión, el contraste de fuentes y la
evaluación crítica del contenido generado (Núñez et
al., 2023; Parra, 2022).
Respecto a la lectura académica, la IA demostró ser
una herramienta eficaz para apoyar la comprensión de
textos complejos mediante resúmenes, explicaciones
simplificadas y reformulaciones conceptuales. Estos
hallazgos son especialmente relevantes para
estudiantes que enfrentan textos técnicos o en segunda
lengua. Sin embargo, se identificó el riesgo de
superficialidad cuando los estudiantes se limitan a
consumir resúmenes sin interactuar activamente con el
texto original (Arenas-Parada et al., 2021; Molina et
al., 2025).
La comprensión crítica representa uno de los puntos
más sensibles en la discusión. Aunque algunos
estudios indican que la IA puede potenciar el análisis
comparativo y la discusión guiada, otros advierten que
su uso pasivo podría reducir el esfuerzo cognitivo
profundo. Esto sugiere que la herramienta, por sí
misma, no garantiza aprendizaje significativo, sino
que su efecto depende del tipo de actividad académica
diseñada (Ligia & Córdoba, 2013; Sarango et al.,
2025).
Otro aspecto relevante es la dimensión ética y
formativa del uso de IA generativa. La discusión de
los estudios revisados destaca preocupaciones sobre la
integridad académica, el plagio y la autoría intelectual.
No obstante, varios autores coinciden en que la
solución no radica en la prohibición, sino en la
alfabetización digital crítica que permita a los
estudiantes comprender los límites y
responsabilidades asociados al uso de estas
tecnologías.
Desde una perspectiva metodológica, la
heterogeneidad de los estudios incluidos, en términos
de diseño, población y contextos educativos, sugiere
que los efectos de la IA no son uniformes. Las
diferencias en resultados pueden explicarse por
variables como el nivel académico, la disciplina y el
tipo de tarea evaluada. Esto indica la necesidad de
investigaciones futuras más estandarizadas y
longitudinales que permitan medir impactos a largo
plazo (Díaz et al., 2024; Escobar et al., 2025).
Además, los resultados invitan a reconsiderar los
modelos tradicionales de evaluación académica. Si la
IA forma parte del entorno de aprendizaje, las
estrategias de evaluación deberán centrarse más en
procesos, metacognición y aplicación contextual del
conocimiento, que en la simple producción textual.
Esta transformación podría representar una
oportunidad para fortalecer habilidades superiores de
análisis, síntesis y creatividad.
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
9 9
CONCLUSIONES
La presente revisión sistemática permitió analizar de
manera integral el impacto de la inteligencia artificial
generativa en la escritura y la lectura académica,
evidenciando que su incorporación en contextos
educativos representa una transformación significativa
en los procesos de producción y comprensión textual.
Los resultados muestran que estas herramientas
pueden mejorar la organización, coherencia y
corrección lingüística en la escritura, así como facilitar
la comprensión de textos complejos mediante
estrategias de síntesis y reformulación.
No obstante, los hallazgos también indican que los
beneficios no son automáticos ni universales. El
impacto positivo depende fundamentalmente del
modo en que la IA es integrada en el proceso
pedagógico. Cuando se utiliza como herramienta de
apoyo, reflexión y mejora, contribuye al
fortalecimiento de habilidades académicas; sin
embargo, cuando sustituye el esfuerzo cognitivo del
estudiante, puede limitar el desarrollo del pensamiento
crítico, la autonomía intelectual y la construcción de
una voz académica propia.
En el ámbito de la lectura académica, la IA generativa
se posiciona como un recurso valioso para la
comprensión inicial y la clarificación conceptual,
especialmente en textos especializados o en segunda
lengua. Sin embargo, el uso pasivo centrado
únicamente en la obtención de resúmenes puede
reducir la profundidad del procesamiento cognitivo, lo
que evidencia la necesidad de promover estrategias de
lectura activa y crítica.
Desde una perspectiva ética y formativa, la expansión
de estas herramientas plantea desafíos relacionados
con la integridad académica y la autoría intelectual. En
lugar de prohibir su uso, los resultados sugieren la
importancia de desarrollar competencias en
alfabetización digital crítica, que permitan a los
estudiantes utilizar la IA de manera responsable,
reflexiva y transparente dentro del marco normativo
institucional.
Asimismo, esta revisión pone de manifiesto la
necesidad de replantear las estrategias de evaluación
académica, orientándolas hacia procesos
metacognitivos, análisis crítico y aplicación
contextual del conocimiento. La integración adecuada
de la IA puede convertirse en una oportunidad para
fortalecer habilidades superiores si se acompaña de
lineamientos claros y formación docente.
Por lo tanto, la inteligencia artificial generativa no
constituye una amenaza inherente para la escritura y la
lectura académicas, sino una herramienta con alto
potencial formativo cuya eficacia depende de su
implementación pedagógica. El reto para la educación
superior radica en establecer marcos regulatorios y
didácticos que permitan aprovechar sus ventajas,
minimizando riesgos y promoviendo un aprendizaje
significativo, autónomo y éticamente responsable.
DECLARACIÓN DE CONFLICTOS DE
INTERESES
Los autores no declaran conflicto de intereses.
REFERENCIAS BIBLIOGRÁFICAS
Arenas-Parada, Roa-Muño, Centeno-Villamizar, &
Téllez-López. (2021). La enseñanza de la
lectura y la mediación cognitiva en estudiantes
de media académica: Estudio de correlación.
Revista Electrónica Educare, 25(3), 664–689.
https://doi.org/10.15359/ree.25-3.36
Baque, V., Zavala, M., Mendoza, V., & Recalde, E.
(2024). Percepciones y experiencias de
docentes universitarios sobre la inteligencia
artificial: transformación, ética y desafíos en
el uso académico por estudiantes: Perceptions
and experiences of university teachers on
artificial intelligence: transformation, ….
Latam: Revista Latinoamericana de Ciencias
Sociales y Humanidades, ISSN-e 2789-3855,
Vol. 5, No. 6, 2024 (Ejemplar Dedicado a:
LATAM; 1 – 20), 5(6), 16.
https://doi.org/10.56712/latam.v5i6.3204
Barrera. (2025). La inteligencia artificial y el
desarrollo cognitivo de los estudiantes de
noveno año de educación básica.
https://repositorio.upse.edu.ec/handle/46000/
13182
Bustamante Bula, R., Camacho Bonilla, A.,
Bustamante Bula, R., & Camacho Bonilla, A.
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
10 10
(2024). Inteligencia artificial (IA) en las
escuelas: una revisión sistemática (2019-
2023). Enunciación, 29(1), 62–82.
https://doi.org/10.14483/22486798.22039
Carvajal, X. T. M., Heredero, A. A. P., Montes, J. A.
M., & Cevallos, X. R. C. (2025). Inteligencia
artificial en el aula: nuevas estrategias para la
enseñanza y aprendizaje en la educación
media.
https://doi.org/10.33996/repsi.v7i19.138
Chavez, R. E. G. (2025). Ética e integridad académica
en el uso de la inteligencia artificial generativa
en la educación superior. Revista Científica
Multidisciplinar G-Nerando, 6(1), ág. 1-18-
ág. 1 – 18.
https://doi.org/10.60100/rcmg.v6i1.392
Collaguazo, G., Toapanta, M. A. S., Dávila, D. R. A.,
Pazmiño, F. C. A., & Morales, E. G. C. (2025).
Percepción estudiantil sobre la inteligencia
artificial generativa en instituciones
educativas de Imbabura: un análisis
exploratorio. Revista Ecos de La Academia,
11(22), e1344–e1344.
https://doi.org/10.53358/e2aewk38
Díaz, M., Hosyris, L. A. J., Martin, C. O., & Rabanal,
M. E. (2024). Para aprender a argumentar por
escrito en lengua extranjera con modelos de
lenguaje de la IA generativa. Revolucionando
La Docencia Universitaria: Innovación
Educativa En La Era de La IA y La
Gamificación, 2024, ISBN 978-84-1070-329-
2, Págs. 875-895, 1, 875–895.
https://gredos.usal.es/handle/10366/160310
Escobar, S. L., Flores, C. R., & Cadena, M. L. (2025).
Impacto de la integración de IA generativa y
ciencia del aprendizaje en habilidades
investigativas de doctorantes. Revista de
Propuestas Educativas, 7(15), 153–170.
https://doi.org/10.61287/propuestaseducativa
s.v7i15.4
Ligia, O., & Córdoba, S. (2013). El aprendizaje
combinado y el desarrollo de las habilidades
requeridas para la comunicación escrita.
Revista Electrónica Educare, 17(3), 293–313.
http://www.scielo.sa.cr/scielo.php?script=sci
_arttext&pid=S1409-
42582013000300014&lng=en&nrm=iso&tln
g=es
Loya, N. S. F., Tenorio, C. S. C., Encalada, G. V. T.,
Pasochoa, E. M. G., & Chicaiza, M. D. U.
(2025). Impacto de la inteligencia artificial
generativa en la producción académica
universitaria. Ciencia y Educación, 6(10.2),
710–720. https://doi.org/10.2
Molina, T. de J., Méndez, C. M., Isea, J. J., & Álvarez,
S. del R. (2025). La mediación lingüística de
la inteligencia artificial en la escritura y
lectura académica universitaria: ventajas,
desafíos y perspectivas pedagógicas. Revista
Conrado, 21(S1), e5069–e5069.
https://conrado.ucf.edu.cu/index.php/conrado
/article/view/5069
Núñez, C., Agualongo, L., Vistin, J., & López, M.
(2023). La Inteligencia Artificial en la
pedagogía como modelo de enseñanza.
Magazine de Las Ciencias: Revista de
Investigación e Innovación, 8(2), 120–135.
https://doi.org/10.33262/rmc.v8i1.2932
Parra, J. S. (2022). Potencialidades de la Inteligencia
Artificial en Educación Superior: Un Enfoque
desde la Personalización. Revista
Tecnológica-Educativa Docentes 2.0, 14(1),
19–27.
https://doi.org/10.37843/rted.v14i1.296
Quiñonez, B. R. E., & Mendoza, L. K. O. (2025).
Inteligencia Artificial Generativa como
herramienta pedagógica: una revisión
sistemática sobre su impacto en los procesos
de enseñanza-aprendizaje. SAGA: Revista
Científica Multidisciplinar, 2(3), 537–550.
https://doi.org/10.63415/saga.v2i3.223
Salazar, C., & Verástica, M. (2025). La reescritura
académica con herramientas de Inteligencia
artificial en una universidad pública de
México: Academic rewriting with artificial
intelligence tools at a public university in
Mexico. Latam: Revista Latinoamericana de
Ciencias Sociales y Humanidades, ISSN-e
2789-3855, Vol. 6, No. 1, 2025, 6(1), 46.
https://doi.org/10.56712/latam.v6i1.3354
Sarango, S. C., Tene, M., Cabrera, J., & Espín, M.
(2025). The development of writing skills in
students in the fourth year of GBE. Revista
Iberoamericana de Educación, 9(2), 17–38.
https://doi.org/10.31876/rie.v9i2.302
Solís, M. E. C., Martínez, E. L., Degante, E. C.,
Godoy, E. P., Martínez, Y. A., (2023).
Inteligencia artificial generativa para
Roblez Corregidor N. N., Rosales Sánchez D. E., & Vargas Naranjo N. M. (2026). El impacto de la IA generativa en la lectura
y escrituras académicas: una síntesis de la evidencia reciente (2023–2025). Revista Ciencia y Desarrollo ISTRI, 6(1)
https://istriobamba.edu.ec/ojs/index.php/revistacienciaydesarrollo_istr/inde
11 11
fortalecer la educación superior: Generative
artificial intelligence to boost higher
education. Latam: Revista Latinoamericana
de Ciencias Sociales y Humanidades, ISSN-e
2789-3855, Vol. 4, No. 3, 2023 (Ejemplar
Dedicado a: LATAM VII; 1448–1463), 4(3),
56. https://doi.org/10.56712/latam.v4i3.1113
Van Vaerenbergh, S. (2024). Inteligencia artificial
para potenciar la creatividad y la innovación
educativa. Revista INFAD de Psicología,
International Journal of Developmental and
Educational Psychology, 2024, 1(1), 507-513,
1(1), 507–513.
https://doi.org/10.17060/ijodaep.2024.n1.v1.
2644
Villacreses, E. G., Moreira, N. M., Calderón, J. E., &
Torres, V. G. (2025). Inteligencia Artificial:
Transformando la Escritura Académica y
Creativa en la Era del Aprendizaje
Significativo. Revista Científica de Salud y
Desarrollo Humano, 6(1), 1427–1451.
https://doi.org/10.61368/r.s.d.h.v6i1.533
Yéssica, A., Sánchez, P., Geovanny, M., Abrigo, A.,
Rigoberto, F., Laínez, R., Ramón, A., &
Maza, G. (2025). Inteligencia Artificial
Generativa en la Educación Básica:
Oportunidades y Consideraciones para el
Diseño de Escenarios Interdisciplinarios.
Estudios y Perspectivas Revista Científica y
Académica, 5(2), 1563–1580.
https://doi.org/10.61384/r.c.a.v5i2.1226