DOI: https://doi.org/10.34070  
Desarrollo de capacidades digitales a través de la integración de  
inteligencia artificial generativa en contextos de formación técnica y  
tecnológica  
Developing digital capabilities through the integration of generative artificial  
intelligence in technical and technological training contexts.  
Carlos Guerrero Valarezo, MSc.  
UNEMI, Ecuador.  
https://orcid.org/0009-0001-7608-9713  
cguerrerov3@unemi.edu.ec  
Palabras claves:  
Competencias digitales, Inteligencia artificial, Enseñanza Recibido: 14 de septiembre de 2025  
técnica, Formación del personal docente, Innovación educacional.  
Keywords: Digital competences, artificial intelligence, technical education, Aceptado: 19 de noviembre de 2025  
educational personnel training, educational innovation.  
RESUMEN  
La IA generativa (IAG) está revolucionando las formas de enseñar en disciplinas técnicas y tecnológicas  
donde la simulación, la práctica y la resolución de problemas son esenciales. El estudio analizó el  
fortalecimiento de habilidades digitales mediante la aplicación didáctica de IAG, empleando como referente  
el estándar europeo DigComp 2.2 junto con el instrumento MyDigiSkills para la evaluación diagnóstica  
inicial.  
La muestra estuvo conformada por 209 estudiantes de la asignatura "Competencias Digitales y Estrategias  
Tecnológicas" de la Maestría en Educación de la UNEMI (41.15% hombres, 58.85% mujeres). A través  
de un estudio descriptivo con intervención práctica (diseño de clases, gamificación, diseño de prompts),  
se midió su evolución. De acuerdo con los resultados, se logró un nivel intermedio de competencias  
digitales, con una media de 3.2 en escalas que iban del 1 al 5. Detectando puntos fuertes en la  
comunicación y colaboración digital, pero también limitaciones en la producción de contenido digital y en  
el abordaje de problemas tecnológicos. El estudio mostró tres fases de evolución en la utilización de IAG:  
un primer uso superficial, una especificación gradual de prompts y el desarrollo de un análisis crítico.  
Sobre la base de estos resultados, se plantea el Modelo de Co-creación Humano-IA como modelo  
pedagógico para incorporar la IAG con ética y responsabilidad y así fortalecer las competencias digitales  
en la educación superior.  
ABSTRACT  
The emergence of generative AI is reshaping instructional practices in technical education. This research  
explores the extent and mechanisms through which GAI can enhance the digital capabilities of graduate  
students. The DigComp 2.2 framework guided us, and we used MyDigiSkills to map each participant's  
starting  
place.  
Our cohort of 209 UNEMI Master's in Education students took a digital competences course. As students  
worked on lesson planning, gamification, and AI prompt writing, the descriptive study tracked their progress.  
The outcomes were nuanced. An average competency score of 3.2 on a 5-point scale indicated  
intermediate skill. A closer study showed that digital discussion and teamwork were outweighed by digital  
material production and technology concerns. GAI engagement progressed from tentative and general use  
to  
more  
directed  
and  
targeted  
encouragement  
to  
skeptical  
and  
constructive  
critique.  
Following this trend, we offer the Human-AI Co-creation Model. This is a practical, tiered structure for  
colleges to responsibly deploy AI and improve digital skills.  
INTRODUCCIÓN  
En un contexto marcado por la digitalización, formar en habilidades digitales se ha convertido en una  
estrategia fundamental para las instituciones de educación superior. De acuerdo con la Comisión Europea  
(2022) y Vuorikari et al. (2022), es esencial que las universidades capaciten a sus alumnos para  
62  
Vol. 13 No.3, Revista de Investigación, Formación y Desarrollo:  
Generando Productividad Institucional, diciembre, 2025  
Carlos Guerrero Valarezo, MSc.  
desenvolverse en ambientes digitales complejos, fomentando el pensamiento crítico, la responsabilidad  
ética y la creatividad aplicada.  
El marco DigComp es un modelo europeo que establece y valora las competencias digitales. Se compone  
de cinco dimensiones de competencias en grados de experticia que son aplicables en el ámbito laboral y  
educativo (Carretero et al., 2017). Su empleo favorece diagnósticos que pueden ser comparados y guía  
intervenciones educativas fundamentadas en evidencias, sobre todo en la formación de los docentes y en  
las especialidades.  
Al mismo tiempo, el surgimiento de sistemas de inteligencia artificial generativa ha provocado grandes  
cambios en cómo se enseña y aprende. Si bien estas tecnologías plantean retos relacionados con la  
autoría, la evaluación crítica de la información y la ética académica (Kasneci et al., 2023; Chiu, 2024; Su  
& Yang, 2023), también ofrecen ventajas como la personalización del aprendizaje, la automatización de  
tareas educativas y la creación de nuevos recursos didácticos. Esta transformación que trae la IA  
generativa en la educación está ampliamente respaldada por estudios recientes (Bozkurt, 2023;  
Southworth et al., 2023).  
Aunque hay un número considerable de estudios técnicos y relatos personales sobre inteligencia artificial  
generativa (IAG), pocos la conectan directamente con marcos competenciales como DigComp, a pesar del  
interés creciente en este campo. Esta falta de articulación entre ética y pedagogía limita el valor educativo  
de estas tecnologías (Celik et al., 2022; Tlili et al., 2023). Para abordar este vacío, la investigación se  
planteó dos metas principales: primero, evaluar las competencias digitales reales de estudiantes de  
maestría en educación utilizando como referencia DigComp; segundo, crear los cimientos para un Modelo  
de Co-creación Humano-IA que funcione como una guía práctica. El objetivo final consiste en demostrar  
cómo la IA generativa puede integrarse intencionadamente en el aula, no como mero recurso fácil, sino  
como herramienta que fortalezca deliberadamente las competencias digitales identificadas.  
Para lograr esto, el trabajo se organizó en dos partes principales. Inicialmente, se aplicó un diagnóstico  
cuantitativo a 209 estudiantes de maestría usando un test alineado con DigComp. Después, en una  
segunda etapa, fueron analizadas cualitativamente las tareas y reflexiones de esos mismos estudiantes.  
Al confrontar ambos tipos de datos el estudio buscó no simplemente localizar un nivel de competencia y  
quedarnos ahí, sino, a partir de la medición numérica, buscar las explicaciones respecto a esos números,  
y desde allí elaborar un modelo pedagógico que tenga los pies en la tierra.  
MATERIALES Y MÉTODOS  
Diseño del estudio. Este estudio se organizó siguiendo un diseño de métodos mixtos secuencial. La idea  
no fue solo sumar datos de distinto tipo, sino que una fase condujera de manera natural a la siguiente. Por  
eso, se optó por un esquema explicativo (QUAN → QUAL) de alcance principalmente descriptivo e  
interpretativo, una estructura que cuenta con amplio respaldo metodológico (Creswell, 2021; Creswell &  
Plano Clark, 2018). El proceso comenzó con una fase cuantitativa inicial. Aquí, el objetivo consistió en  
obtener una evaluación rigurosa y cuantificable de las habilidades digitales de los participantes. Para  
asegurar que esta medición fuera relevante, se utilizó un instrumento específicamente construido sobre el  
marco DigComp 2.2. Los números de esta fase, sin embargo, no eran un fin en sí mismos. Esos resultados  
fueron los que guiaron y le dieron sentido a la etapa cualitativa posterior. En esta segunda fase, el foco se  
puso en las producciones académicas concretas de los estudiantes y, de manera crucial, en observar sus  
formas de interacción y resolución de problemas al emplear sistemas de IAG en actividades aplicadas. El  
análisis aquí fue, por tanto, descriptivo e interpretativo: se trataba de entender el "cómo" y el "por qué"  
detrás de los puntajes iniciales. Esta secuencia tuvo una ventaja clave: permitió que los hallazgos  
cuantitativos iniciales no se quedaran en el aire, sino que orientaran y enriquecieran el análisis cualitativo  
subsiguiente. Fue esta integración la que, finalmente, sirvió de base sólida para verbalizar y proponer el  
Modelo de Co-creación Humano-IA. Es importante aclarar que, dada la naturaleza descriptiva de esta  
primera fase exploratoria, el diseño no buscó ni podría establecer relaciones causales rígidas. Su valor  
está, más bien, en la profundización progresiva y contextualizada del fenómeno estudiado.  
63  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Desarrollo de capacidades digitales a través de la integración de inteligencia artificial generativa en contextos de  
formación técnica y tecnológica  
Población o muestra. Los participantes del estudio correspondieron a cursantes del programa de la  
Maestría en Educación, con mención en Docencia e Investigación en Educación Superior de la Universidad  
Estatal de Milagro (UNEMI) Ecuador, en dos cohortes de la asignatura 'Competencias Digitales y  
Estrategias Tecnológicas’. La primera cohorte correspondiente al periodo 2025 – I, que tuvo lugar del 11  
de abril al 10 de mayo del 2025, con 105 estudiantes. La segunda cohorte correspondiente al periodo 2025  
– II, que se realizó del 26 de septiembre al 25 de octubre de 2025, con 104 estudiantes. Se empleó un  
muestreo no probabilístico por conveniencia, que consistió en incluir a todos los estudiantes matriculados  
y activos en las dos cohortes de la asignatura. No se usaron filtros o criterios de exclusión más allá de la  
matrícula oficial. Al final, el total de participantes fue de 209 (N=209).  
Consideraciones éticas. La investigación se desarrolló como estudio de aula enfocado en el análisis de  
prácticas docentes. Los datos fueron recolectados como parte de las actividades regulares del curso. Con  
el propósito de salvaguardar la confidencialidad y los principios éticos en los que tratamos estos datos, los  
datos fueron completamente anonimizados antes de su análisis, eliminando cualquier tipo de información  
identificable y usando solo códigos numéricos. Los análisis se realizaron únicamente sobre datos  
agregados. Este enfoque se considera el más apropiado en el contexto de la educación para dicha  
investigación que considera información sobre la evaluación de los participantes que no conlleva a  
intervenciones de tipo sensible o que sean riesgosas, alineándose con las recomendaciones para el uso  
ético de datos e IA en contextos educativos (UNESCO, 2023).  
Instrumentos y materiales.  
1. Test MyDigiSkills (ALL DIGITAL, 2021): Se empleó para el diagnóstico basal. Este instrumento  
se fundamenta en el marco DigComp 2.2 y permite evaluar las cinco competencias: 1)  
Alfabetización informacional y de datos; 2) Comunicación y colaboración; 3) Creación de  
contenidos digitales; 4) Seguridad digital; 5) Resolución de problemas tecnológicos (Vuorikari et  
al., 2022). Su aplicación cuenta con respaldo investigativo previo que avala su confiabilidad  
métrica.  
2. Rúbricas de evaluación de actividades: Su propósito fue alinearlas de forma explícita con  
competencias concretas del marco DigComp, como por ejemplo 'Desarrollar contenido digital'  
dentro del área 3.  
3. Herramientas de IAG: Para la parte práctica, se utilizó un conjunto variado de recursos de  
Inteligencia Artificial Generativa (IAG) de código abierto. Los alumnos trabajaron con múltiples  
herramientas de las cuales cabe destacar en particular a ChatGPT (OpenAI), Gemini (Google),  
DeepSeek, Grok, Claude (Anthropic), Midjourney, etc. En ellas generaron y modificaron su uso de  
prompts, textos, imágenes y otros tipos de contenidos para las actividades que realizaron. Dicha  
exposición a diversas interfaces y capacidades de IAG les proporcionó una experiencia única de  
aprendizaje.  
4. Software: El procesamiento de información cuantitativa se efectuó mediante SPSS (versión 28).  
Para el tratamiento cualitativo de las producciones y reflexiones estudiantiles se utilizó ATLAS.ti  
(versión 23).  
Procedimientos.  
La ejecución del estudio se organizó en dos etapas consecutivas integradas con las actividades  
programáticas del curso:  
1. Fase de Diagnóstico Inicial (Semana 1-2): Como parte de la Actividad Sumativa N°1, los 209  
estudiantes completaron en línea el test MyDigiSkill (ALL DIGITAL, 2021) basado en el marco DigComp  
2.2 (European Commission, 2022). Este instrumento proporcionó una valoración cuantitativa inicial de sus  
competencias digitales en las cinco áreas competenciales. Los datos obtenidos fueron exportados para su  
posterior procesamiento.  
64  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Carlos Guerrero Valarezo, MSc.  
2. Fase de Intervención Práctica con IAG (Semanas 3-4): EN el desarrollo de la Actividad Sumativa N°3  
(individual), los estudiantes utilizaron herramientas de IAG para crear recursos educativos personalizados.  
Tal y como se indicaba en la rúbrica de la actividad, cada estudiante: a) eligió al menos una herramienta  
de IAG (ChatGPT, Gemini, DeepSeek, Claude, Midjourney, etc.) alineada a un tema educativo de su  
profesión; b) generó prompts específicos para la creación de contenido; c) generó un recurso educativo  
concreto (guía de aprendizaje, material interactivo, infografía, etc.); d) elaboró un informe reflexivo (máximo  
5 páginas) indicando el proceso, agregó capturas de los prompts y las respuestas que daba la IAG,  
evaluando el impacto y limitaciones del recurso creado.  
Estos informes y recursos fueron entregados a través de la plataforma Aula Posgrado perteneciente a la  
institución educativa UNEMI en el siguiente link: https://aulaposgrado.unemi.edu.ec. La evaluación de  
estos productos se realizó mediante la rúbrica específica de la Tarea 3, la cual consideraba criterios como:  
selección y uso de IAG, calidad y creatividad del recurso, evaluación del impacto, presentación y formato.  
ANÁLISIS DE DATOS  
El procesamiento de información adoptó una estrategia metodológica mixta (Creswell, 2021), combinando  
técnicas cuantitativas y cualitativas.  
1. Análisis cuantitativo: Los datos del test MyDigiSkills se procesaron mediante estadísticos descriptivos.  
Se calcularon medias, desviaciones estándar y frecuencias para cada una de las áreas del marco DigComp  
2.2, así como para el nivel de competencia global.  
2. Análisis cualitativo de la Tarea Sumativa N° 3: Se emplearon dos estrategias complementarias en  
esta fase.  
•
•
Evaluación mediante rúbrica: Se analizaron todas las calificaciones y observaciones del  
docente-investigador, lo que permitió detectar tendencias en el desempeño estudiantil según los  
criterios establecidos.  
Análisis de contenido temático: Posteriormente, se llevó a cabo un análisis temático conforme  
a la actualización metodológica propuesta por Braun y Clarke (2020). Este procedimiento se  
caracterizó por su enfoque reflexivo e iterativo. A través de una codificación que combinó  
estrategias inductivas y deductivas, se identificaron categorías clave en el material examinado.  
Entre las categorías emergentes destacan: "dificultad en el diseño inicial de prompts", "evolución  
en la especificación de requerimientos", "evaluación crítica de los resultados de la IA" y "reflexión  
ético-pedagógica".  
3. Integración y triangulación: El paso final fue integrar todos los hallazgos. Los datos cuantitativos del  
diagnóstico, los resultados de la evaluación con rúbrica y los patrones cualitativos de las reflexiones  
estudiantiles se confrontaron y combinaron. Esta triangulación metodológica (Flick, 2022) proporcionó una  
base sólida y de múltiples perspectivas, que fue fundamental para fundamentar la propuesta del modelo  
de co-creación de manera robusta.  
RESULTADOS  
Perfil inicial de competencias digitales. Los resultados de la evaluación diagnóstica, obtenidos mediante  
la aplicación del test MyDigiSkills, revelaron que el nivel general de competencia digital del grupo se situaba  
en un rango “Medio” (con una media M = 3.2 y una desviación estándar DT = 0.45, en una escala del 1 al  
5). No obstante, este promedio enmascara una distribución heterogénea al desagregar los resultados por  
las cinco áreas competenciales del marco DigComp 2.2 (ver Tabla 1). La dimensión Comunicación y  
colaboración obtuvo el puntaje promedio superior. Por el contrario, las dimensiones de Creación de  
contenidos digitales y Resolución de problemas obtuvieron puntuaciones más bajas, situándose en el  
umbral inferior del nivel medio. Esta divergencia identifica a estas dos últimas áreas como los focos críticos  
que requieren una intervención formativa prioritaria.  
65  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Desarrollo de capacidades digitales a través de la integración de inteligencia artificial generativa en contextos de  
formación técnica y tecnológica  
Tabla 1. *Nivel de competencias digitales por área DigComp 2.2 (N=209)*  
Área de Competencia DigComp  
Media (1- Desviación  
Nivel  
5)  
Estándar  
Interpretado  
1. Información y alfabetización de 3.3  
0.51  
Medio  
datos  
2. Comunicación y colaboración  
3.8  
0.42  
0.58  
0.49  
0.61  
0.45  
Medio-Alto  
Medio-Bajo  
Medio  
3. Creación de contenidos digitales 2.9  
4. Seguridad  
3.1  
2.8  
3.2  
5. Resolución de problemas  
Competencia Digital Global  
Medio-Bajo  
Medio  
Fuente: Resultados del test MyDigiSkills aplicado a la muestra de estudiantes de UNEMI.  
Desempeño en actividades prácticas con IAG. El trabajo con inteligencia artificial generativa durante el  
curso mostró una evolución en tres direcciones principales. Inicialmente, el uso fue marcadamente  
replicativo: los estudiantes incorporaban las salidas de la IA con adaptaciones mínimas, lo que ponía en  
evidencia un desarrollo limitado de la competencia de creación (Área 3 de DigComp). Un cambio  
importante se observó después. Los estudiantes comenzaron a especificar mejor sus prompts, haciendo  
instrucciones más detalladas y con contexto. Este progreso está ligado a la competencia de resolución de  
problemas (Área 5). Según sus propias reflexiones, para lograr esto tuvieron que clarificar su propio  
pensamiento. Un tercer cambio fue la adopción de una mirada crítica. En las últimas actividades, cerca del  
65% de los participantes incluyó en sus textos preguntas sobre la veracidad del contenido de la IA, sus  
posibles sesgos y el tema de la autoría. Aquí entran en juego competencias de las áreas de Información  
(Área 1) y Seguridad (Área 4). Más allá de estos patrones, surgió un fenómeno no previsto: la "ansiedad  
de autoría". Algunos estudiantes reportaron malestar por la dificultad de distinguir su contribución personal  
de la generada por la IA, lo que afectaba su sentido de logro. Este hallazgo sobre la ambigüedad en la  
atribución intelectual es consistente con lo reportado en estudios recientes (Chan & Hu, 2023; Kasneci et  
al., 2023). El análisis también dejó ver diferencias estratégicas en cómo usaron la herramienta. Unos se  
centraron en la eficiencia y una estructura técnica clara. Otros priorizaron la adaptación pedagógica, el uso  
de múltiples formatos y la integración de elementos didácticos complejos. Estas distintas aproximaciones  
sugieren que la co-creación con IA moviliza y hace visibles diversos tipos de saberes y estrategias  
pedagógicas que suelen permanecer tácitos (Crompton et al., 2023; Lee et al., 2024). Cabe destacar un  
último punto. Varios participantes que en el diagnóstico inicial (test MyDigiSkills) manifestaron baja  
confianza en su capacidad para crear contenido, fueron luego capaces de producir recursos educativos  
innovadores y sólidos durante las prácticas. Esto indica una posible disociación entre la autopercepción  
competencial y el desempeño observable en contextos de co-creación.  
DISCUSIÓN  
Los resultados obtenidos reflejan la existencia de un desfase, que se encuentra entre las competencias  
digitales básicas que poseen los estudiantes de posgrado y las requeridas por un uso avanzado de la IAG  
en el ámbito pedagógico. El nivel medio global, junto a debilidades específicas en la producción de  
contenidos digitales y la resolución de problemas tecnológicos, viene a confirmar tendencias identificadas  
en estudios previos sobre educación universitaria y entornos formativos análogos (Cabero-Almenara et al.,  
2023). No obstante, este trabajo aporta una novedad: logra demostrar de qué manera estas debilidades  
se manifiestan de forma concreta y cómo pueden empezar a abordarse dentro de un entorno de  
aprendizaje que utiliza la IAG como herramienta central.Al contrastar estos hallazgos con la literatura  
previa, surgen matices importantes. Estudios como el de Celik et al. (2022) resaltan la capacidad de la IA  
para fomentar competencias propias del siglo XXI. Nuestra investigación, sin embargo, proporciona  
evidencia empírica de un hecho crucial: ese potencial se encuentra inicialmente limitado por un dominio  
competencial insuficiente, sobre todo en los niveles superiores de la taxonomía DigComp, aquellos  
relacionados con la transformación y la creación. En cambio, el proceso de dar soporte a los modelos de  
prompts que han mostrado los estudiantes avalan lo que plantean Kasneci et al. (2023) cuando proponen  
una "alfabetización en prompts" como una competencia emergente y fundamental. Esta forma de  
66  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Carlos Guerrero Valarezo, MSc.  
alfabetización que planteamos en nuestro marco conceptual es, por tanto, el puente que une el  
pensamiento crítico humano (Área 5 de DigComp) con la creación efectiva de contenido (Área 3). Por lo  
tanto, la alfabetización en prompts es un tipo de competencia híbrida o mixta, que necesariamente requiere  
pensamiento computacional, efectivas capacidades comunicativas y la comprensión realista del nivel de  
los límites de la tecnología (Sullivan et al., 2023). Las implicaciones de este estudio son dobles: teóricas y  
prácticas. En el plano teórico, se fundamenta la propuesta del Modelo de Co-creación Humano-IA (ver  
Gráfico 1), concebido como una extensión pedagógica del marco DigComp específicamente diseñada para  
contextos donde se emplea inteligencia artificial generativa. El modelo describe un proceso cíclico de  
cuatro fases iterativas:  
1. Contextualización Humana: Fase donde el docente o el estudiante definen el problema educativo,  
sus objetivos y los criterios éticos pertinentes.  
2. Generación y Exploración con IA: Fase de uso iterativo de prompts para producir un abanico de  
opciones y contenidos.  
3. Evaluación y Síntesis Crítica Humana: Fase de análisis, filtrado, combinación y refinamiento de las  
opciones generadas, aplicando criterio pedagógico.  
4. Aplicación y Reflexión: Fase de implementación del producto resultante en un contexto real, su  
evaluación y la reflexión sobre el proceso, lo que alimenta un nuevo ciclo.  
El presente modelo establece a la inteligencia artificial no como un oráculo que responde de forma  
definitiva, ni como la fuente de fuerza que reemplaza al agente humano, sino como un colaborador  
conceptual; como amplificador de la habilidad humana para crear contenido y solucionar problemas, pero  
siempre bajo su control estratégico, su bajo juicio crítico e insustituible, su criterio final. Esta interpretación  
es coherente con enfoques pedagógicos contemporáneos que sostienen la primacía de la agencia y de la  
autonomía humanas en contextos de educación enriquecidas por inteligencia artificial (Hwang et al., 2020;  
Crompton et al., 2023).  
Gráfico 1. Modelo de Co-creación Humano-IA para el fomento de habilidades digitales  
Fuente: Elaboración propia.  
Desde una perspectiva práctica, el modelo de co-creación que se propone sirve como una hoja de ruta  
concreta. Su objetivo es guiar el diseño de actividades que vayan más allá del simple uso replicativo de la  
IA. Para ilustrarlo, pensemos en una tarea destinada a fortalecer la creación de contenido (Área 3 de  
DigComp). Se le podría pedir al estudiante que utilice la inteligencia artificial generativa para producir tres  
propuestas distintas de diseño para una infografía. La actividad no termina ahí: el estudiante debería luego  
evaluar críticamente cada opción, sintetizar los elementos más sólidos de todas ellas y, finalmente, diseñar  
una versión propia mejorada, justificando pedagógicamente cada modificación realizada.  
Los patrones cualitativos extraídos de las producciones de los estudiantes apuntan a una idea potente: la  
co-creación con IAG puede actuar como un "revelador pedagógico". Es decir, hace visibles capacidades,  
estrategias y saberes que a menudo quedan ocultos en los instrumentos de autoevaluación  
67  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Desarrollo de capacidades digitales a través de la integración de inteligencia artificial generativa en contextos de  
formación técnica y tecnológica  
estandarizados. Este aspecto tiene una relevancia directa para los formadores. Su experticia didáctica,  
con frecuencia tácita y profundamente contextual, se externaliza y se pone a prueba cuando debe  
traducirse en prompts precisos, en criterios de evaluación claros y en el refinamiento iterativo del trabajo  
con la herramienta. Estas observaciones, aun siendo preliminares, trazan una línea de investigación futura  
que resulta intrigante. Plantean una pregunta: ¿de qué manera los distintos perfiles y estilos pedagógicos  
de los docentes —más allá de sus características demográficas— se manifiestan y, a la vez, se potencian  
en estos entornos de colaboración humano-IA? Profundizar en esta cuestión podría enriquecer no solo el  
modelo propuesto, sino también nuestra comprensión sobre cómo desarrollar competencias digitales de  
una forma más personalizada y con un sentido pedagógico más profundo. Es fundamental, no obstante,  
reconocer las limitaciones de este estudio. La muestra, aunque numéricamente significativa, procede de  
una única institución y un programa de posgrado específico, lo que restringe la posibilidad de generalizar  
los hallazgos a otros contextos. Además, el diseño descriptivo empleado imposibilita determinar nexos  
causales entre la aplicación de IAG y el incremento competencial; para ello se requerirían estudios  
longitudinales con un enfoque cuasi-experimental. Otra limitación importante es que el análisis no  
profundizó de manera específica en variables como género, edad o experiencia previa de los participantes.  
La ausencia de este análisis estadístico más detallado supone un obstáculo para comprender cómo estos  
factores podrían moderar o influir en la interacción con la inteligencia artificial. A todo ello se suma el ritmo  
vertiginoso de evolución de las propias herramientas de IAG, lo que implica que los desafíos y  
oportunidades identificados hoy pueden transformarse en un plazo relativamente corto. Entre las fortalezas  
del trabajo destacan la combinación de un diagnóstico cuantitativo basado en un marco reconocido  
internacionalmente (DigComp) con un análisis cualitativo profundo de una intervención real en el aula. Esta  
triangulación metodológica permite una comprensión matizada y rica del fenómeno estudiado. Como  
sugerencias para futuras investigaciones, se derivan varias líneas claras: a) implementar y evaluar  
rigurosamente el modelo de co-creación en un diseño experimental controlado; b) examinar su  
transferencia y ajuste en áreas disciplinares distintas a la educación; y c) investigar estrategias  
pedagógicas específicas dirigidas a mitigar la "ansiedad de autoría" identificada en este estudio, un  
fenómeno fenómeno que se alinea con hallazgos recientes en estudios sobre percepciones estudiantiles  
(Chan & Hu, 2023; Kasneci et al., 2023).  
CONCLUSIONES  
El estudio confirma un diagnóstico claro: los estudiantes de posgrado en educación muestran un nivel  
intermedio de habilidades digitales. De acuerdo con DigComp 2.2, este perfil muestra fortalezas en  
comunicación y trabajo colaborativo, aunque muestra limitaciones significativas en dos dominios críticos:  
producción de contenidos digitales y resolución de problemas tecnológicos. Estas limitaciones no se  
percibían solo en un test; se hicieron evidentes en la práctica, cuando su primer contacto con la inteligencia  
artificial generativa derivó en un uso mayoritariamente superficial.  
La investigación aporta, ante esto, una propuesta concreta: el Modelo de Co-creación Humano-IA. Este  
modelo, que nace directamente de lo observado en las actividades prácticas, ofrece más que una guía  
técnica. Propone un cambio de enfoque pedagógico: transformar la IA de una herramienta que se consume  
en un colaborador con el que se dialoga. El objetivo es que esta interacción active y fortalezca  
precisamente las competencias más complejas, aquellas donde se detectaron las mayores brechas. Su  
valor práctico es inmediato, pues entrega a los docentes un esquema real para diseñar aprendizajes que  
preparen a los estudiantes a pensar con la tecnología, no solo a operarla.  
Como toda investigación, este trabajo tiene límites claros. La muestra corresponde a un contexto  
institucional específico y el diseño es descriptivo, lo que significa que podemos señalar relaciones y  
patrones, pero no causas. Estas limitaciones marcan el rumbo de lo que debe venir: futuras investigaciones  
deben poner a prueba este modelo en otras disciplinas y, crucialmente, mediante diseños que permitan  
medir su impacto en el desarrollo competencial a lo largo del tiempo.  
Los hallazgos también abren preguntas nuevas que merecen estudio. Una es entender cómo los distintos  
estilos y perfiles pedagógicos de los educadores condicionan su forma de co-crear con la IA, lo que podría  
llevar a formaciones más personalizadas. Otra línea urgente es investigar a fondo la "ansiedad de autoría",  
ese malestar que surge al difuminarse la frontera entre lo que piensa el estudiante y lo que genera la  
máquina. Desarrollar estrategias para manejar este fenómeno es clave para una adopción crítica y segura.  
68  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Carlos Guerrero Valarezo, MSc.  
En definitiva, integrar la IAG en educación ya no es una opción futurista, es una necesidad de presente  
para la relevancia de los sistemas formativos, como señala la UNESCO (2023). Este estudio busca  
responder a esa necesidad no con una herramienta más, sino con un modelo pedagógico que sitúa el  
juicio humano, la ética y el desarrollo competencial en el centro del proceso, en línea con los marcos éticos  
emergentes (European Commission, 2022). El camino no termina aquí, pero se propone una hoja de ruta.  
REFERENCIAS  
1. ALL DIGITAL AISBL. (2021). MyDigiSkills: Instrumento de autodiagnóstico de capacidades digitales.  
https://mydigiskills.eu/es/index.php  
2. Bozkurt, A. (2023). Generative artificial intelligence (AI) powered conversational educational agents:  
The inevitable paradigm shift. Asian Journal of Distance Education, 18(1), 198–204.  
https://doi.org/10.5281/zenodo.7716416  
3. Braun, V., & Clarke, V. (2020). One size fits all? What counts as quality practice in (reflexive) thematic  
analysis?  
Qualitative  
Research  
in  
Psychology,  
18(3),  
328–352.  
https://doi.org/10.1080/14780887.2020.1769238  
4. Carretero, S., Vuorikari, R., & Punie, Y. (2017). DigComp 2.1: The Digital Competence Framework for  
Citizens with eight proficiency levels and examples of use (JRC106281). Publications Office of the  
European Union. https://doi.org/10.2760/38842  
5. Cabero-Almenara, J., Gutiérrez-Castillo, JJ., Barroso-Osuna, J. et al. Digital Teaching Competence  
According to the DigCompEdu Framework. Comparative Study in Different Latin American  
Universities. J.  
New  
Approaches  
Educ.  
Res. 12,  
276–291  
(2023).  
https://doi.org/10.7821/naer.2023.7.1452  
6. Celik, I., Dindar, M., Muukkonen, H., & Järvelä, S. (2022). The promises and challenges of artificial  
intelligence for teachers: systematic review of research. TechTrends, 66, 616–630.  
A
https://doi.org/10.1007/s11528-022-00719-6  
7. Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI: Perceptions, benefits, and  
challenges in higher education. International Journal of Educational Technology in Higher Education,  
20, Article 43. https://doi.org/10.1186/s41239-023-00411-8  
8. Chiu, T. K. F. (2024). The impact of generative AI (GenAI) on practices, policies and research direction  
in education: A case of ChatGPT and Midjourney. Interactive Learning Environments, 32(10), 6187–  
6203. https://doi.org/10.1080/10494820.2023.2253861  
9. Creswell, J. W. (2021). A concise introduction to mixed methods research (2nd ed.). SAGE Publications.  
10.Creswell, J. W., & Plano Clark, V. L. (2018). Designing and conducting mixed methods research (3rd  
ed.). SAGE Publications.  
11.Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field.  
International Journal of Educational Technology in Higher Education, 20, Article 22.  
https://doi.org/10.1186/s41239-023-00392-8  
12.European Commission. (2022). Ethical guidelines on the use of artificial intelligence (AI) and data in  
teaching  
and  
learning  
for  
educators.  
Publications  
Office  
of  
the  
European  
Union.  
https://doi.org/10.2766/153756  
13.Flick, U. (2022). The SAGE handbook of qualitative research design (Vol. 1). SAGE Publications.  
14.Hwang, G. J., Xie, H., Wah, B. W., & Gašević, D. (2020). Vision, challenges, roles and research issues  
of artificial intelligence in education. Computers and Education: Artificial Intelligence, 1, 100001.  
https://doi.org/10.1016/j.caeai.2020.100001  
69  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025  
Desarrollo de capacidades digitales a través de la integración de inteligencia artificial generativa en contextos de  
formación técnica y tecnológica  
15.Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., … Kasneci, G. (2023).  
ChatGPT for good? On opportunities and challenges of large language models for education. Learning  
and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274  
16.Lee, D., Arnold, M., Srivastava, A., Plastow, K., Strelan, P., Ploeckl, F., Lekkas, D., & Palmer, E. (2024).  
The impact of generative AI on higher education learning and teaching: A study of educators’  
perspectives.  
Computers  
and  
Education:  
Artificial  
Intelligence,  
6,  
100221.  
https://doi.org/10.1016/j.caeai.2024.100221  
17.Southworth, J., Migliaccio, K., Glover, J., Glover, J. N., Reed, D., McCarty, C., … Thomas, A. (2023).  
Developing a model for AI across the curriculum: Transforming the higher education landscape via  
innovation in AI literacy. Computers and Education: Artificial Intelligence, 4, 100127.  
https://doi.org/10.1016/j.caeai.2023.100127  
18.Su, J., & Yang, W. (2023). Unlocking the power of ChatGPT: A framework for applying generative AI in  
education. *ECNU Review of Education*, *6*(3), 355-366. https://doi.org/10.1177/20965311231168423  
19.Sullivan, M., Kelly, A., & McLaughlan, P. (2023). ChatGPT in higher education: Considerations for  
academic integrity and student learning. *Journal of Applied Learning and Teaching*, 6(1), 31-40.  
https://doi.org/10.37074/jalt.2023.6.1.17  
20.Tlili, A., Shehata, B., Adarkwah, M. A., Bozkurt, A., Hickey, D. T., Huang, R., & Agyemang, B. (2023).  
What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education. *Smart  
Learning Environments*, *10*, Article 15. https://doi.org/10.1186/s40561-023-00237-x  
21.UNESCO. (2023). Generative AI in learning and inquiry: Operational guidelines. UNESCO Digital  
Library. https://unesdoc.unesco.org/ark:/48223/pf0000386693  
22.Vuorikari, R., Kluzer, S., & Punie, Y. (2022). DigComp 2.2: The Digital Competence Framework for  
Citizens—With new examples of knowledge, skills and attitudes (JRC128415). Publications Office of the  
European Union. https://doi.org/10.2760/115376  
70  
Vol. 13 No.3, ISSN 1390-9789, diciembre, 2025