La inteligencia artificial generativa promete transformar la educación mediante tutorías personalizadas, retroalimentación inmediata, traducción y apoyos para la accesibilidad. Pero detrás de estas posibilidades surge una pregunta decisiva: ¿sus beneficios llegan realmente a todos los estudiantes o pueden terminar profundizando desigualdades ya existentes? Esta es la cuestión central del artículo Does Generative AI Narrow or Widen Learning Gaps?, publicado en agosto de 2026, que analiza la relación entre inteligencia artificial, equidad educativa y el Objetivo de Desarrollo Sostenible 4.
Desde el punto de vista teórico, el autor propone el modelo denominado “Divide Cascade” o cascada de la división. La idea es sencilla pero poderosa: tener acceso a una herramienta de IA no garantiza obtener de ella un aprendizaje significativo. Para que la tecnología genere un beneficio duradero, el estudiante debe superar cuatro filtros sucesivos: acceso, uso efectivo, obtención de un beneficio educativo real y, finalmente, aprendizaje duradero y transferible. Cada etapa puede estar condicionada por factores como recursos económicos, alfabetización en IA, idioma, acompañamiento docente o capacidad de autorregulación.
Metodológicamente, no se trata de un estudio experimental ni de una revisión sistemática. Es un artículo conceptual que selecciona deliberadamente investigaciones educativas, estudios sobre productividad y documentos de organismos como UNESCO, OCDE y Banco Mundial para confrontar dos hallazgos aparentemente contradictorios: por un lado, la IA puede ayudar especialmente a quienes parten de niveles de desempeño más bajos; por otro, quienes poseen mayores recursos, competencias digitales y apoyo educativo pueden obtener ventajas mayores de las mismas herramientas. El propio autor advierte que esta selección de literatura es intencional y no permite establecer cuál tendencia es más frecuente.
El principal resultado teórico es que ambas cosas pueden ocurrir simultáneamente. Una intervención puede reducir una brecha y ampliar otra. Incluso garantizar el acceso universal podría disminuir las desigualdades sin eliminarlas, porque permanecerían diferencias en alfabetización, mediación pedagógica y capacidad para convertir el uso de IA en aprendizaje permanente. El modelo predice además que algunos beneficios aparentemente equitativos podrían reducirse cuando se evalúa posteriormente lo aprendido sin ayuda de la IA.
La conclusión resulta especialmente relevante para las instituciones educativas: la IA no es por sí misma igualadora ni generadora de desigualdad. Su efecto depende de cómo se diseñe su incorporación. Acceso a herramientas suficientemente potentes, formación explícita en alfabetización en IA, adaptación lingüística y cultural, docentes preparados y estrategias pedagógicas que eviten la dependencia son condiciones fundamentales para favorecer la equidad.
El artículo invita así a superar la pregunta de si debemos “usar o no usar” IA en educación y plantear otra mucho más importante: ¿bajo qué condiciones puede contribuir realmente a que quienes parten con mayores desventajas aprendan más y mejor? Una lectura especialmente recomendable para docentes, investigadores y responsables de política educativa interesados en el futuro de la equidad en la era de la inteligencia artificial.
¿Quieres saber más? Conoce la investigación completa con los siguientes datos:
Jamil HM. ¿La IA generativa reduce o amplía las brechas de aprendizaje? La cascada de la brecha: un marco conceptual para la equidad, el acceso y la calidad en el marco del Objetivo de Desarrollo Sostenible 4. Sustainability . 2026; 18(17):8736. https://doi.org/10.3390/su18178736
Fuente de la imagen:
OpenAI. (2026). Del origen a un futuro inclusivo: inteligencia artificial, equidad educativa y aprendizaje [Imagen generada por inteligencia artificial]. ChatGPT.
