Vol. 13/ Núm. 1 2026 pág. 1432
https://doi.org/10.69639/arandu.v13i1.1986
Tecnología Educativa en Gestión Curricular: Tensiones entre
Automatización Algorítmica y Autonomía Académica
Humanista en el TecNM
Educational Technology in Curriculum Management: Tensions between Algorithmic
Automation and Humanistic Academic Autonomy at TecNM
César Iván Abraján Barraza
cesar.ab@culiacan.tecnm.mx
https://orcid.org/0009-0006-0946-8955
Instituto Tecnológico de Culiacán, Tecnológico Nacional de México
Culiacán, Sinaloa – México
Andrés Saúl de la Serna Tuya
asdelaserna@gmail.com
https://orcid.org/0000-0002-0409-7685
Universidad Popular Autónoma del Estado de Puebla
Puebla, Puebla – México
Artículo recibido: 10 enero 2026 -Aceptado para publicación: 20 febrero 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La incorporación de inteligencia artificial en procesos de gestión curricular plantea una tensión
estructural entre lógicas algorítmicas de optimización y valores formativos humanistas de
construcción colectiva de sentido pedagógico. Este ensayo analiza críticamente la literatura
internacional sobre IA en educación superior, identificando su sesgo hacia aplicaciones
estudiantiles individuales que margina reflexión sobre gobernanza académica institucional. Se
examina la insuficiencia de marcos tecnopedagogicos dominantes (TPACK, SAMR, Triple E,
RAT) diseñados para contextos de aula cuando se extrapolan a gestión curricular con dinámicas
organizacionales distintas. Se proponen cinco principios de diseño tecnopedagogico específicos
para herramientas de análisis curricular: transparencia interpretativa, explicabilidad pedagógica,
preservación de agencia académica, visibilización de límites algorítmicos y horizontalidad
epistémica. Se argumenta que estos principios requieren condiciones institucionales específicas
sin las cuales incluso sistemas bien diseñados derivan en tecnocracia curricular. Se discuten
implicaciones para política educativa nacional y para instituciones como el Tecnológico Nacional
de México con modelos educativos humanistas.
Palabras clave: inteligencia artificial, gestión curricular, autonomía académica,
tecnopedagogía, educación superior
Vol. 13/ Núm. 1 2026 pág. 1433
ABSTRACT
The incorporation of artificial intelligence in curriculum management processes creates a
structural tension between algorithmic optimization logics and humanistic formative values of
collective construction of pedagogical meaning. This essay critically analyzes international
literature on AI in higher education, identifying its bias toward individual student applications
that marginalizes reflection on institutional academic governance. It examines the insufficiency
of dominant technopedagogical frameworks (TPACK, SAMR, Triple E, RAT) designed for
classroom contexts when extrapolated to curriculum management with different organizational
dynamics. Five technopedagogical design principles specific to curriculum analysis tools are
proposed: interpretive transparency, pedagogical explainability, preservation of academic agency,
visibility of algorithmic limits, and epistemic horizontality. It is argued that these principles
require specific institutional conditions without which even well-designed systems derive into
curricular technocracy. Implications for national educational policy and for institutions like
Tecnológico Nacional de México with humanistic educational models are discussed.
Keywords: artificial intelligence, curriculum management, academic autonomy,
technopedagogy, higher education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
ABSTRACT
The incorporation of artificial intelligence in curriculum management processes creates a
structural tension between algorithmic optimization logics and humanistic formative values of
collective construction of pedagogical meaning. This essay critically analyzes international
literature on AI in higher education, identifying its bias toward individual student applications
that marginalizes reflection on institutional academic governance. It examines the insufficiency
of dominant technopedagogical frameworks (TPACK, SAMR, Triple E, RAT) designed for
classroom contexts when extrapolated to curriculum management with different organizational
dynamics. Five technopedagogical design principles specific to curriculum analysis tools are
proposed: interpretive transparency, pedagogical explainability, preservation of academic agency,
visibility of algorithmic limits, and epistemic horizontality. It is argued that these principles
require specific institutional conditions without which even well-designed systems derive into
curricular technocracy. Implications for national educational policy and for institutions like
Tecnológico Nacional de México with humanistic educational models are discussed.
Keywords: artificial intelligence, curriculum management, academic autonomy,
technopedagogy, higher education
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 13/ Núm. 1 2026 pág. 1434
INTRODUCCIÓN
La inteligencia artificial ha comenzado a insertarse en prácticamente todos los procesos
de educación superior contemporánea, pero una de las áreas menos exploradas y potencialmente
más controvertidas es su aplicación a gestión curricular. Cuando un sistema de procesamiento del
lenguaje natural analiza programas de estudio, identifica palabras clave recurrentes y propone
clasificaciones temáticas, no está realizando una operación neutral de organización de
información. Está ejecutando una interpretación algorítmica que refleja decisiones de diseño
computacional incorporando supuestos epistemológicos sobre cómo se relacionan los
conocimientos, supuestos pedagógicos sobre qué agrupaciones son significativas, y supuestos
institucionales sobre quién tiene autoridad para definir coherencia curricular.
El problema se agudiza en instituciones como el Tecnológico Nacional de México, donde
el Modelo Educativo institucional se fundamenta explícitamente en humanismo y justicia social,
y donde las decisiones curriculares se conciben como procesos de construcción colectiva en los
que participan academias y cuerpos colegiados con conocimiento situado de contextos locales. El
TecNM opera 254 campus distribuidos en todo el territorio nacional, atiende a más de 600,000
estudiantes en 41 programas de licenciatura en ingeniería y tecnología, y gestiona entre 10,000 y
13,000 programas de estudio a nivel sistema (TecNM, 2023). Los ciclos de actualización
curricular operan cada 3 a 5 años e involucran academias distribuidas en los 254 campus,
coordinadas por comités nacionales de diseño curricular. ¿Qué sucede cuando esta cultura de
deliberación colegiada se encuentra con sistemas de IA que procesan automáticamente textos
curriculares y producen clasificaciones temáticas con apariencia de objetividad técnica? ¿Estos
sistemas fortalecen la capacidad de las academias para tomar decisiones informadas, o
gradualmente desplazan la reflexión pedagógica situada hacia validación acrítica de outputs
algorítmicos?
La literatura internacional sobre IA en educación superior ha documentado extensamente
aplicaciones orientadas al estudiante mientras permanece notoriamente subdesarrollado el análisis
crítico de implicaciones pedagógicas, éticas y políticas de aplicar IA a procesos que
históricamente han sido dominio de deliberación académica humana. La mayor parte de la
investigación proviene de contextos institucionales con alta madurez digital, culturas
consolidadas de uso de datos para decisiones académicas, y modelos de gobernanza donde la
gestión curricular ya opera bajo lógicas de eficiencia. Extrapolar estos marcos a instituciones
latinoamericanas con tradiciones pedagógicas humanistas, autonomía universitaria fuertemente
valorada y capacidades tecnológicas heterogéneas requiere interrogar críticamente qué supuestos
viajan implícitos con las tecnologías.
Los marcos tecnopedagogicos dominantes como TPACK, SAMR, Triple E Framework
o el RAT Model fueron diseñados primordialmente para analizar decisiones docentes a nivel de
INTRODUCCIÓN
La inteligencia artificial ha comenzado a insertarse en prácticamente todos los procesos
de educación superior contemporánea, pero una de las áreas menos exploradas y potencialmente
más controvertidas es su aplicación a gestión curricular. Cuando un sistema de procesamiento del
lenguaje natural analiza programas de estudio, identifica palabras clave recurrentes y propone
clasificaciones temáticas, no está realizando una operación neutral de organización de
información. Está ejecutando una interpretación algorítmica que refleja decisiones de diseño
computacional incorporando supuestos epistemológicos sobre cómo se relacionan los
conocimientos, supuestos pedagógicos sobre qué agrupaciones son significativas, y supuestos
institucionales sobre quién tiene autoridad para definir coherencia curricular.
El problema se agudiza en instituciones como el Tecnológico Nacional de México, donde
el Modelo Educativo institucional se fundamenta explícitamente en humanismo y justicia social,
y donde las decisiones curriculares se conciben como procesos de construcción colectiva en los
que participan academias y cuerpos colegiados con conocimiento situado de contextos locales. El
TecNM opera 254 campus distribuidos en todo el territorio nacional, atiende a más de 600,000
estudiantes en 41 programas de licenciatura en ingeniería y tecnología, y gestiona entre 10,000 y
13,000 programas de estudio a nivel sistema (TecNM, 2023). Los ciclos de actualización
curricular operan cada 3 a 5 años e involucran academias distribuidas en los 254 campus,
coordinadas por comités nacionales de diseño curricular. ¿Qué sucede cuando esta cultura de
deliberación colegiada se encuentra con sistemas de IA que procesan automáticamente textos
curriculares y producen clasificaciones temáticas con apariencia de objetividad técnica? ¿Estos
sistemas fortalecen la capacidad de las academias para tomar decisiones informadas, o
gradualmente desplazan la reflexión pedagógica situada hacia validación acrítica de outputs
algorítmicos?
La literatura internacional sobre IA en educación superior ha documentado extensamente
aplicaciones orientadas al estudiante mientras permanece notoriamente subdesarrollado el análisis
crítico de implicaciones pedagógicas, éticas y políticas de aplicar IA a procesos que
históricamente han sido dominio de deliberación académica humana. La mayor parte de la
investigación proviene de contextos institucionales con alta madurez digital, culturas
consolidadas de uso de datos para decisiones académicas, y modelos de gobernanza donde la
gestión curricular ya opera bajo lógicas de eficiencia. Extrapolar estos marcos a instituciones
latinoamericanas con tradiciones pedagógicas humanistas, autonomía universitaria fuertemente
valorada y capacidades tecnológicas heterogéneas requiere interrogar críticamente qué supuestos
viajan implícitos con las tecnologías.
Los marcos tecnopedagogicos dominantes como TPACK, SAMR, Triple E Framework
o el RAT Model fueron diseñados primordialmente para analizar decisiones docentes a nivel de
Vol. 13/ Núm. 1 2026 pág. 1435
aula. No fueron concebidos para analizar incorporación de IA en procesos de gestión institucional
donde las unidades de análisis son cuerpos colegiados, las decisiones afectan planes de estudio
completos, y los efectos se miden en reconfiguración de prácticas de gobernanza académica.
Tensión central y posicionamiento crítico
La incorporación de IA en gestión curricular plantea una tensión estructural entre dos
lógicas que operan bajo principios distintos. Por un lado, sistemas de IA basados en
procesamiento del lenguaje natural funcionan mediante identificación de patrones estadísticos,
extracción de palabras clave recurrentes y agrupación algorítmica según similitud semántica. Por
otro lado, el Modelo Educativo del TecNM establece que decisiones curriculares deben surgir de
procesos de deliberación colegiada incorporando conocimiento tácito sobre contextos
institucionales, experiencias previas de enseñanza, necesidades del sector productivo regional y
valores formativos que trascienden lo textualmente explícito.
La literatura internacional trata mayoritariamente la tecnología como herramienta neutral
cuya efectividad depende exclusivamente de correcta implementación técnica. Esta perspectiva
resulta insuficiente para contextos institucionales como el TecNM. En instituciones con madurez
digital heterogénea, baja cultura de uso de datos para decisiones académicas y tradiciones
arraigadas de gestión curricular basada en comités, la introducción de sistemas de IA no es acto
técnico neutro sino intervención que puede reforzar dos trayectorias opuestas: tecnocracia
curricular donde resultados automatizados se interpretan como diagnósticos objetivos que
orientan decisiones académicas, o tecnología de soporte donde análisis automatizado produce
mapeos preliminares que academias interrogan, contrastan con su experiencia y utilizan como
punto de partida para discusiones informadas.
La aportación crítica de este ensayo sostiene que los marcos tecnopedagogicos
dominantes fueron diseñados para analizar integración de tecnología en procesos de enseñanza-
aprendizaje a nivel de aula, no para procesos de gestión institucional. Se propone que en contextos
como el TecNM, la pregunta relevante no es «cómo integrar IA en gestión curricular» sino «bajo
qué condiciones institucionales, pedagógicas y éticas puede la IA servir como soporte a
autonomía académica en lugar de erosionarla».
Estructura del argumento
Este ensayo se desarrolla en cuatro movimientos. Primero, examina críticamente
literatura internacional sobre IA en educación superior para identificar qué aplicaciones se han
desarrollado y por qué resultan insuficientes para contextos institucionales como el TecNM.
Segundo, analiza principales marcos tecnopedagogicos señalando sus límites cuando se
extrapolan de contextos de aula a procesos de gestión curricular institucional. Tercero, propone
articulación alternativa entre tecnología educativa y modelo pedagógico humanista, especificando
condiciones bajo las cuales IA puede servir como soporte a deliberación colegiada sin desplazarla.
Finalmente, discute implicaciones para políticas educativas en instituciones mexicanas de
aula. No fueron concebidos para analizar incorporación de IA en procesos de gestión institucional
donde las unidades de análisis son cuerpos colegiados, las decisiones afectan planes de estudio
completos, y los efectos se miden en reconfiguración de prácticas de gobernanza académica.
Tensión central y posicionamiento crítico
La incorporación de IA en gestión curricular plantea una tensión estructural entre dos
lógicas que operan bajo principios distintos. Por un lado, sistemas de IA basados en
procesamiento del lenguaje natural funcionan mediante identificación de patrones estadísticos,
extracción de palabras clave recurrentes y agrupación algorítmica según similitud semántica. Por
otro lado, el Modelo Educativo del TecNM establece que decisiones curriculares deben surgir de
procesos de deliberación colegiada incorporando conocimiento tácito sobre contextos
institucionales, experiencias previas de enseñanza, necesidades del sector productivo regional y
valores formativos que trascienden lo textualmente explícito.
La literatura internacional trata mayoritariamente la tecnología como herramienta neutral
cuya efectividad depende exclusivamente de correcta implementación técnica. Esta perspectiva
resulta insuficiente para contextos institucionales como el TecNM. En instituciones con madurez
digital heterogénea, baja cultura de uso de datos para decisiones académicas y tradiciones
arraigadas de gestión curricular basada en comités, la introducción de sistemas de IA no es acto
técnico neutro sino intervención que puede reforzar dos trayectorias opuestas: tecnocracia
curricular donde resultados automatizados se interpretan como diagnósticos objetivos que
orientan decisiones académicas, o tecnología de soporte donde análisis automatizado produce
mapeos preliminares que academias interrogan, contrastan con su experiencia y utilizan como
punto de partida para discusiones informadas.
La aportación crítica de este ensayo sostiene que los marcos tecnopedagogicos
dominantes fueron diseñados para analizar integración de tecnología en procesos de enseñanza-
aprendizaje a nivel de aula, no para procesos de gestión institucional. Se propone que en contextos
como el TecNM, la pregunta relevante no es «cómo integrar IA en gestión curricular» sino «bajo
qué condiciones institucionales, pedagógicas y éticas puede la IA servir como soporte a
autonomía académica en lugar de erosionarla».
Estructura del argumento
Este ensayo se desarrolla en cuatro movimientos. Primero, examina críticamente
literatura internacional sobre IA en educación superior para identificar qué aplicaciones se han
desarrollado y por qué resultan insuficientes para contextos institucionales como el TecNM.
Segundo, analiza principales marcos tecnopedagogicos señalando sus límites cuando se
extrapolan de contextos de aula a procesos de gestión curricular institucional. Tercero, propone
articulación alternativa entre tecnología educativa y modelo pedagógico humanista, especificando
condiciones bajo las cuales IA puede servir como soporte a deliberación colegiada sin desplazarla.
Finalmente, discute implicaciones para políticas educativas en instituciones mexicanas de
Vol. 13/ Núm. 1 2026 pág. 1436
educación superior. La contribución no es técnica sino crítico-conceptual: interroga fundamentos
epistémicos y pedagógicos que deberían orientar diseño, implementación y gobernanza de
sistemas de IA aplicados a gestión curricular en instituciones con modelos educativos humanistas.
DESARROLLO
Promesas y limitaciones de ia en educación superior
Aplicaciones documentadas y sus supuestos implícitos
La revisión sistemática de Zawacki-Richter et al. (2019) identifica cuatro áreas
principales donde IA se ha aplicado en educación superior: perfilamiento y predicción de
estudiantes, sistemas de tutoría inteligente, evaluación y calificación automatizada, y sistemas de
recomendación de contenidos. De 146 estudios analizados, apenas 9% abordaban aplicaciones
relacionadas con gestión administrativa o análisis institucional, y ninguno se enfocaba
específicamente en análisis de documentos curriculares. Esta distribución refleja un sesgo
estructural hacia aplicaciones que optimizan procesos estudiantiles individuales mientras margina
aplicaciones que podrían incidir en procesos de gobernanza académica colectiva.
Salas-Pilco, Yang y Seta (2022) refuerzan este patrón al mostrar que la mayoría de
aplicaciones documentadas se concentran en analítica de aprendizaje y personalización de
contenidos para estudiantes. La lógica subyacente asume que mejorar educación significa
fundamentalmente optimizar trayectorias individuales, no transformar procesos colectivos de
construcción curricular. Wang (2024) documenta que aplicaciones emergentes de IA en
planificación académica y revisión de contenidos existen pero permanecen incipientes y poco
sistematizadas. ¿Por qué permanecen incipientes cuando la tecnología de procesamiento del
lenguaje natural está suficientemente madura? La respuesta probablemente no es técnica sino
institucional y política. Analizar contenidos curriculares mediante IA implica penetrar en un
espacio tradicionalmente protegido por autonomía académica.
Sesgos geográficos y epistemológicos
La revisión de Salas-Pilco y Xiao (2020) sobre aplicaciones de IA en educación superior
latinoamericana identifica un número reducido de publicaciones comparadas con cientos en
Norteamérica, Europa y Asia. Este desequilibrio cuantitativo enmascara un problema
epistemológico más profundo: la mayoría de marcos conceptuales y criterios de evaluación para
IA educativa se desarrollan en contextos institucionales específicos y luego se presentan como
universalmente aplicables. Las universidades donde se diseñan estos sistemas operan bajo
modelos de gobernanza donde gestión académica está altamente profesionalizada y donde toma
de decisiones curriculares ya está mediada por datos cuantitativos. Exportar tecnologías diseñadas
para estos contextos hacia instituciones latinoamericanas con tradiciones de autonomía académica
fuerte y gobernanza colegiada descentralizada no es simplemente transferencia tecnológica sino
educación superior. La contribución no es técnica sino crítico-conceptual: interroga fundamentos
epistémicos y pedagógicos que deberían orientar diseño, implementación y gobernanza de
sistemas de IA aplicados a gestión curricular en instituciones con modelos educativos humanistas.
DESARROLLO
Promesas y limitaciones de ia en educación superior
Aplicaciones documentadas y sus supuestos implícitos
La revisión sistemática de Zawacki-Richter et al. (2019) identifica cuatro áreas
principales donde IA se ha aplicado en educación superior: perfilamiento y predicción de
estudiantes, sistemas de tutoría inteligente, evaluación y calificación automatizada, y sistemas de
recomendación de contenidos. De 146 estudios analizados, apenas 9% abordaban aplicaciones
relacionadas con gestión administrativa o análisis institucional, y ninguno se enfocaba
específicamente en análisis de documentos curriculares. Esta distribución refleja un sesgo
estructural hacia aplicaciones que optimizan procesos estudiantiles individuales mientras margina
aplicaciones que podrían incidir en procesos de gobernanza académica colectiva.
Salas-Pilco, Yang y Seta (2022) refuerzan este patrón al mostrar que la mayoría de
aplicaciones documentadas se concentran en analítica de aprendizaje y personalización de
contenidos para estudiantes. La lógica subyacente asume que mejorar educación significa
fundamentalmente optimizar trayectorias individuales, no transformar procesos colectivos de
construcción curricular. Wang (2024) documenta que aplicaciones emergentes de IA en
planificación académica y revisión de contenidos existen pero permanecen incipientes y poco
sistematizadas. ¿Por qué permanecen incipientes cuando la tecnología de procesamiento del
lenguaje natural está suficientemente madura? La respuesta probablemente no es técnica sino
institucional y política. Analizar contenidos curriculares mediante IA implica penetrar en un
espacio tradicionalmente protegido por autonomía académica.
Sesgos geográficos y epistemológicos
La revisión de Salas-Pilco y Xiao (2020) sobre aplicaciones de IA en educación superior
latinoamericana identifica un número reducido de publicaciones comparadas con cientos en
Norteamérica, Europa y Asia. Este desequilibrio cuantitativo enmascara un problema
epistemológico más profundo: la mayoría de marcos conceptuales y criterios de evaluación para
IA educativa se desarrollan en contextos institucionales específicos y luego se presentan como
universalmente aplicables. Las universidades donde se diseñan estos sistemas operan bajo
modelos de gobernanza donde gestión académica está altamente profesionalizada y donde toma
de decisiones curriculares ya está mediada por datos cuantitativos. Exportar tecnologías diseñadas
para estos contextos hacia instituciones latinoamericanas con tradiciones de autonomía académica
fuerte y gobernanza colegiada descentralizada no es simplemente transferencia tecnológica sino
Vol. 13/ Núm. 1 2026 pág. 1437
imposición de racionalidades de gestión que pueden resultar incompatibles con culturas
institucionales locales.
UNESCO (2023) y OECD (2021) reconocen retóricamente esta problemática al enfatizar
que integración de IA en educación debe ser contextualmente situada y culturalmente sensible.
Sin embargo, estos documentos de política internacional ofrecen pocas orientaciones concretas
sobre cómo operacionalizar esa sensibilidad contextual más allá de recomendaciones genéricas.
La distancia entre declaraciones de principios y herramientas concretas para su implementación
constituye un vacío que la investigación aplicada aún no ha logrado cerrar. En el contexto
mexicano, la Secretaría de Educación Pública (2023) reconoció en su Programa Sectorial de
Educación 2020-2024 que uno de los desafíos principales del subsistema de educación superior
tecnológica es garantizar la pertinencia y actualización de los planes y programas de estudio,
especialmente en instituciones con múltiples campus distribuidos geográficamente.
El vacío en gestión curricular
Estudios como los de Goštautaitė y Sakalauskas (2022) y Yamauchi (2023) demuestran
viabilidad técnica de aplicar clasificación multietiqueta, análisis semántico y etiquetado
automático a textos educativos. Lo que no abordan es bajo qué condiciones pedagógicas e
institucionales esas capacidades técnicas deben o no activarse para análisis curricular. Yamauchi
(2023) desarrolla sistema para etiquetar automáticamente ejercicios educativos en PDFs: la
aplicación es técnicamente sofisticada pero pedagógicamente no problemática porque organizar
ejercicios para facilitar búsqueda no interfiere con autonomía docente. En contraste, aplicar
técnicas similares para clasificar áreas temáticas en programas de estudio oficiales que estructuran
planes completos de formación profesional sí genera tensiones pedagógicas y políticas que la
literatura computacional no aborda.
¿Quién valida clasificaciones producidas por el sistema? ¿Qué sucede cuando análisis
automatizado contradice organización que academias consideran pedagógicamente coherente?
¿Cómo se resuelven conflictos entre objetividad algorítmica y conocimiento tácito de docentes
sobre relaciones conceptuales entre asignaturas? Estos interrogantes son fundamentalmente
pedagógicos y organizacionales, y permanecen ausentes en una literatura que asume
implícitamente que mejor información producida por IA inevitablemente conduce a mejores
decisiones institucionales.
Limitaciones para contextos como el TecNM
García-Peñalvo (2023) argumenta que instituciones necesitan avanzar hacia modelos de
análisis apoyados en datos. Esta prescripción asume que el problema principal es falta de
información estructurada, no falta de capacidades para interpretar pedagógicamente esa
información o inexistencia de condiciones institucionales para traducir análisis en acciones.
Introducir IA sin atender primero limitaciones estructurales puede producir paradójicamente más
problemas: sistemas que generan reportes sofisticados que nadie tiene tiempo de analizar
imposición de racionalidades de gestión que pueden resultar incompatibles con culturas
institucionales locales.
UNESCO (2023) y OECD (2021) reconocen retóricamente esta problemática al enfatizar
que integración de IA en educación debe ser contextualmente situada y culturalmente sensible.
Sin embargo, estos documentos de política internacional ofrecen pocas orientaciones concretas
sobre cómo operacionalizar esa sensibilidad contextual más allá de recomendaciones genéricas.
La distancia entre declaraciones de principios y herramientas concretas para su implementación
constituye un vacío que la investigación aplicada aún no ha logrado cerrar. En el contexto
mexicano, la Secretaría de Educación Pública (2023) reconoció en su Programa Sectorial de
Educación 2020-2024 que uno de los desafíos principales del subsistema de educación superior
tecnológica es garantizar la pertinencia y actualización de los planes y programas de estudio,
especialmente en instituciones con múltiples campus distribuidos geográficamente.
El vacío en gestión curricular
Estudios como los de Goštautaitė y Sakalauskas (2022) y Yamauchi (2023) demuestran
viabilidad técnica de aplicar clasificación multietiqueta, análisis semántico y etiquetado
automático a textos educativos. Lo que no abordan es bajo qué condiciones pedagógicas e
institucionales esas capacidades técnicas deben o no activarse para análisis curricular. Yamauchi
(2023) desarrolla sistema para etiquetar automáticamente ejercicios educativos en PDFs: la
aplicación es técnicamente sofisticada pero pedagógicamente no problemática porque organizar
ejercicios para facilitar búsqueda no interfiere con autonomía docente. En contraste, aplicar
técnicas similares para clasificar áreas temáticas en programas de estudio oficiales que estructuran
planes completos de formación profesional sí genera tensiones pedagógicas y políticas que la
literatura computacional no aborda.
¿Quién valida clasificaciones producidas por el sistema? ¿Qué sucede cuando análisis
automatizado contradice organización que academias consideran pedagógicamente coherente?
¿Cómo se resuelven conflictos entre objetividad algorítmica y conocimiento tácito de docentes
sobre relaciones conceptuales entre asignaturas? Estos interrogantes son fundamentalmente
pedagógicos y organizacionales, y permanecen ausentes en una literatura que asume
implícitamente que mejor información producida por IA inevitablemente conduce a mejores
decisiones institucionales.
Limitaciones para contextos como el TecNM
García-Peñalvo (2023) argumenta que instituciones necesitan avanzar hacia modelos de
análisis apoyados en datos. Esta prescripción asume que el problema principal es falta de
información estructurada, no falta de capacidades para interpretar pedagógicamente esa
información o inexistencia de condiciones institucionales para traducir análisis en acciones.
Introducir IA sin atender primero limitaciones estructurales puede producir paradójicamente más
problemas: sistemas que generan reportes sofisticados que nadie tiene tiempo de analizar
Vol. 13/ Núm. 1 2026 pág. 1438
detenidamente, clasificaciones temáticas que academias no comprenden cómo fueron derivadas,
dashboards con visualizaciones que terminan archivados porque no conectan con prácticas reales
de toma de decisiones curriculares. Slimi (2023) y Martín (2024) documentan preocupaciones
docentes sobre IA incluyendo temores sobre desplazamiento laboral, pérdida de control sobre
procesos pedagógicos y dependencia excesiva de sistemas cuyo funcionamiento interno no
comprenden. Estas preocupaciones reflejan comprensión intuitiva de que tecnologías
reconfiguran prácticas profesionales y que su adopción puede erosionar formas de conocimiento
práctico no fácilmente capturables por algoritmos.
En el caso específico del TecNM, las revisiones curriculares se realizan de manera
manual: los docentes integrantes de cada academia leen los programas de las asignaturas que
imparten y de aquellas que consideran relacionadas con su área. Las discusiones en academia
tienden a centrarse en las asignaturas que los profesores participantes conocen mejor, lo que puede
derivar en que asignaturas con menor representación docente reciban menos atención en los
procesos de revisión. De acuerdo con la Asociación Nacional de Universidades e Instituciones de
Educación Superior (ANUIES, 2022), solo el 23% de las instituciones mexicanas de educación
superior tienen procesos sistemáticos de evaluación curricular basados en evidencia, mientras que
el 68% depende de evaluaciones periódicas por comités sin apoyo tecnológico especializado.
Síntesis crítica
El estado del arte internacional revela tres limitaciones estructurales para su aplicación
en contextos como el TecNM: sesgo hacia aplicaciones orientadas al estudiante individual que
invisibiliza procesos colectivos de gobernanza académica; desarrollo de marcos conceptuales en
contextos institucionales con alta madurez digital que se universalizan sin considerar
incompatibilidades con culturas pedagógicas alternativas; y ausencia de reflexión crítica sobre
implicaciones políticas de automatizar procesos que históricamente han sido espacios de ejercicio
de autonomía académica. Lo que falta no son más aplicaciones técnicas de IA en educación, sino
marcos críticos para evaluar cuándo, bajo qué condiciones y con qué controles institucionales esas
aplicaciones fortalecen en lugar de erosionar capacidad de comunidades docentes para tomar
decisiones pedagógicamente fundamentadas.
Marcos tecnopedagógicos y sus limitaciones
El problema de la extrapolación conceptual
Los cuatro marcos tecnopedagogicos dominantes (TPACK, SAMR, Triple E Framework,
RAT Model) comparten una característica fundamental: fueron diseñados para analizar decisiones
de docentes individuales sobre cómo incorporar herramientas digitales en actividades específicas
de enseñanza-aprendizaje. Su unidad de análisis es práctica docente en aula, su temporalidad es
sesión o secuencia didáctica, y su objetivo es evaluar si tecnología mejora o transforma
experiencias de aprendizaje estudiantil. Extrapolar estos marcos hacia procesos de gestión
curricular institucional mediados por IA no es simplemente aplicar herramientas conceptuales
detenidamente, clasificaciones temáticas que academias no comprenden cómo fueron derivadas,
dashboards con visualizaciones que terminan archivados porque no conectan con prácticas reales
de toma de decisiones curriculares. Slimi (2023) y Martín (2024) documentan preocupaciones
docentes sobre IA incluyendo temores sobre desplazamiento laboral, pérdida de control sobre
procesos pedagógicos y dependencia excesiva de sistemas cuyo funcionamiento interno no
comprenden. Estas preocupaciones reflejan comprensión intuitiva de que tecnologías
reconfiguran prácticas profesionales y que su adopción puede erosionar formas de conocimiento
práctico no fácilmente capturables por algoritmos.
En el caso específico del TecNM, las revisiones curriculares se realizan de manera
manual: los docentes integrantes de cada academia leen los programas de las asignaturas que
imparten y de aquellas que consideran relacionadas con su área. Las discusiones en academia
tienden a centrarse en las asignaturas que los profesores participantes conocen mejor, lo que puede
derivar en que asignaturas con menor representación docente reciban menos atención en los
procesos de revisión. De acuerdo con la Asociación Nacional de Universidades e Instituciones de
Educación Superior (ANUIES, 2022), solo el 23% de las instituciones mexicanas de educación
superior tienen procesos sistemáticos de evaluación curricular basados en evidencia, mientras que
el 68% depende de evaluaciones periódicas por comités sin apoyo tecnológico especializado.
Síntesis crítica
El estado del arte internacional revela tres limitaciones estructurales para su aplicación
en contextos como el TecNM: sesgo hacia aplicaciones orientadas al estudiante individual que
invisibiliza procesos colectivos de gobernanza académica; desarrollo de marcos conceptuales en
contextos institucionales con alta madurez digital que se universalizan sin considerar
incompatibilidades con culturas pedagógicas alternativas; y ausencia de reflexión crítica sobre
implicaciones políticas de automatizar procesos que históricamente han sido espacios de ejercicio
de autonomía académica. Lo que falta no son más aplicaciones técnicas de IA en educación, sino
marcos críticos para evaluar cuándo, bajo qué condiciones y con qué controles institucionales esas
aplicaciones fortalecen en lugar de erosionar capacidad de comunidades docentes para tomar
decisiones pedagógicamente fundamentadas.
Marcos tecnopedagógicos y sus limitaciones
El problema de la extrapolación conceptual
Los cuatro marcos tecnopedagogicos dominantes (TPACK, SAMR, Triple E Framework,
RAT Model) comparten una característica fundamental: fueron diseñados para analizar decisiones
de docentes individuales sobre cómo incorporar herramientas digitales en actividades específicas
de enseñanza-aprendizaje. Su unidad de análisis es práctica docente en aula, su temporalidad es
sesión o secuencia didáctica, y su objetivo es evaluar si tecnología mejora o transforma
experiencias de aprendizaje estudiantil. Extrapolar estos marcos hacia procesos de gestión
curricular institucional mediados por IA no es simplemente aplicar herramientas conceptuales
Vol. 13/ Núm. 1 2026 pág. 1439
existentes a nuevo dominio; es forzar marcos analíticos diseñados para un nivel micro (aula) a
operar en otro nivel meso (institución) con dinámicas, actores y temporalidades radicalmente
distintas.
TPACK: conocimiento individual vs capacidad colectiva
El marco TPACK (Mishra y Koehler, 2006) plantea que integración efectiva de
tecnología requiere intersección de conocimiento disciplinar, pedagógico y tecnológico docente.
Shulman (1986) estableció que conocimiento pedagógico del contenido distingue al docente
experto; TPACK agregó dimensión tecnológica argumentando que integrar herramientas digitales
requiere comprender sus affordances pedagógicas para contenidos específicos. Sin embargo,
cuando se aplica IA para analizar programas de estudio, ¿quién es el sujeto portador del TPACK?
No es docente individual sino institución. Y las instituciones no conocen de la misma manera que
individuos. El conocimiento institucional está distribuido entre múltiples actores y reside también
en prácticas colectivas de deliberación, en tradiciones académicas tácitas, en decisiones históricas
sobre por qué ciertos contenidos se organizaron de determinada manera. Para el TecNM, donde
el Modelo Educativo enfatiza trabajo colegiado, aplicar TPACK implicaría asumir que existe
actor individual que posee conocimiento suficiente para decidir cómo integrar IA en análisis
curricular. Esta asunción contradice la cultura organizacional donde decisiones curriculares
emergen de procesos participativos en academias.
SAMR: transformación pedagógica vs organizacional
El modelo SAMR (Puentedura, 2006, 2012) propone cuatro niveles jerárquicos de
integración tecnológica con lógica progresiva donde niveles superiores son pedagógicamente más
valiosos. García-Utrera et al. (2014) ilustran SAMR con ejemplos donde transformación se evalúa
preguntando qué experiencias de aprendizaje estudiantil hace posible la tecnología. Aplicar
SAMR a IA para análisis curricular genera confusiones conceptuales: SAMR asume que
transformación se mide por cambios en experiencias de aprendizaje estudiantil, pero cuando
tecnología se aplica a gestión curricular, estudiantes no interactúan directamente con ella. Los
efectos son mediados, indirectos, diferidos. Más problemático, SAMR incorpora sesgo valorativo
donde niveles superiores son inherentemente mejores. En gestión curricular, si sistema de IA
redefine radicalmente cómo instituciones organizan contenidos desplazando deliberación
colegiada hacia algoritmos de optimización, esa redefinición podría ser pedagógicamente
regresiva, aunque técnicamente sofisticada.
Triple E y RAT: limitaciones convergentes
El Triple E Framework (Kolb, 2017) evalúa si herramienta involucra activamente al
estudiante, mejora experiencias y expande oportunidades. El RAT Model (Hughes, 2005)
distingue entre tecnologías que reemplazan, amplifican o transforman tareas de aprendizaje.
Ambos marcos enfrentan el mismo problema de referente cuando se aplican a gestión curricular:
¿quiénes son los estudiantes cuyo engagement o cuyas tareas se evalúan? Si se responde los
existentes a nuevo dominio; es forzar marcos analíticos diseñados para un nivel micro (aula) a
operar en otro nivel meso (institución) con dinámicas, actores y temporalidades radicalmente
distintas.
TPACK: conocimiento individual vs capacidad colectiva
El marco TPACK (Mishra y Koehler, 2006) plantea que integración efectiva de
tecnología requiere intersección de conocimiento disciplinar, pedagógico y tecnológico docente.
Shulman (1986) estableció que conocimiento pedagógico del contenido distingue al docente
experto; TPACK agregó dimensión tecnológica argumentando que integrar herramientas digitales
requiere comprender sus affordances pedagógicas para contenidos específicos. Sin embargo,
cuando se aplica IA para analizar programas de estudio, ¿quién es el sujeto portador del TPACK?
No es docente individual sino institución. Y las instituciones no conocen de la misma manera que
individuos. El conocimiento institucional está distribuido entre múltiples actores y reside también
en prácticas colectivas de deliberación, en tradiciones académicas tácitas, en decisiones históricas
sobre por qué ciertos contenidos se organizaron de determinada manera. Para el TecNM, donde
el Modelo Educativo enfatiza trabajo colegiado, aplicar TPACK implicaría asumir que existe
actor individual que posee conocimiento suficiente para decidir cómo integrar IA en análisis
curricular. Esta asunción contradice la cultura organizacional donde decisiones curriculares
emergen de procesos participativos en academias.
SAMR: transformación pedagógica vs organizacional
El modelo SAMR (Puentedura, 2006, 2012) propone cuatro niveles jerárquicos de
integración tecnológica con lógica progresiva donde niveles superiores son pedagógicamente más
valiosos. García-Utrera et al. (2014) ilustran SAMR con ejemplos donde transformación se evalúa
preguntando qué experiencias de aprendizaje estudiantil hace posible la tecnología. Aplicar
SAMR a IA para análisis curricular genera confusiones conceptuales: SAMR asume que
transformación se mide por cambios en experiencias de aprendizaje estudiantil, pero cuando
tecnología se aplica a gestión curricular, estudiantes no interactúan directamente con ella. Los
efectos son mediados, indirectos, diferidos. Más problemático, SAMR incorpora sesgo valorativo
donde niveles superiores son inherentemente mejores. En gestión curricular, si sistema de IA
redefine radicalmente cómo instituciones organizan contenidos desplazando deliberación
colegiada hacia algoritmos de optimización, esa redefinición podría ser pedagógicamente
regresiva, aunque técnicamente sofisticada.
Triple E y RAT: limitaciones convergentes
El Triple E Framework (Kolb, 2017) evalúa si herramienta involucra activamente al
estudiante, mejora experiencias y expande oportunidades. El RAT Model (Hughes, 2005)
distingue entre tecnologías que reemplazan, amplifican o transforman tareas de aprendizaje.
Ambos marcos enfrentan el mismo problema de referente cuando se aplican a gestión curricular:
¿quiénes son los estudiantes cuyo engagement o cuyas tareas se evalúan? Si se responde los
Vol. 13/ Núm. 1 2026 pág. 1440
docentes que usan el sistema, se reduce profesores a usuarios pasivos, infantilizando su rol de
expertos. Si se responde los estudiantes finales, la conexión causal es demasiado indirecta para
que los marcos resulten analíticamente útiles. Las academias que analizan programas de estudio
no están aprendiendo en sentido pedagógico tradicional; están ejerciendo juicio profesional
experto. Clasificar esta actividad como tarea de aprendizaje distorsiona su naturaleza.
Ausencias sistemáticas
Los cuatro marcos comparten vacíos que limitan críticamente su aplicabilidad a contextos
como el TecNM. No preguntan quién decide qué tecnología se adopta ni bajo qué mecanismos de
rendición de cuentas. Asumen epistemologías positivistas sin contemplar tradiciones epistémicas
donde conocimiento es situado y resistente a formalización algorítmica. Analizan tecnología en
temporalidades cortas, mientras que adopción institucional opera en temporalidades largas donde
efectos solo se hacen visibles años después. Fueron desarrollados en contextos anglosajones, y su
exportación acrítica ignora diferencias en concepciones sobre autoridad docente, autonomía
universitaria y gobernanza colegiada propias de contextos latinoamericanos.
Síntesis: necesidad de marcos específicos
Los marcos tecnopedagogicos dominantes no son incorrectos sino limitados en alcance.
Analizar IA en gestión curricular requiere marcos que operen en nivel meso-institucional,
atiendan dinámicas de poder y gobernanza académica, integren epistemologías sobre
conocimiento institucional distribuido, contemplen temporalidades largas de cambio
organizacional, reconozcan especificidad de culturas pedagógicas situadas, y distingan entre
transformaciones tecnológicas deseables e indeseables desde valores formativos institucionales.
Estos marcos actualmente no existen en la literatura.
Principios para articulación entre ia y autonomía académica humanista
Replanteando la pregunta fundamental
La tensión entre automatización algorítmica y autonomía académica humanista no se
resuelve preguntando cómo integrar IA en gestión curricular sino reformulando hacia: «bajo qué
condiciones puede IA operar como tecnología de soporte a deliberación colegiada sin desplazarla
ni subordinarla». La propuesta central sostiene que IA aplicada a análisis curricular debe
diseñarse, implementarse y gobernarse bajo paradigma de tecnología epistémicamente humilde:
sistemas que operan reconociendo explícitamente limitaciones fundamentales de cualquier
análisis algorítmico, que presentan outputs como interpretaciones provisionales sujetas a
escrutinio humano, y que incorporan mecanismos institucionales para que comunidades
académicas puedan interrogar, contrastar, rechazar o refinar clasificaciones producidas.
Principio 1: Transparencia interpretativa
Todo sistema de IA que analice programas de estudio debe presentar resultados
explícitamente como interpretaciones algorítmicas provisionales, no como diagnósticos
objetivos. En lugar de afirmaciones categóricas («El plan se organiza en cinco áreas temáticas»),
docentes que usan el sistema, se reduce profesores a usuarios pasivos, infantilizando su rol de
expertos. Si se responde los estudiantes finales, la conexión causal es demasiado indirecta para
que los marcos resulten analíticamente útiles. Las academias que analizan programas de estudio
no están aprendiendo en sentido pedagógico tradicional; están ejerciendo juicio profesional
experto. Clasificar esta actividad como tarea de aprendizaje distorsiona su naturaleza.
Ausencias sistemáticas
Los cuatro marcos comparten vacíos que limitan críticamente su aplicabilidad a contextos
como el TecNM. No preguntan quién decide qué tecnología se adopta ni bajo qué mecanismos de
rendición de cuentas. Asumen epistemologías positivistas sin contemplar tradiciones epistémicas
donde conocimiento es situado y resistente a formalización algorítmica. Analizan tecnología en
temporalidades cortas, mientras que adopción institucional opera en temporalidades largas donde
efectos solo se hacen visibles años después. Fueron desarrollados en contextos anglosajones, y su
exportación acrítica ignora diferencias en concepciones sobre autoridad docente, autonomía
universitaria y gobernanza colegiada propias de contextos latinoamericanos.
Síntesis: necesidad de marcos específicos
Los marcos tecnopedagogicos dominantes no son incorrectos sino limitados en alcance.
Analizar IA en gestión curricular requiere marcos que operen en nivel meso-institucional,
atiendan dinámicas de poder y gobernanza académica, integren epistemologías sobre
conocimiento institucional distribuido, contemplen temporalidades largas de cambio
organizacional, reconozcan especificidad de culturas pedagógicas situadas, y distingan entre
transformaciones tecnológicas deseables e indeseables desde valores formativos institucionales.
Estos marcos actualmente no existen en la literatura.
Principios para articulación entre ia y autonomía académica humanista
Replanteando la pregunta fundamental
La tensión entre automatización algorítmica y autonomía académica humanista no se
resuelve preguntando cómo integrar IA en gestión curricular sino reformulando hacia: «bajo qué
condiciones puede IA operar como tecnología de soporte a deliberación colegiada sin desplazarla
ni subordinarla». La propuesta central sostiene que IA aplicada a análisis curricular debe
diseñarse, implementarse y gobernarse bajo paradigma de tecnología epistémicamente humilde:
sistemas que operan reconociendo explícitamente limitaciones fundamentales de cualquier
análisis algorítmico, que presentan outputs como interpretaciones provisionales sujetas a
escrutinio humano, y que incorporan mecanismos institucionales para que comunidades
académicas puedan interrogar, contrastar, rechazar o refinar clasificaciones producidas.
Principio 1: Transparencia interpretativa
Todo sistema de IA que analice programas de estudio debe presentar resultados
explícitamente como interpretaciones algorítmicas provisionales, no como diagnósticos
objetivos. En lugar de afirmaciones categóricas («El plan se organiza en cinco áreas temáticas»),
Vol. 13/ Núm. 1 2026 pág. 1441
debe ofrecer formulaciones como: «Detecté patrones de co-ocurrencia léxica que podrían indicar
cinco posibles agrupaciones. ¿Esta agrupación corresponde a alguna estructura conceptual
reconocible en la disciplina?» La diferencia no es cosmética sino epistémica: la primera
formulación presenta análisis como hecho verificado; la segunda, como hipótesis que academias
investigan usando su conocimiento experto. Para el TecNM, este principio conecta con
fundamentos constructivistas y humanistas institucionales. Rogers (1969) argumentó que
aprendizaje significativo ocurre cuando el sujeto mantiene autonomía sobre su proceso; Vygotsky
(1978) planteó que conocimiento se construye mediante interacción con herramientas culturales
que median comprensión sin sustituirla. Un sistema epistémicamente humilde funciona como
herramienta mediadora, no como autoridad que dicta interpretaciones definitivas.
Principio 2: Explicabilidad pedagógica Los sistemas deben proporcionar explicaciones
pedagógicamente interpretables sobre por qué generaron determinadas clasificaciones, yendo más
allá de explicabilidad técnica («similitud coseno de 0.87») hacia comunicación que docentes
puedan evaluar: «Agruparía estas asignaturas porque comparten vocabulario técnico específico:
algoritmo, estructura de datos, complejidad computacional aparecen sistemáticamente. Noté que
dos asignaturas aparecen semánticamente distantes del grupo pese a compartir palabras clave.
¿Existe razón curricular por la cual deberían o no agruparse?» Para instituciones donde muchos
docentes no tienen formación técnica en IA, explicabilidad pedagógica es condición necesaria
para ejercer juicio crítico sobre análisis.
Principio 3: Preservación de agencia académica
Los sistemas deben diseñarse arquitectónicamente de modo que ninguna clasificación o
modificación curricular pueda implementarse sin decisión explícita de órganos colegiados con
legitimidad institucional. Sistema genera clasificaciones y las presenta en sesiones de academia
como insumos para discusión. Academias deliberan, contrastan con su conocimiento, modifican
propuestas, y deciden. Sistema mantiene trazabilidad: qué clasificó el algoritmo, qué modificaron
academias, qué razones pedagógicas justificaron modificaciones. Esta trazabilidad permite
documentar cómo comunidades académicas ejercen juicio experto sobre análisis automatizado.
Para el TecNM, si la institución asume que estudiantes son sujetos activos de su aprendizaje, debe
asumir consistentemente que docentes son sujetos activos en decisiones curriculares, no
implementadores pasivos de recomendaciones algorítmicas.
Principio 4: Visibilización de límites algorítmicos
Los sistemas deben señalar explícitamente qué dimensiones de coherencia curricular no
pueden capturar. Dos asignaturas podrían compartir poco vocabulario técnico pero estar
pedagógicamente articuladas porque desarrollan competencias transversales complementarias.
Esa articulación no es detectable analizando textos porque responde a decisiones curriculares que
trascienden contenidos temáticos específicos. Un sistema epistémicamente humilde señalaría:
debe ofrecer formulaciones como: «Detecté patrones de co-ocurrencia léxica que podrían indicar
cinco posibles agrupaciones. ¿Esta agrupación corresponde a alguna estructura conceptual
reconocible en la disciplina?» La diferencia no es cosmética sino epistémica: la primera
formulación presenta análisis como hecho verificado; la segunda, como hipótesis que academias
investigan usando su conocimiento experto. Para el TecNM, este principio conecta con
fundamentos constructivistas y humanistas institucionales. Rogers (1969) argumentó que
aprendizaje significativo ocurre cuando el sujeto mantiene autonomía sobre su proceso; Vygotsky
(1978) planteó que conocimiento se construye mediante interacción con herramientas culturales
que median comprensión sin sustituirla. Un sistema epistémicamente humilde funciona como
herramienta mediadora, no como autoridad que dicta interpretaciones definitivas.
Principio 2: Explicabilidad pedagógica Los sistemas deben proporcionar explicaciones
pedagógicamente interpretables sobre por qué generaron determinadas clasificaciones, yendo más
allá de explicabilidad técnica («similitud coseno de 0.87») hacia comunicación que docentes
puedan evaluar: «Agruparía estas asignaturas porque comparten vocabulario técnico específico:
algoritmo, estructura de datos, complejidad computacional aparecen sistemáticamente. Noté que
dos asignaturas aparecen semánticamente distantes del grupo pese a compartir palabras clave.
¿Existe razón curricular por la cual deberían o no agruparse?» Para instituciones donde muchos
docentes no tienen formación técnica en IA, explicabilidad pedagógica es condición necesaria
para ejercer juicio crítico sobre análisis.
Principio 3: Preservación de agencia académica
Los sistemas deben diseñarse arquitectónicamente de modo que ninguna clasificación o
modificación curricular pueda implementarse sin decisión explícita de órganos colegiados con
legitimidad institucional. Sistema genera clasificaciones y las presenta en sesiones de academia
como insumos para discusión. Academias deliberan, contrastan con su conocimiento, modifican
propuestas, y deciden. Sistema mantiene trazabilidad: qué clasificó el algoritmo, qué modificaron
academias, qué razones pedagógicas justificaron modificaciones. Esta trazabilidad permite
documentar cómo comunidades académicas ejercen juicio experto sobre análisis automatizado.
Para el TecNM, si la institución asume que estudiantes son sujetos activos de su aprendizaje, debe
asumir consistentemente que docentes son sujetos activos en decisiones curriculares, no
implementadores pasivos de recomendaciones algorítmicas.
Principio 4: Visibilización de límites algorítmicos
Los sistemas deben señalar explícitamente qué dimensiones de coherencia curricular no
pueden capturar. Dos asignaturas podrían compartir poco vocabulario técnico pero estar
pedagógicamente articuladas porque desarrollan competencias transversales complementarias.
Esa articulación no es detectable analizando textos porque responde a decisiones curriculares que
trascienden contenidos temáticos específicos. Un sistema epistémicamente humilde señalaría:
Vol. 13/ Núm. 1 2026 pág. 1442
«No puedo evaluar si asignaturas están articuladas por desarrollo de competencias transversales
porque esto requiere conocimiento sobre intencionalidades formativas no textualizadas.»
Principio 5: Horizontalidad epistémica
Los sistemas deben incorporar mecanismos de retroalimentación donde decisiones de
academias informan refinamiento del modelo. Cuando academias modifican clasificaciones
propuestas, sistema solicita explicación y almacena estas intervenciones como conocimiento
institucional local que informa futuros análisis. Gradualmente, sistema aprende qué tipos de
agrupaciones son pedagógicamente coherentes según criterios de institución específica. Esta
horizontalidad invierte relaciones de autoridad epistémica donde tecnología producida en centros
de investigación se impone a instituciones locales. Con el tiempo, sistema implementado en
TecNM operaría diferente que el mismo sistema en otra institución, reflejando el carácter situado
del conocimiento pedagógico que la tradición constructivista reconoce como constitutivo de toda
práctica educativa.
Condiciones institucionales necesarias Diseñar sistemas según estos principios es
necesario pero insuficiente. Se requieren condiciones institucionales específicas: alfabetización
digital crítica del profesorado en comprensión de qué puede y no puede hacer IA; tiempos
institucionales para deliberación colegiada que permitan escrutinio crítico de outputs
algorítmicos; gobernanza tecnológica participativa donde decisiones sobre funcionalidades no
sean prerrogativa exclusiva de desarrolladores; evaluación multi-dimensional de efectos mediante
metodologías cualitativas; y derecho institucional a desconexión si academias consideran que uso
del sistema afecta calidad de deliberación curricular.
Articulación con Modelo Educativo del TecNM
Estos principios y condiciones se derivan directamente del Modelo Educativo
institucional. Del humanismo institucional: tecnología debe reconocer agencia de sujetos
académicos. De la justicia social: tecnología no debe reproducir desigualdades. Del
constructivismo: conocimiento sobre coherencia curricular se construye colectivamente. De la
autonomía colegiada: decisiones curriculares finales deben permanecer en órganos académicos
con legitimidad institucional. La contribución inédita reside en especificar cinco principios
concretos y cinco condiciones institucionales necesarias para que sistemas de IA operen como
tecnologías de soporte a autonomía académica, convirtiendo análisis en insumo utilizable para
instituciones que enfrentan decisiones reales sobre adopción tecnológica.
CONCLUSIONES
Este ensayo ha sostenido que incorporación de IA en gestión curricular plantea tensión
estructural entre lógicas algorítmicas de optimización y valores formativos humanistas. La
literatura internacional margina reflexión crítica sobre aplicaciones que inciden en gobernanza
académica institucional. Los marcos tecnopedagogicos dominantes resultan conceptualmente
«No puedo evaluar si asignaturas están articuladas por desarrollo de competencias transversales
porque esto requiere conocimiento sobre intencionalidades formativas no textualizadas.»
Principio 5: Horizontalidad epistémica
Los sistemas deben incorporar mecanismos de retroalimentación donde decisiones de
academias informan refinamiento del modelo. Cuando academias modifican clasificaciones
propuestas, sistema solicita explicación y almacena estas intervenciones como conocimiento
institucional local que informa futuros análisis. Gradualmente, sistema aprende qué tipos de
agrupaciones son pedagógicamente coherentes según criterios de institución específica. Esta
horizontalidad invierte relaciones de autoridad epistémica donde tecnología producida en centros
de investigación se impone a instituciones locales. Con el tiempo, sistema implementado en
TecNM operaría diferente que el mismo sistema en otra institución, reflejando el carácter situado
del conocimiento pedagógico que la tradición constructivista reconoce como constitutivo de toda
práctica educativa.
Condiciones institucionales necesarias Diseñar sistemas según estos principios es
necesario pero insuficiente. Se requieren condiciones institucionales específicas: alfabetización
digital crítica del profesorado en comprensión de qué puede y no puede hacer IA; tiempos
institucionales para deliberación colegiada que permitan escrutinio crítico de outputs
algorítmicos; gobernanza tecnológica participativa donde decisiones sobre funcionalidades no
sean prerrogativa exclusiva de desarrolladores; evaluación multi-dimensional de efectos mediante
metodologías cualitativas; y derecho institucional a desconexión si academias consideran que uso
del sistema afecta calidad de deliberación curricular.
Articulación con Modelo Educativo del TecNM
Estos principios y condiciones se derivan directamente del Modelo Educativo
institucional. Del humanismo institucional: tecnología debe reconocer agencia de sujetos
académicos. De la justicia social: tecnología no debe reproducir desigualdades. Del
constructivismo: conocimiento sobre coherencia curricular se construye colectivamente. De la
autonomía colegiada: decisiones curriculares finales deben permanecer en órganos académicos
con legitimidad institucional. La contribución inédita reside en especificar cinco principios
concretos y cinco condiciones institucionales necesarias para que sistemas de IA operen como
tecnologías de soporte a autonomía académica, convirtiendo análisis en insumo utilizable para
instituciones que enfrentan decisiones reales sobre adopción tecnológica.
CONCLUSIONES
Este ensayo ha sostenido que incorporación de IA en gestión curricular plantea tensión
estructural entre lógicas algorítmicas de optimización y valores formativos humanistas. La
literatura internacional margina reflexión crítica sobre aplicaciones que inciden en gobernanza
académica institucional. Los marcos tecnopedagogicos dominantes resultan conceptualmente
Vol. 13/ Núm. 1 2026 pág. 1443
insuficientes para gestión curricular. La tensión no se resuelve mediante mejor diseño técnico ni
mediante rechazo nostálgico de tecnología, sino mediante desarrollo de principios
tecnopedagogicos específicos que expliciten bajo qué condiciones pueden operar sin erosionar
capacidad reflexiva de comunidades académicas.
Implicaciones para política educativa
Las políticas nacionales que promueven transformación digital mediante discursos de
modernización y eficiencia resultan insuficientes para aplicaciones de IA en gestión curricular.
Capacidades técnicas son condición necesaria pero no suficiente; se requieren capacidades
institucionales de orden superior: gobernanza tecnológica participativa, alfabetización digital
crítica, evaluación pedagógica de efectos tecnológicos. Las políticas deberían transitar de
promover adopción tecnológica genérica hacia promover apropiación crítica contextualizada
donde instituciones desarrollan capacidad para evaluar si tecnologías específicas fortalecen o
erosionan sus modelos pedagógicos. Esto implica financiar formación docente en análisis crítico
de tecnología, apoyar constitución de órganos de gobernanza tecnológica, y desarrollar marcos
de evaluación que midan efectos sobre prácticas académicas. Simultáneamente, política educativa
debería abandonar lógicas de estandarización tecnológica hacia lógicas de personalización
institucional con plataformas abiertas y modulares, pues imponer tecnologías con supuestos
incompatibles con modelos educativos institucionales genera resistencias o colonización
epistémica donde instituciones abandonan gradualmente sus valores formativos. La formación
docente, por su parte, debe incorporar alfabetización tecnopedagogica crítica que permita
entender lógicas algorítmicas fundamentales, identificar decisiones pedagógicas embebidas en
sistemas aparentemente neutrales, y evaluar cuándo confiar y cuándo desconfiar de outputs
automatizados.
Implicaciones para el TecNM
El Tecnológico Nacional de México enfrenta decisión sobre si y cómo incorporar IA en
gestión curricular. Este análisis sugiere que esa decisión no puede tomarse preguntando qué
sistema adoptar sino preguntando primero si se cuenta con condiciones institucionales para que
cualquier sistema opere coherentemente con el modelo educativo humanista. Si la respuesta es
negativa, la ruta apropiada es invertir primero en desarrollo de capacidades institucionales.
Proyectos de desarrollo de modelos de IA para análisis curricular deben concebirse no como
proyectos técnicos aislados sino como componentes de transformaciones institucionales más
amplias que incluyen formación docente, fortalecimiento de academias, y desarrollo de marcos
de gobernanza tecnológica.
Agenda pendiente de investigación
Este ensayo identificó vacíos que requieren investigación sistemática: desarrollo de
marcos tecnopedagogicos específicos para aplicaciones de IA en gestión institucional; estudios
empíricos longitudinales sobre efectos organizacionales de estos sistemas; investigación
insuficientes para gestión curricular. La tensión no se resuelve mediante mejor diseño técnico ni
mediante rechazo nostálgico de tecnología, sino mediante desarrollo de principios
tecnopedagogicos específicos que expliciten bajo qué condiciones pueden operar sin erosionar
capacidad reflexiva de comunidades académicas.
Implicaciones para política educativa
Las políticas nacionales que promueven transformación digital mediante discursos de
modernización y eficiencia resultan insuficientes para aplicaciones de IA en gestión curricular.
Capacidades técnicas son condición necesaria pero no suficiente; se requieren capacidades
institucionales de orden superior: gobernanza tecnológica participativa, alfabetización digital
crítica, evaluación pedagógica de efectos tecnológicos. Las políticas deberían transitar de
promover adopción tecnológica genérica hacia promover apropiación crítica contextualizada
donde instituciones desarrollan capacidad para evaluar si tecnologías específicas fortalecen o
erosionan sus modelos pedagógicos. Esto implica financiar formación docente en análisis crítico
de tecnología, apoyar constitución de órganos de gobernanza tecnológica, y desarrollar marcos
de evaluación que midan efectos sobre prácticas académicas. Simultáneamente, política educativa
debería abandonar lógicas de estandarización tecnológica hacia lógicas de personalización
institucional con plataformas abiertas y modulares, pues imponer tecnologías con supuestos
incompatibles con modelos educativos institucionales genera resistencias o colonización
epistémica donde instituciones abandonan gradualmente sus valores formativos. La formación
docente, por su parte, debe incorporar alfabetización tecnopedagogica crítica que permita
entender lógicas algorítmicas fundamentales, identificar decisiones pedagógicas embebidas en
sistemas aparentemente neutrales, y evaluar cuándo confiar y cuándo desconfiar de outputs
automatizados.
Implicaciones para el TecNM
El Tecnológico Nacional de México enfrenta decisión sobre si y cómo incorporar IA en
gestión curricular. Este análisis sugiere que esa decisión no puede tomarse preguntando qué
sistema adoptar sino preguntando primero si se cuenta con condiciones institucionales para que
cualquier sistema opere coherentemente con el modelo educativo humanista. Si la respuesta es
negativa, la ruta apropiada es invertir primero en desarrollo de capacidades institucionales.
Proyectos de desarrollo de modelos de IA para análisis curricular deben concebirse no como
proyectos técnicos aislados sino como componentes de transformaciones institucionales más
amplias que incluyen formación docente, fortalecimiento de academias, y desarrollo de marcos
de gobernanza tecnológica.
Agenda pendiente de investigación
Este ensayo identificó vacíos que requieren investigación sistemática: desarrollo de
marcos tecnopedagogicos específicos para aplicaciones de IA en gestión institucional; estudios
empíricos longitudinales sobre efectos organizacionales de estos sistemas; investigación
Vol. 13/ Núm. 1 2026 pág. 1444
comparativa internacional sobre regulación de IA en educación superior que atienda dimensiones
de gobernanza académica; desarrollo de programas de alfabetización digital crítica para docentes;
e investigación sobre diseño participativo de tecnologías educativas. Particularmente urgente
resulta la producción de evidencia empírica sobre cómo comunidades académicas interactúan con
sistemas de IA en procesos reales de toma de decisiones curriculares, dado que la mayor parte de
la literatura actual opera en el plano teórico o prescriptivo sin estudiar prácticas situadas.
Reflexión final
La pregunta sobre IA en gestión curricular es fundamentalmente política y pedagógica.
Pregunta quién tiene autoridad para definir coherencia curricular, bajo qué procesos se toman
decisiones que estructuran formación profesional, y qué formas de conocimiento cuentan como
legítimas. Instituciones con modelos educativos humanistas como el TecNM enfrentan la elección
entre adoptar acríticamente tecnologías diseñadas bajo lógicas de eficiencia, o desarrollar
capacidades para apropiarse críticamente de ellas adaptándolas mediante gobernanza
participativa. Esta elección no se toma una vez sino continuamente. En momento donde IA se
expande aceleradamente, instituciones educativas tienen responsabilidad particular de modelar
formas de convivencia con tecnologías inteligentes que preserven valores humanistas,
democráticos y de justicia social.
comparativa internacional sobre regulación de IA en educación superior que atienda dimensiones
de gobernanza académica; desarrollo de programas de alfabetización digital crítica para docentes;
e investigación sobre diseño participativo de tecnologías educativas. Particularmente urgente
resulta la producción de evidencia empírica sobre cómo comunidades académicas interactúan con
sistemas de IA en procesos reales de toma de decisiones curriculares, dado que la mayor parte de
la literatura actual opera en el plano teórico o prescriptivo sin estudiar prácticas situadas.
Reflexión final
La pregunta sobre IA en gestión curricular es fundamentalmente política y pedagógica.
Pregunta quién tiene autoridad para definir coherencia curricular, bajo qué procesos se toman
decisiones que estructuran formación profesional, y qué formas de conocimiento cuentan como
legítimas. Instituciones con modelos educativos humanistas como el TecNM enfrentan la elección
entre adoptar acríticamente tecnologías diseñadas bajo lógicas de eficiencia, o desarrollar
capacidades para apropiarse críticamente de ellas adaptándolas mediante gobernanza
participativa. Esta elección no se toma una vez sino continuamente. En momento donde IA se
expande aceleradamente, instituciones educativas tienen responsabilidad particular de modelar
formas de convivencia con tecnologías inteligentes que preserven valores humanistas,
democráticos y de justicia social.
Vol. 13/ Núm. 1 2026 pág. 1445
REFERENCIAS
ANUIES. (2022). Anuario estadístico de educación superior. Asociación Nacional de
Universidades e Instituciones de Educación Superior.
García-Peñalvo, F. J. (2023). La percepción de la inteligencia artificial en contextos educativos
tras el lanzamiento de ChatGPT: Disrupción o pánico. Education in the Knowledge Society,
24, e31279. https://doi.org/10.14201/eks.31279
García-Utrera, L., Figueroa-Rodríguez, S., & Esquivel-Gámez, I. (2014). Modelo de sustitución,
aumento, modificación y redefinición (SAMR): Fundamentos y aplicaciones. En I.
Esquivel-Gámez (Coord.), Los modelos tecno-educativos, revolucionando el aprendizaje
del siglo XXI (pp. 205-220). Universidad Veracruzana.
Goštautaitė, D., & Sakalauskas, L. (2022). Multi-label classification and explanation methods for
students’ learning style prediction and interpretation. Applied Sciences, 12(11), 5396.
https://doi.org/10.3390/app12115396
Hughes, J. (2005). The role of teacher knowledge and learning experiences in forming
technology-integrated pedagogy. Journal of Technology and Teacher Education, 13(2),
277-302.
Kolb, L. (2017). Learning first, technology second: The educator’s guide to designing authentic
lessons. ISTE.
Martín, J. A. S. (2024). Utilización de la inteligencia artificial en educación: Impactos y retos
actuales. Comunicar, 82(33), 152-166. https://doi.org/10.3916/C82-2025-12
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework
for teacher knowledge. Teachers College Record, 108(6), 1017-1054.
https://doi.org/10.1111/j.1467-9620.2006.00684.x
Organisation for Economic Co-operation and Development. (2021). OECD digital education
outlook 2021: Pushing the frontiers with artificial intelligence, blockchain and robots.
OECD Publishing. https://doi.org/10.1787/589b283f-en
Puentedura, R. (2006). Transformation, technology, and education.
http://hippasus.com/resources/tte/
Puentedura, R. (2012). SAMR: Thoughts for design.
http://www.hippasus.com/rrpweblog/archives/2012/09/03/SAMR_ThoughtsForDesign.pd
f
Rogers, C. R. (1969). Freedom to learn: A view of what education might become. Charles E.
Merrill Publishing Company.
Salas-Pilco, S. Z., & Xiao, K. (2020). Artificial intelligence applications in Latin American higher
education: A systematic review. International Journal of Educational Technology in
Higher Education, 17, 21. https://doi.org/10.1186/s41239-020-00200-0
REFERENCIAS
ANUIES. (2022). Anuario estadístico de educación superior. Asociación Nacional de
Universidades e Instituciones de Educación Superior.
García-Peñalvo, F. J. (2023). La percepción de la inteligencia artificial en contextos educativos
tras el lanzamiento de ChatGPT: Disrupción o pánico. Education in the Knowledge Society,
24, e31279. https://doi.org/10.14201/eks.31279
García-Utrera, L., Figueroa-Rodríguez, S., & Esquivel-Gámez, I. (2014). Modelo de sustitución,
aumento, modificación y redefinición (SAMR): Fundamentos y aplicaciones. En I.
Esquivel-Gámez (Coord.), Los modelos tecno-educativos, revolucionando el aprendizaje
del siglo XXI (pp. 205-220). Universidad Veracruzana.
Goštautaitė, D., & Sakalauskas, L. (2022). Multi-label classification and explanation methods for
students’ learning style prediction and interpretation. Applied Sciences, 12(11), 5396.
https://doi.org/10.3390/app12115396
Hughes, J. (2005). The role of teacher knowledge and learning experiences in forming
technology-integrated pedagogy. Journal of Technology and Teacher Education, 13(2),
277-302.
Kolb, L. (2017). Learning first, technology second: The educator’s guide to designing authentic
lessons. ISTE.
Martín, J. A. S. (2024). Utilización de la inteligencia artificial en educación: Impactos y retos
actuales. Comunicar, 82(33), 152-166. https://doi.org/10.3916/C82-2025-12
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework
for teacher knowledge. Teachers College Record, 108(6), 1017-1054.
https://doi.org/10.1111/j.1467-9620.2006.00684.x
Organisation for Economic Co-operation and Development. (2021). OECD digital education
outlook 2021: Pushing the frontiers with artificial intelligence, blockchain and robots.
OECD Publishing. https://doi.org/10.1787/589b283f-en
Puentedura, R. (2006). Transformation, technology, and education.
http://hippasus.com/resources/tte/
Puentedura, R. (2012). SAMR: Thoughts for design.
http://www.hippasus.com/rrpweblog/archives/2012/09/03/SAMR_ThoughtsForDesign.pd
f
Rogers, C. R. (1969). Freedom to learn: A view of what education might become. Charles E.
Merrill Publishing Company.
Salas-Pilco, S. Z., & Xiao, K. (2020). Artificial intelligence applications in Latin American higher
education: A systematic review. International Journal of Educational Technology in
Higher Education, 17, 21. https://doi.org/10.1186/s41239-020-00200-0
Vol. 13/ Núm. 1 2026 pág. 1446
Salas-Pilco, S. Z., Yang, Y., & Seta, W. (2022). Artificial intelligence and higher education: A
systematic literature review of AI pedagogical uses. Frontiers in Artificial Intelligence, 5,
857839. https://doi.org/10.3389/frai.2022.857839
Secretaría de Educación Pública. (2023). Programa Sectorial de Educación 2020-2024. Gobierno
de México.
Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational
Researcher, 15(2), 4-14. https://doi.org/10.3102/0013189X015002004
Slimi, Z. (2023). The impact of artificial intelligence on higher education. Journal of Education
and Learning. https://files.eric.ed.gov/fulltext/EJ1384682.pdf
TecNM. (2023). Anuario estadístico del Tecnológico Nacional de México. Tecnológico Nacional
de México.
UNESCO. (2023). Artificial intelligence and education: Guidance for policy-makers (2.ª ed.).
UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000384823
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
Wang, S., Christensen, C., Xu, T., Cui, S., Han, R., Zhuo, C., & Xie, J. (2024). Artificial
intelligence in education: A systematic literature review. Journal of Research on
Technology in Education, 1-28. https://doi.org/10.1080/15391523.2024.2314488
Yamauchi, T. (2023). Automated labeling of educational PDF exercises using word embedding
and classification methods. Smart Learning Environments, 10, 7.
https://doi.org/10.1186/s40561-023-00271-9
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. International Journal of
Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-
0171-0
Salas-Pilco, S. Z., Yang, Y., & Seta, W. (2022). Artificial intelligence and higher education: A
systematic literature review of AI pedagogical uses. Frontiers in Artificial Intelligence, 5,
857839. https://doi.org/10.3389/frai.2022.857839
Secretaría de Educación Pública. (2023). Programa Sectorial de Educación 2020-2024. Gobierno
de México.
Shulman, L. S. (1986). Those who understand: Knowledge growth in teaching. Educational
Researcher, 15(2), 4-14. https://doi.org/10.3102/0013189X015002004
Slimi, Z. (2023). The impact of artificial intelligence on higher education. Journal of Education
and Learning. https://files.eric.ed.gov/fulltext/EJ1384682.pdf
TecNM. (2023). Anuario estadístico del Tecnológico Nacional de México. Tecnológico Nacional
de México.
UNESCO. (2023). Artificial intelligence and education: Guidance for policy-makers (2.ª ed.).
UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000384823
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Harvard University Press.
Wang, S., Christensen, C., Xu, T., Cui, S., Han, R., Zhuo, C., & Xie, J. (2024). Artificial
intelligence in education: A systematic literature review. Journal of Research on
Technology in Education, 1-28. https://doi.org/10.1080/15391523.2024.2314488
Yamauchi, T. (2023). Automated labeling of educational PDF exercises using word embedding
and classification methods. Smart Learning Environments, 10, 7.
https://doi.org/10.1186/s40561-023-00271-9
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of
research on artificial intelligence applications in higher education. International Journal of
Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-
0171-0