RICCE, 2025 Vol. 3 Nro 4: https://doi.org/ 10.48168/RICCE.v3n4p57  
https://revistas.ulasalle.edu.pe/ricce  
UNIVERSIDADES COMO SISTEMAS  
COMPLEJOS LOS DESAFÍOS  
Y OPORTUNIDADES DE LA  
TRANSFORMACIÓN DIGITAL MEDIADA  
POR INTELIGENCIA ARTIFICIAL  
GENERATIVA  
fecha de receP cIón: 21-10-25 / fecha de aceP tacIón: 10-11-25  
Carlos Alberto Flores Sánchez  
Profesor InvestIgador de la facultad de contaduría y admInIstracIón de la unIversIdad  
autónoma de Baja calIfornIa, méxIco  
Correo: carlos.flores@uabc.edu.mx  
ORCID: https://orcid.org/0000-0003-1516-166X  
rEsumEn  
El presente capítulo presenta desafíos y oportunidades que actualmente enfrentan las  
Instituciones de Educación Superior (IES) en el desarrollo e implementación de políticas  
institucionales de Transformación Digital (Tx) mediada por la Inteligencia Artificial  
Generativa (IAG), desde el enfoque de la teoría de la complejidad. Se parte de que las IES  
operan como sistemas dinámicos e interdependientes, donde el rumbo que se genera a  
partir de las decisiones tecnológicas, pedagógicas y organizativas es difícil de prever. Por lo  
tanto, la Tx debe entenderse como algo más que la implementación de tecnologías digitales;  
más bien, sirve como un mecanismo para la transformación cultural y organizacional,  
mediante el uso de tecnologías digitales, donde se transforman los métodos de enseñanza,  
investigación y gestión. La llegada de la IAG a las IES marca un antes y un después de todas  
sus actividades, la educación empieza a ser diferente, pues la IA lleva a nuevos modos de  
producción de conocimiento y colaboración intelectual, ambos influyen en las prácticas  
de enseñanza, de gestión y de gobernanza de las IES. La IAG trae consigo aprendizaje  
personalizado y eficiencia institucional, así como dilemas éticos y de equidad que rodean a  
57  
Revista de ciencia de la Complejidad  
la IAG y que las políticas institucionales deben abordar. Esto es particularmente desafiante  
en una era de complejidad, el objetivo de este trabajo es conceptualizar cómo se podrían  
integrar sistemas de IAG como un proceso no lineal y de aprendizaje coevolutivo, pues  
las organizaciones pueden crear un sistema de autoorganización, retroalimentación y  
adaptabilidad, lo que hace que tales características innovadoras organizacionales sean  
necesarias. Este capítulo propone que el uso de la IAG debe servir como una herramienta  
de inteligencia colectiva y resiliencia organizacional, permitiendo a las instituciones de  
educación superior aprovechar su propia complejidad y navegar con éxito los inevitables  
procesos de cambio.  
Palabras Clave: Teoría de la complejidad, Transformación Digital, Inteligencia Artificial  
Generativa.  
absTraCT:  
This chapter analyzes the challenges and opportunities faced by universities in  
implementing institutional policies for digital transformation mediated by Generative  
Artificial Intelligence (GAI), from the perspective of complexity theory. It starts from  
the recognition that Higher Education Institutions (HEIs) operate as dynamic and  
interdependent systems, where technological, pedagogical, and organizational decisions  
generate emergent effects that are difficult to predict. In this framework, digital  
transformation is understood not only as the adoption of technologies, but also as a  
process of cultural, organizational, and cognitive reconfiguration that redefines models of  
teaching, research, and management.  
The emergence of generative AI in HEIs represents a turning point, as it introduces new  
forms of intellectual creation and collaboration that impact both teaching practices and  
university governance. However, along with opportunities for learning personalization and  
institutional efficiency, ethical, epistemological, and equity challenges arise, demanding  
adaptive and sustainable policies. From the perspective of complexity theory, it is proposed  
that these processes be understood as nonlinear phenomena, in constant learning and  
coevolution, where self-organization, feedback, and adaptability are essential elements  
for institutional innovation.  
ThechapterconcludesthattheintegrationofgenerativeAIshouldbeseenasanopportunity  
to strengthen collective intelligence and organizational resilience, promoting universities  
capable of learning from their own complexity and responsibly leading change processes  
in the digital age.  
Keywords: Complexity Theory, Digital Transformation, Generative Artificial Intelligence.  
58  
Revista de ciencia de la Complejidad  
1. introducción  
Analizar, desde la teoría de la complejidad, los principales desafíos y oportunidades que  
enfrentan las IES en la implementación de políticas institucionales de Tx e innovación  
educativa mediadas por IAG es fundamental porque permite comprender estos procesos  
como sistemas dinámicos, interconectados y en constante adaptación. Las IES no existen  
necesariamente en ámbitos lineales, sino más bien en ecosistemas donde la tecnología,  
la pedagogía y la organización crean nuevos niveles de impacto en aquellos que conectan  
instituciones, educación y estudiantes en todos los niveles. El análisis de documentos  
de regulación, estrategias digitales y literatura académica puede resaltar tendencias,  
tensiones y patrones recurrentes indicativos de una gobernanza universitaria sensible a  
sistemas inciertos e interdependientes. Este trabajo considera la Tx bajo un nuevo enfoque,  
reinterpretada como un fenómeno evolutivo donde la inteligencia artificial generativa  
sirve no solo como una herramienta sino como un catalizador para el nuevo conocimiento,  
la colaboración y la adaptabilidad.  
2. contExto global dE la transformación digital y la iag  
Desde una perspectiva internacional, la Tx no es una alternativa estratégica sino más bien  
una condición estructural para el desarrollo social, económico, político y educativo. Las  
organizaciones del sector público y privado, incluidas las universidades, se adaptan bajo  
estas condiciones. La Tx cambia los modos de producción, comunicación, enseñanza y  
métodos de aprendizaje. Esta transformación, es más que una adopción tecnológica, es un  
cambioenlascapacidadesorganizativas,patronesdegobernanzaycompetenciashumanas  
necesarias para funcionar en entornos conectados y potenciados por datos (Liu et al.,  
2021). A nivel internacional, también surgen instrumentos políticos y estratégicos como  
el Plan de Acción de Educación Digital de la Comisión Europea (2021) o la Agenda Digital  
para América Latina y el Caribe (eLAC) de la Comisión Económica para América Latina y  
el Caribe (s.f.), que buscan promover la capacidad de las organizaciones para aprovechar  
la tecnología para la educación, estimular la innovación y reducir las brechas digitales.  
Sin embargo, la acelerada tasa de cambio y la creciente complejidad del ecosistema digital  
requiere de respuestas flexibles y a nivel de sistema que incorporen la interacción entre  
la base tecnológica, la cultura corporativa y el sistema de valores institucionales (Bitar &  
Davidovich, 2024). La penetración de la IAG implica transformación en las organizaciones  
(Jain et al., 2022). La IAG también es diferente de las tecnologías desarrolladas  
anteriormente, pues no solo es capaz de automatizar tareas, sino también de generar  
contenido basado en esa funcionalidad y de modelar el razonamiento y la interacción  
cognitiva con los seres humanos, y por lo tanto puede ser utilizada más ampliamente,  
en la investigación, la enseñanza, la gestión universitaria (Bozkurt et al., 2021; Chang et  
al., 2023; Kohnke et al., 2023). Este avance está promoviendo la reorganización de las IES  
para ser más personalizadas, interactivas y adaptativas (Akavova et al., 2023). Pero esto  
59  
Revista de ciencia de la Complejidad  
plantea preguntas éticas y regulatorias sobre la autoría, la veracidad, la transparencia  
algorítmica y la equidad de acceso. Los estudios internacionales sobre la IAG universitaria  
desafían a las universidades a integrarla mientras preservan su papel crítico y formativo,  
generando finalmente políticas institucionales que puedan equilibrar la innovación y la  
responsabilidad (Chan, 2023). Usando la teoría de la complejidad para interpretar estos  
fenómenos como procesos emergentes, sobre cómo la IAG es una tecnología digital que  
se sube al tren de la Tx y que la adaptación, la cooperación y la inteligencia colectiva son  
necesarias para ajustarse a las incertidumbres y trabajar por un futuro educativo más  
sostenible (Alenezi, 2021; Michel-Villarreal et al., 2023).  
3. Justificación dEl EnfoquE dE complEJidad  
Al representar a las IES como sistemas adaptativos complejos con actores humanos,  
tecnológicos, organizacionales y regulatorios que interactúan en patrones no lineales,  
la teoría de la complejidad proporciona un marco teórico suficiente para explorar  
el mecanismo a través del cual opera la Tx mediada por IAG en las IES. A diferencia de  
teorías predecesoras, que descomponen los fenómenos en piezas pequeñas, la teoría de la  
complejidad reconoce las múltiples interacciones de los componentes del sistema. Estas  
interacciones permiten conocer el comportamiento del sistema educativo y como este  
conduce a resultados impredecibles y en constante cambio (Ngafeeson, 2021).  
Esto significa que las IES se desempeñan como parte de diferentes ecosistemas y que se  
organizan dinámicamente, aprenden y responden a entornos tecnológicos en constante  
cambio (Bahroun et al., 2023; Mutebi et al., 2020). Es así, como en el marco de la IAG, esta  
visión se abre a la aplicación de un nuevo conjunto de tecnologías y una nueva forma de  
conocer y entender las conexiones entre profesores y estudiantes, plataformas y datos de  
una manera rica, mutuamente interdependiente y sensible al cambio (Crompton & Burke,  
2023). Esta teoría de la complejidad puede utilizarse para justificar la implementación  
en el proceso de estudio porque ofrece herramientas conceptuales para entender la  
incertidumbre y la no linealidad que acompañan a los procesos de Tx (Almatrodi &  
Skoumpopoulou, 2023). La Tx y el cambio de la IAG no pueden planificarse ni controlarse  
con total precisión, porque actúan sistémicamente a través de bucles de retroalimentación,  
situaciones espontáneas y aprendizaje colectivo (Ly, 2023). Bajo esta lógica, las políticas  
institucionales deben ser flexibles, iterativas y orientadas al aprendizaje organizacional  
continuo, más que a la ejecución de planes rígidos.  
Comprender la Transformación Digital desde la complejidad permite diseñar estrategias  
que integren distintas niveles, por ejemplo: individual, organizacional y social, y que  
reconozcan que el cambio tecnológico no se impone, sino que nace del diálogo entre la  
cultura, la tecnología y las prácticas educativas (Li, 2020). En resumen, este enfoque  
permite pasar de una visión instrumental de la Transformación Digital a una visión  
60  
Revista de ciencia de la Complejidad  
ecosistémica y adaptativa, donde la Transformación Digital se entiende como un proceso  
evolutivo colectivo que determina constantemente el papel de las IES en la sociedad del  
conocimiento.  
4. tEoría dE la complEJidad aplicada a la Educación supErior  
Una pieza clave para ubicar el problema es el artículo de Woodside et al. (2018) que explica  
cómo la teoría de la complejidad propone modelar sistemas donde los resultados no derivan  
simplemente de condiciones necesarias o suficientes, sino de múltiples interacciones,  
retroalimentaciones y dinámicas emergentes. Desde esta perspectiva, las Instituciones  
de Educación Superior (IES) se conciben como sistemas complejos adaptativos: múltiples  
actores (docentes, estudiantes, gestores, tecnología, políticas) interaccionan, generan  
efectos emergentes, se auto-organizan y requieren adaptabilidad. Por ejemplo, el estudio  
de Farias-Gaytan et al. (2023) desarrolla una revisión de 202 artículos derivados de Scopus/  
WoS donde concluyen que la transformación digital va más allá de incorporar tecnología,  
pues involucra cultura, procesos, competencias y valores (Farias-Gaytan et al., 2023).  
5. principalEs dEsafíos idEntificados En la transformación  
digital dE las iEs  
Diversos estudios han identificado barreras a la transformación digital de las IES que  
pueden ser mejor entendidas desde el enfoque de la complejidad. El trabajo de Singun  
(2025) identifica nueve dimensiones de barreras a la transformación digital: 1) visión/  
estrategia digital, 2) liderazgo, 3) organización digital, 4) recursos, 5) competencia digital,  
6) gestión de stakeholders, 7) cultura digital, 8) aspectos académicos, y 9) ética digital  
(Singun, 2025). Estas dimensiones se pueden cruzar, por ejemplo, una débil cultura digital  
afecta competencias y liderazgo, lo cual impacta recursos y organización.  
En el estudio de Farias-Gaytán et al. (2023) se concluye que grandes retos están  
relacionados con la formación docente, la alfabetización digital tanto de profesores como  
de estudiantes, y la falta de investigaciones orientadas a la media literacy (alfabetización  
mediática) en IES. En una investigación de caso de estudio se explora cómo una IES gestiona  
la transformación digital y concluye que las dinámicas de poder, la resistencia al cambio,  
la fragmentación departamental y la coordinación entre unidades son obstáculos clave  
(Antonopoulou et al., 2023).  
Desde la perspectiva de la complejidad, estos desafíos apuntan a que la transformación  
digital de las IES no se da solo por la implementación de tecnologías, sino que es necesario la  
coordinación de subsistemas, gestión de adaptabilidad, monitoreo de efectos emergentes,  
y reflexión sobre cómo los actores interactúan en contextos no lineales (Howden, 2021;  
Nandy et al., 2020).  
61  
Revista de ciencia de la Complejidad  
6. rEtos y oportunidadEs dE la intEligEncia artificial  
gEnErativa En iEs  
Aunque la literatura aún es incipiente respecto a la teoría de la complejidad y la IAG en IES,  
hay varias revisiones sistemáticas que ofrecen pistas muy útiles, por ejemplo Batista et al.  
(2024) revisa artículos empíricos entre 2023–2024 publicados en Scopus/Web of Science  
sobre IA generativa (GenAI) en educación superior. Concluye que GenAI impulsa nuevas  
prácticas en enseñanza/aprendizaje e institucionales, pero simultáneamente genera  
desafíos éticos, de integridad académica, competencia docente y gobernanza (Batista et  
al., 2024). McGrath et al. (2025) examinan 23 estudios empíricos sobre chatbots basados  
en modelos de lenguaje en educación superior desde diciembre 2022 a diciembre 2023,  
y señala que hay tanto discursos utópicos como distópicos, y una falta de base teórica  
sólida común (McGrath et al., 2025). En el artículo de Zamir et al. (2025) se menciona  
explícitamente un enfoque de sistemas complejos (complex systems approach) para  
mapear ciclos de retroalimentación en la transformación institucional por IA (Zamir et  
al., 2025).  
6.1 oportunidadEs idEntificadas dE la iag En iEs  
En la literatura académica se identifican diversas oportunidades derivadas de la  
integración de la inteligencia artificial generativa (IAG) en las instituciones de educación  
superior, destacando su capacidad para transformar procesos de enseñanza, aprendizaje  
y gestión. IAG permite retroalimentación personalizada e inmediata (por ejemplo, los  
sistemas modifican el contenido y las recomendaciones según los resultados del desarrollo  
del estudiante, promoviendo así el aprendizaje personalizado) con retroalimentación que  
puede integrarse inmediatamente con experiencias diseñadas para individuos (Sánchez-  
Prieto et al., 2025; Sousa et al., 2025).  
Mientras tanto, la automatización de tareas docentes y administrativas, incluyendo la  
revisióndetareasylacreacióndecontenido/materialeseducativos, tambiénpuedeahorrar  
tiempo y permitir que los académicos se concentren en tareas pedagógicas adicionales  
(Al-Shabandar et al., 2024; Batista et al., 2024). La capacidad que aporta el IAG permite  
los nuevos modelos pedagógicos e híbridos mediante la colaboración entre docentes y  
sistemas generativos, lo que puede convertirse en las condiciones para la co-creación y  
las reconfiguraciones continuas de los modelos de aprendizaje (Alier et al., 2024; García-  
Peñalvo, 2024).  
Además, las instituciones académicas han comenzado a redactar casos de uso de IAG  
en varias áreas universitarias y esto hace que el desarrollo de dinámicas de adopción  
institucional sea nuevo (Belkina et al., 2025). A través de rutas de aprendizaje que se  
adaptan dinámicamente según el rendimiento de los estudiantes y priorizan el avance de  
los resultados académicos de los estudiantes, el IAG también mejora la adaptación de las  
62  
Revista de ciencia de la Complejidad  
experiencias de aprendizaje adaptativo (Sánchez-Prieto et al., 2025). Y en el campo de  
la organización, la capacidad de procesar grandes volúmenes de datos mejora el análisis  
de datos en la educación, lo que ayuda a identificar patrones, prever riesgos y diseñar  
intervenciones basadas en evidencia, llevando a la efectividad en todos los sectores de las  
IES (Almassaad et al., 2024; Al-Shabandar et al., 2024).  
El IAG también puede ayudar en la toma de decisiones estratégicas al producir modelos  
estadísticos y predictivos para ayudar a las instituciones de educación superior en la  
formulación de políticas, tanto del tipo como de las características de la gobernanza  
institucional y académica (Jin et al., 2025). Estas oportunidades ilustran colectivamente  
las posibilidades del IAG para las IES basadas en políticas responsables, instituciones de  
monitoreo y una comprensión de la complejidad de los entornos educativos actuales.  
6.2 dEsafíos dE la iag En iEs  
El arribo de la IAG plantea de desafíos críticos para las IES, uno de los principales es la  
integridad académica. Estudios recientes muestran que la IAG facilita la producción de  
trabajos de calidad con mínima supervisión del estudiante, lo cual vulnera las perspectivas  
tradicionalesdeoriginalidadyautoría(Kofinasetal.,2025).Deigualforma,lasinstituciones  
enfrentan dificultades para establecer cierta confianza en el uso de la IAG, debido a que  
muchos docentes y tomadores de decisiones perciben falta de certidumbre sobre el control,  
la confiabilidad de los resultados y los marcos normativos adecuados (Barus et al., 2025).  
Este déficit de confianza crece por la falta de políticas institucionales que sean claras  
sobre la autorización o supervisión de usos de IA generativa, lo que incrementa el riesgo  
de brechas de competencia entre docentes y resistencia general al cambio tecnológico  
(Kofinas et al., 2025).  
Desde la perspectiva de la teoría de la complejidad, la introducción de la IAG transforma  
la institución en un ecosistema dinámico: nuevos actores (algoritmos, plataformas,  
datos), nuevas interacciones (docente-IA-estudiante, administración-IA) y sucesos  
inesperados que pueden producir efectos no deseados. En este contexto, la gobernanza  
y la adaptabilidad institucional cobran importancia, pues sin los mecanismos de  
supervisión adecuados y sin una visión sistémica de lo que representa la integración de la  
IAG en forma de subsistemas interconectados, la IAG puede generar caos organizacional  
o efectos emergentes contraproducentes (Barus et al., 2025). Además, los riesgos éticos y  
de sesgo vinculados con los modelos generativos, son un tema a considerar, por ejemplo,  
su propensión a producir inequidades o a generar contenidos no verificados, exigen un  
enfoque proactivo de gobierno institucional que pueda gestionar la complejidad del  
sistema, fomentando tanto la inclusión como la resiliencia (Kofinas et al., 2025)  
Implicaciones para las políticas institucionales desde ambos enfoques (transformación  
digital + IA generativa)  
63  
Revista de ciencia de la Complejidad  
Esta combinación (transformación digital + IA generativa) en una IES que se entiende  
como sistema complejo genera implicaciones específicas:  
6.3 visión sistémica y adaptabilidad  
Las políticas institucionales deben considerar que la IES opera como un sistema con  
múltiples subsistemas que se interrelacionan (docencia, investigación, administración,  
tecnología, gobernanza). Las políticas de transformación digital + IAG no pueden  
implementarse en silo, sino coordinadas y adaptativas (Dempere et al., 2023; Eze et al.,  
2020; Lee, 2025; Luong et al., 2024).  
6.4 gEstión dE ciclos rEtroalimEntativos y EmErgEncias  
Como los estudios mencionan, la IA generativa introduce feedback loops (por ejemplo:  
mayor uso → mayor datos → mayor sofisticación del sistema → nuevas prácticas  
pedagógicas). Según el enfoque de complejidad, la institución debe monitorear, aprender  
y redireccionar dichas dinámicas (Zamir et al., 2025).  
6.5 políticas dE gobErnanza, ética y cultura organizacional  
Las barreras identificadas (liderazgo digital, cultura, recursos, ética) requieren políticas  
que vayan más allá de la tecnología. El enfoque de complejidad enfatiza que la cultura,  
valores y competencias son tan importantes como los sistemas técnicos (Dempere et al.,  
2023).  
6.6 innovación Educativa mEdiada por ia como oportunidad dE  
cambio EmErgEntE  
Desde la teoría de la complejidad, la innovación no es lineal: la IA puede catalizar nuevos  
modos de aprendizaje, colaboración, investigación y gestión institucional que emergen de  
interacciones no previstas. Por tanto, las políticas deben permitir experimentar, tolerar el  
error, aprender del sistema (Neher et al., 2023; Robles & Mallinson, 2023).  
6.7 dEsafío dE la Equidad y la inclusión  
Las IES complejas presentan múltiples actores con diferentes niveles de preparación  
digital y acceso. La utilización de IA generativa puede exacerbar brechas si no se diseñan  
políticas inclusivas (Ishimaru & Galloway, 2020; Mahlaule et al., 2024; Riwayadi et al.,  
64  
Revista de ciencia de la Complejidad  
2024; Tallberg et al., 2023).  
6.8 capacitación y compEtEncias intErdisciplinarias  
El enfoque complejo exige que docentes, investigadores y gestores sepan trabajar en  
entornos interconectados, con pensamiento sistémico, adaptativo y colaborativo. Las  
políticas deben contemplar esta dimensión (Ishimaru & Galloway, 2020; Milner et al.,  
2020).  
7. conclusionEs y discusión  
A manera de conclusión, el análisis de los desafíos y oportunidades asociados a la  
Transformación Digital mediada por IAG confirma que las IES deben ser comprendidas  
y gestionadas como sistemas complejos, que se caracterizan por la interdependencia de  
sus actores, la no linealidad de sus procesos y el surgimiento de dinámicas difíciles de  
anticipar. Los principales retos que se identifican son: la resistencia al cambio, lo cual no  
es algo nuevo para ninguna organización; el déficit de competencias digitales, aun cuando  
la pandemia acelero la adopción de tecnologías de información, todavía existe rezago y  
desigualdad con la adopción y acceso a tecnologías digitales; poca gobernanza tecnológica,  
la realidad es que en la mayoría de las IES la integración de tecnologías digitales no es una  
prioridad, por lo tanto la gobernanza tecnológica es más vista como una parte técnica,  
responsable de que funcione, más que una parte estratégica para el logro de los objetivos  
institucionales; riesgos éticos e inseguridad relativa a la integridad académica, estos retos  
muestran que la adopción de la IAG no puede abordarse como un proyecto aislado ni como  
solo la incorporación de una tecnología digital.  
Al mismo tiempo, estos desafíos destacan el potencial para la construcción de capacidades  
institucionales para adaptarse, desaprender, aprender y apoyar sistemas, necesarios para  
prevenir consecuencias no deseadas y permitir que la tecnología contribuya a los objetivos  
estratégicos y de rendimiento de las IES. De hecho, desde el enfoque de la teoría de la  
complejidad, estosdesafíosnodebenserabordadossimplementecomoobstrucciones, sino  
como puntos centrales que conducen a mejores procesos de innovación organizacional.  
Mientras que la IAG puede transformar cómo las personas aprenden y enseñan, así como  
en la organización del aprendizaje y la gestión, también puede mejorar la inteligencia  
organizacional, innovar hacia modelos pedagógicos flexibles y personalizados para  
lograr la mejora institucional, y crear nuevos modelos de colaboración entre individuos y  
algoritmos.  
Unodeloscomponentesprincipalesparalograrlosonlaspolíticasinstitucionales. Conellas  
se clarifica que se es parte de un ecosistema dinámico de las IES que están constantemente  
informadas, fomentando la autoorganización y la toma de decisiones éticas basadas en  
65  
Revista de ciencia de la Complejidad  
evidencia. En otras palabras, la visión de la IAG desde una perspectiva de complejidad  
permite la transición de una perspectiva instrumental, centrada en la tecnología, a una  
visión estratégica de la tecnología para asegurar que las IES están preparadas para liderar  
la carga con agendas de Tx responsables y robustas que sean apropiadas al contexto y que  
respondan a las necesidades y capacidades de las IES.  
Desde la perspectiva de diseño de políticas organizacionales, y basándose en los hallazgos  
del capítulo, se espera que las IES requieran marcos de acción que incluyan una visión  
de las organizaciones como sistemas complejos, haciendo imposible avanzar hacia la Tx  
de manera lineal o inflexible, puesto alentaría los procesos de cambio, donde los más  
afectados al final del día serían los estudiantes y los empleadores, es decir la sociedad en  
general. En cambio, los regímenes regulatorios flexibles son necesarios debido al proceso  
de adopción de la IAG en los diferentes subsistemas de las IES. Dichas políticas deben  
incluir mecanismos para la supervisión continua y la retroalimentación multidireccional  
que permite correcciones, anticipaciones y cambios en la estrategia basados en cambios  
en la tecnología y los comportamientos de la comunidad académica. Las políticas también  
deben estar diseñadas para fomentar un clima de aprendizaje institucional en el que  
docentes, estudiantes y administradores cultiven competencias digitales y capacidad  
reflexiva que promuevan la utilización crítica y creativa de la IAG. Esto significa regular  
intencionadamentelarelaciónentretecnología,trabajoinstitucionalyrelacioneshumanas,  
reconociendo que la Tx será sostenible solo si es coherente con valores institucionales como  
la equidad, la ética y la responsabilidad. En este sentido, se sugiere fomentar proyectos  
piloto experimentales de IAG basados en la experimentación controlada que sean  
validados y ampliados, y una vez que se haya identificado su utilidad, impacto y riesgos con  
una perspectiva sistémica, entonces si ampliar su uso. Estas recomendaciones orientación  
fomentan un mayor progreso hacia políticas que ayuden a abordar la tecnología no solo  
desde la regulación sino también desde la adaptación institucional y la solidez para que la  
IAG pueda servir tanto a la educación, la investigación y la misión social de las IES.  
Por último, la mayoría de los estudios sobre IAG en educación son muy recientes (2023-  
2025) y no todos emplean la teoría de la complejidad como marco explícito. Aunque  
algunos artículos emplean sistemas complejos (como Zamir 2025) aún hay pocos que  
integren Transformación Digital + IAG + teoría de la complejidad en IES. Hay una relativa  
falta de estudios empíricos a largo plazo que muestren cómo las políticas institucionales  
de IAG funcionan dentro de IES. Estudios de contexto global latinoamericano, con  
particularidades institucionales (como en México, Centroamérica) son escasos, lo cual es  
un área de oportunidad y puede ser aún más relevante su estudio en el contexto de regiones  
fronterizas.  
66  
RefeReNcIaS  
tainty: A case study of digital transformation  
in Higher Education. Technological Forecas-  
ting and Social Change, 192, 122603. https://  
doi.org/10.1016/j.techfore.2023.122603  
• Akavova, A., Temirkhanova, Z., & Lorsanova,  
Z. M. (2023). Adaptive Learning and Artifi-  
cial Intelligence in the Educational Space.  
E3s Web of Conferences, 451, 06011. https://  
doi.org/10.1051/e3sconf/202345106011  
• Bahroun, Z., Anane, C., Ahmed, V., & Zacca,  
A. (2023). Transforming Education: A Com-  
prehensive Review of Generative Artificial  
Intelligence in Educational Settings Through  
Bibliometric and Content Analysis. Sustaina-  
bility, 15(17), 12983. https://doi.org/10.3390/  
su151712983  
• Alenezi, M. (2021). Deep Dive Into Digital  
Transformation in Higher Education Ins-  
titutions. Education Sciences. https://doi.  
org/10.3390/educsci11120770  
• Alier, M., García-Peñalvo, F. J., & Camba, J.  
D. (2024). Generative Artificial Intelligence  
in Education: From Deceptive to Disruptive.  
International Journal of Interactive Multi-  
media and Artificial Intelligence, 8(5), 5–14.  
https://doi.org/10.9781/ijimai.2024.02.011  
• Barus, O. P., Hidayanto, A. N., Handri, E. Y.,  
Sensuse, D. I., & Yaiprasert, C. (2025). Sha-  
ping generative AI governance in higher  
education: Insights from student percep-  
tion. International Journal of Educational  
Research Open, 8. https://doi.org/10.1016/j.  
ijedro.2025.100452  
• Almassaad, A., Alajlan, H., & Alebaikan, R.  
(2024). Student Perceptions of Generative  
Artificial Intelligence: Investigating Utiliza-  
tion, Benefits, and Challenges in Higher Edu-  
cation. Systems, 12(6), 385–385. https://doi.  
org/10.3390/systems12060385  
• Batista, J., Mesquita, A., & Carnaz, G. (2024).  
Generative AI and Higher Education: Trends,  
Challenges, and Future Directions from a  
Systematic Literature Review. Information,  
15(11). https://doi.org/10.3390/info15110676  
• Almatrodi, I., & Skoumpopoulou, D. (2023).  
Organizational Routines and Digital Trans-  
formation: An Analysis of How Organizatio-  
nal Routines Impact Digital Transformation  
Transition in a Saudi University. Systems,  
• Belkina, M., Daniel, S., Nikolic, S., Haque, R.,  
Lyden, S., Neal, P., Grundy, S., & Hassan, M.  
(2025). Implementing generative AI (GenAI)  
in higher education: A systematic review of  
case studies. Computers and Education: Ar-  
tificial Intelligence, 8, 100407–100407. ht-  
tps://doi.org/10.1016/j.caeai.2025.100407  
11(5),  
239.  
https://doi.org/10.3390/sys-  
tems11050239  
• Al-Shabandar, R., Jaddoad, A., Elwi, T. A.,  
Mohammed, A. H., & Hussain, A. J. (2024).  
A Systematic Review for the Implication of  
Generative AI in Higher Education. Infocom-  
munications Journal, 16(3), 31–42. https://  
doi.org/10.36244/ICJ.2024.3.3  
• Bitar, N., & Davidovich, N. (2024). Trans-  
forming Pedagogy: The Digital Revolution  
in Higher Education. Education Sciences,  
14(8), 811. https://doi.org/10.3390/educs-  
ci14080811  
• Antonopoulou, K., Begkos, C., & Zhu, Z.  
(2023). Staying afloat amidst extreme uncer-  
• Bozkurt, A., Karadeniz, A., Bañeres-Beso-  
67  
RefeReNcIaS  
ra, D., Guerrero‐Roldán, A., & Rodríguez, M.  
E. (2021). Artificial Intelligence and Reflec-  
tions From Educational Landscape: A Review  
of AI Studies in Half a Century. Sustaina-  
bility, 13(2), 800. https://doi.org/10.3390/  
su13020800  
ción de Educación Digital (2021-2027). Recu-  
perado el 7 de noviembre de 2025, de https://  
education.ec.europa.eu/es/focus-topics/di-  
gital-education/actions  
• Eze, S. C., Chinedu-Eze, V. C., Okike, C. K., &  
Bello, A. O. (2020). Factors Influencing the  
Use of E-Learning Facilities by Students in a  
Private Higher Education Institution (HEI) in  
a Developing Economy. Humanities and So-  
cial Sciences Communications, 7(1). https://  
doi.org/10.1057/s41599-020-00624-6  
• Chan, C. K. Y. (2023). A Comprehensive AI Po-  
licy Education Framework for University Tea-  
ching and Learning. International Journal of  
Educational Technology in Higher Education,  
20(1). https://doi.org/10.1186/s41239-023-  
00408-3  
• Farias-Gaytan, S., Aguaded, I., & Rami-  
rez-Montoya, M.-S. (2023). Digital transfor-  
mation and digital literacy in the context of  
complexity within higher education institu-  
tions: A systematic literature review. Huma-  
nities and Social Sciences Communications,  
10(1), 386. https://doi.org/10.1057/s41599-  
023-01875-9  
• Chang, D., Lin, M. P., Hajian, S., & Wang, Q.  
Q. (2023). Educational Design Principles of  
Using AI Chatbot That Supports Self-Regu-  
lated Learning in Education: Goal Setting,  
Feedback, and Personalization. Sustainabi-  
lity, 15(17), 12921. https://doi.org/10.3390/  
su151712921  
• Comisión Económica para América Latina y  
el Caribe. (s. f.). Agenda digital eLAC2026:  
Gobernanza y seguridad digital. Recuperado  
de https://elac.cepal.org/agenda-gobernan-  
za.html  
• García-Peñalvo, F. J. (2024). The new reali-  
ty of education in the face of advances in  
generative artificial intelligence. Education  
in the Knowledge Society, 25. https://doi.  
org/10.14201/eks.31942  
• Crompton, H., & Burke, D. (2023). Artificial  
Intelligence in Higher Education: The State  
of the Field. International Journal of Educa-  
tional Technology in Higher Education, 20(1).  
https://doi.org/10.1186/s41239-023-00392-  
8
• Howden, S. (2021). Critical Reflections on  
Academic Leadership During Covid-19: Using  
Complexity Leadership Theory to Unders-  
tand the Transition to Remote and Blended  
Learning. Journal of Perspectives in Applied  
Academic Practice, 9(2), 118–126. https://doi.  
org/10.14297/jpaap.v9i2.478  
• Dempere, J., Modugu, K. P., Hesham, A.,  
& Ramasamy, L. K. (2023). The Impact of  
ChatGPT on Higher Education. Frontiers in  
Education, 8. https://doi.org/10.3389/fe-  
duc.2023.1206936  
• Ishimaru, A. M., & Galloway, M. K. (2020).  
Hearts and Minds First: Institutional Logics  
in Pursuit of Educational Equity. Educational  
Administration Quarterly, 57(3), 470–502.  
https://doi.org/10.1177/0013161x20947459  
• European Commission. (2021). Plan de Ac-  
68  
• Jain, R., Garg, N., & Khera, S. N. (2022).  
Effective Human–AI Work Design for Co-  
Transformation: A Fuzzy-Set Analysis of Chine-  
se Manufacturing Firms. Journal of Organiza-  
tional Change Management, 34(6), 1222–1241.  
https://doi.org/10.1108/jocm-02-2020-0043  
llaborative  
tes, 52(11),  
g/10.1108/k-04-2022-0548  
Decision-Making.  
5017–5040. https://doi.or-  
Kyberne-  
• Luong, N. V., Thuy, L. T. N., Tình, T. T., Yen, N. T. H.,  
& Thuy, D. T. (2024). Integrating Open Knowle-  
dge and Administrative Management in the Di-  
gital Transformation Model of Education Insti-  
tutions: An Effective Approach. International  
Journal of Religion, 5(7), 290–302. https://doi.  
org/10.61707/2vywvv49  
• Jin, Y., Yan, L., Echeverria, V., Gasevic, D., &  
Martinez-Maldonado, R. (2025). Generative  
AI in higher education: A global perspective  
of institutional adoption policies and guide-  
lines. Computers and Education: Artificial  
Intelligence, 8, 100348–100348. https://doi.  
org/10.1016/j.caeai.2024.100348  
• Ly, B. (2023). The Interplay of Digital Trans-  
formational Leadership, Organizational Agili-  
ty, and Digital Transformation. Journal of the  
Knowledge Economy, 15(1), 4408–4427. ht-  
tps://doi.org/10.1007/s13132-023-01377-8  
• Kofinas, A. K., Tsay, C. H., & Pike, D. (2025).  
The impact of generative AI on academic  
integrity of authentic assessments within  
a Higher Education context. British Jour-  
nal of Educational Technology. https://doi.  
org/10.1111/bjet.13585  
• Mahlaule, A. P., McCrindle, C. M. E., & Napoles,  
L. (2024). Inclusive Education and Related Po-  
licies in Special Needs Schools in South Africa.  
African Journal of Disability, 13. https://doi.  
org/10.4102/ajod.v13i0.1358  
• Kohnke, L., Moorhouse, B. L., & Zou, D.  
(2023). ChatGPT for Language Teaching and  
Learning. Relc Journal, 54(2), 537–550. ht-  
tps://doi.org/10.1177/00336882231162868  
• McGrath, C., Farazouli, A., & Cerratto-Pargman,  
T. (2025). Generative AI chatbots in higher edu-  
cation: A review of an emerging research area.  
Higher Education, 89(6), 1533–1549. https://  
doi.org/10.1007/s10734-024-01288-w  
• Lee, G. (2025). Embedding Sustainability in  
Higher Education: A Review of Institutional  
Strategy, Curriculum Reform, and Digital In-  
tegration. International Journal of Science  
and Research Archive, 15(2), 420–426. ht-  
tps://doi.org/10.30574/ijsra.2025.15.2.1396  
• Michel‐Villarreal, R., Vilalta-perdomo, E. L.,  
Salinas-Navarro, D. E., Thierry-Aguilera, R., &  
Gerardou, F. S. (2023). Challenges and Oppor-  
tunities of Generative AI for Higher Education  
as Explained by ChatGPT. Education Sciences,  
• Li, F. (2020). Leading Digital Transforma-  
tion: Three Emerging Approaches for Ma-  
naging the Transition. International Journal  
of Operations & Production Management,  
40(6), 809–817. https://doi.org/10.1108/  
ijopm-04-2020-0202  
13(9),  
856.  
https://doi.org/10.3390/educs-  
ci13090856  
• Milner,A.L.,Browes,N.,&Murphy,T.(2020).All  
in This Together? The Reconstitution of Policy  
Discourses on Teacher Collaboration as Gover-  
• Liu, J., Yang, W., & Liu, W. (2021). Adapti-  
ve Capacity Configurations for the Digital  
69  
RefeReNcIaS  
nance in Post-Crisis Europe. European Edu-  
cational Research Journal, 19(3), 225–246.  
https://doi.org/10.1177/1474904120911754  
siness Growth Through the Role of Economic  
Innovation. Ijmbi, 2(1), 29–40. https://doi.  
org/10.59890/ijmbi.v2i1.1453  
• Mutebi, H., Ntayi, J. M., Muhwezi, M., & • Robles, P., & Mallinson, D. J. (2023). Catching  
Munene, J. C. (2020). Self-Organisation,  
Adaptability, Organisational Networks and  
Inter-Organisational Coordination: Empiri-  
cal Evidence From Humanitarian Organisa-  
tions in Uganda. Journal of Humanitarian  
Logistics and Supply Chain Management,  
10(4), 447–483. https://doi.org/10.1108/jhl-  
scm-10-2019-0074  
Up WithAI: Pushing Toward a Cohesive Gover-  
nance Framework. Politics & Policy, 51(3), 355–  
372. https://doi.org/10.1111/polp.12529  
• Sánchez-Prieto, J. C., [SegundoAutor], [Nom-  
bre], & [TercerAutor], [Nombre]. (2025). Gene-  
rative artificial intelligence for self-learning in  
higher education. RIED. Revista Iberoamerica-  
na de Educación a Distancia, 28(1). https://doi.  
org/10.5944/ried.28.1.41548  
• Nandy, M., Lodh, S., & Tang, A. (2020). Les-  
sons From Covid-19 and a Resilience Mo-  
del for Higher Education. Industry and  
Higher Education, 35(1), 3–9. https://doi.  
org/10.1177/0950422220962696  
• Singun, A. Jr. (2025). Unveiling the barriers  
to digital transformation in higher educa-  
tion institutions: A systematic literature re-  
view. Discover Education, 4(1), 37. https://doi.  
org/10.1007/s44217-025-00430-9  
• Neher, M., Petersson, L., Nygren, J., Svedberg,  
P., Larsson, I., & Nilsén, P. (2023). Innova-  
tion in Healthcare: Leadership Perceptions  
About the Innovation Characteristics of Ar-  
tificial Intelligence—A Qualitative Interview  
Study With Healthcare Leaders in Sweden.  
Implementation Science Communications,  
• Sousa, A. E., [SegundoAutor], [Nombre], & [Ter-  
cerAutor], [Nombre]. (2025). Use of Generative  
AI by Higher Education Students. Electronics,  
14(7),  
1258–1258.  
https://doi.org/10.3390/  
electronics14071258  
4(1).  
00458-8  
https://doi.org/10.1186/s43058-023-  
• Tallberg, J., Lundgren, M., & Geith, J. (2023). AI  
Regulation in the European Union: Examining  
Non-State Actor Preferences. SSRN Electronic  
Journal. https://doi.org/10.2139/ssrn.4424114  
• Ngafeeson, M. N. (2021). Northern Michi-  
gan University Online Campus: A Case of  
Digital Transformation in Higher Educa-  
tion. Journal of Information Technology  
Teaching Cases, 12(2), 230–243. https://doi.  
org/10.1177/20438869211056950  
• Zamir, S., Mehmood, M. S., Abbasi, B. N., Li, W.,  
& Wang, Z. (2025). Examining the role of hi-  
gher education learning, research excellence,  
and innovation capacity in driving AI-techno-  
logical advancements in Nordic countries. Hu-  
manities and Social Sciences Communications,  
12(1), 1325. https://doi.org/10.1057/s41599-  
025-05665-3  
• Riwayadi, E., Umran, M. F., Murti, T. H., Mo-  
noarfa, M., Waisapi, J. Y., & Cahyono, B. T.  
(2024). Forging Paths: A Systematic Re-  
view on the Interplay of Government Poli-  
cies, Technological Advancements, and Bu-  
70