RICCE, 2025 Vol. 3 Nro 4: https://doi.org/ 10.48168/RICCE.v3n4p71  
https://revistas.ulasalle.edu.pe/ricce  
CHATGPT EN LA ENSEÑANZA INICIAL  
DE PROGRAMACIÓN: DINÁMICAS  
EMERGENTES EN UN ECOSISTEMA DE  
APRENDIZAJE COMPLEJO  
fecha de receP cIón: 07-11-25 / fecha de aceP tacIón: 21-11-25  
Esperanza Manrique Rojas  
Profesora InvestIgadora de la facultad de contaduría y admInIstracIón de la unIversIdad  
autónoma de Baja calIfornIa, méxIco  
Correo: Emanrique@uabc.edu.mx  
ORCID: https://orcid.org/0000-0003-1928-9353  
rEsumEn  
Aprender programación por primera vez suele despertar curiosidad y, al mismo tiempo,  
cierta tensión. Para muchos estudiantes universitarios, enfrentarse al código implica  
entrar a un territorio desconocido donde la lógica funciona con otras reglas y el error  
aparece como compañero constante. Algunos lo viven con entusiasmo; otros, con cautela.  
Lo que casi todos comparten es la sensación de estar transitando un aprendizaje distinto  
al que están habituados.  
En medio de ese proceso han comenzado a incorporarse herramientas de inteligencia  
artificial generativa, como ChatGPT. Su presencia cambia la dinámica: permite preguntar  
sin sentirse evaluado, revisar una idea antes de ejecutarla o detenerse en un concepto que  
no quedó claro en clase. Para algunos estudiantes, fue una especie de guía silenciosa. Para  
otros, un recurso al que acudían solo cuando el bloqueo era evidente.  
Este estudio recupera esa experiencia en estudiantes que iniciaban la programación con  
Python. La perspectiva del análisis se sitúa en la teoría de la complejidad, que entiende el  
aprendizaje como un proceso vivo, con avances, retrocesos, descubrimientos y momentos  
de duda. No hubo una sola forma de usar la herramienta. Hubo trayectorias: algunas  
marcadas por dependencia, otras por autonomía creciente. Y, en varios casos, algo cambió  
en la relación con el error: dejó de sentirse como fracaso y comenzó a asumirse como parte  
del camino.  
71  
Revista de ciencia de la Complejidad  
Las reflexiones finales abordan las implicaciones pedagógicas y éticas de integrar sistemas  
generativos en cursos introductorios de programación, reconociendo que el uso de estas  
herramientas no solo modifica la práctica, sino también la forma en que los estudiantes se  
relacionan con el aprendizaje mismo.  
Palabras Clave: programación, ChatGPT, complejidad, aprendizaje autónomo, Python,  
educación superior.  
1. introducción  
Aprender programación implica entrar a otra forma de pensar. Para muchos estudiantes,  
especialmente quienes nunca han trabajado con lenguajes formales o estructuras  
algorítmicas, ese primer acercamiento puede sentirse exigente y disruptivo. Incluso en  
carreras vinculadas con tecnología, ciencia de datos o inteligencia de negocios, es común  
que el contacto con la lógica computacional ocurra por primera vez en el aula universitaria,  
y ese inicio suele marcar su relación con la asignatura.  
Lasprimerasdificultadesaparecenconrapidez. Interpretarmensajesdeerror, comprender  
cómo funcionan las estructuras de control o traducir una idea en pasos lógicos puede  
provocar desconcierto. A lo técnico se suma lo emocional: frustración, duda, inseguridad  
o la sensación de no “pensar como programador”. En esas etapas iniciales, disponer de  
acompañamiento y espacios donde el error sea parte del proceso marca una diferencia  
importante en la continuidad y en la confianza del estudiante.  
En los últimos años ha cambiado la forma de comprender los procesos educativos, la idea  
de aprender ha empezado a entenderse de manera distinta. Ya no se piensa como una línea  
recta o una secuencia fija, sino como un proceso donde influyen muchos elementos que  
cambian con el tiempo: lo que cada estudiante sabe antes de iniciar, sus emociones, el  
ritmo con el que trabaja, el entorno en el que aprende y, más recientemente, las tecnologías  
que acompañan ese proceso. En ese marco, aprender a programar no equivale solo a  
memorizar reglas o escribir código correcto. Implica atravesar momentos de duda, ensayo,  
error y ajuste continuo. Con frecuencia, es precisamente el error el que permite avanzar,  
porque obliga a revisar, reinterpretar y volver a intentar.  
En ese escenario comenzaron a utilizarse herramientas como ChatGPT. Para algunos  
estudiantes representó una forma de aclarar dudas rápidamente, entender mensajes de  
error o pedir ejemplos cuando el material formal no era suficiente. Varios comentaron que  
la herramienta les ayudó a continuar sin sentir bloqueo o frustración. Otros la usaron  
como un apoyo para aprender a su propio ritmo, sin depender del tiempo de la clase o del  
docente.  
72  
Revista de ciencia de la Complejidad  
La incorporación de estas tecnologías no solo suma un recurso más al aula; cambia la  
manera en que se vive el aprendizaje. Modifica la relación con el error, con la autonomía  
y con la forma en que cada estudiante organiza su proceso. Más que una ayuda técnica,  
introduce nuevas dinámicas: algunos estudiantes desarrollaron mayor confianza, otros  
utilizaron la herramienta para reflexionar sobre su propio trabajo y hubo quienes  
aprovecharon la posibilidad de explorar con mayor libertad el lenguaje de programación.  
Otras pueden generar dependencia o reducir el esfuerzo cognitivo necesario para  
desarrollar competencias profundas.  
Este estudio no busca responder si ChatGPT es positivo o negativo. La pregunta es otra:  
¿qué ocurre en el proceso de aprendizaje cuando una herramienta como esta se vuelve  
parte del ecosistema?, ¿cómo cambian las relaciones, las estrategias, los ritmos y las  
percepciones cuando un asistente inteligente acompaña a estudiantes que apenas  
comienzan a programar?  
Explorar estas preguntas permite observar no solo el uso de la herramienta, sino las  
dinámicas emergentes que aparecen alrededor de ella. Con ello se abre la posibilidad de  
comprender mejor la experiencia de aprender a programar en un contexto educativo que,  
cada vez más, se comporta como un sistema vivo, abierto y en constante transformación.  
2. marco tEórico  
2.1 aprEndEr programación como transformación cognitiva  
Aprender a programar suele describirse como un proceso técnico, pero en realidad implica  
una transformación más profunda: aprender a pensar de otra manera. Para quienes se  
acercan por primera vez a este campo, la programación se convierte en un ejercicio de  
interpretación, intuición, paciencia y construcción gradual de significado. No se trata solo  
de escribir líneas de código, sino de comprender cómo funcionan los lenguajes, cómo se  
organiza el pensamiento en pasos lógicos y cómo el error puede convertirse en un aliado  
en lugar de un obstáculo.  
Diversos estudios han mostrado que las primeras etapas del aprendizaje de programación  
suelen implicar un esfuerzo cognitivo significativo. No solo se trata de aprender reglas  
sintácticas: quienes están comenzando necesitan reorganizar la forma en que piensan,  
reconocer patrones lógicos y expresar ideas de manera formal para que la computadora  
pueda interpretarlas (Veerasamy et al., 2016). Python se ha utilizado con frecuencia como  
primer lenguaje precisamente porque su estructura resulta comprensible y más cercana  
al lenguaje cotidiano, lo que permite concentrarse en la lógica antes que en la complejidad  
sintáctica (Monsálvez et al., 2017). Aun así, la presencia de acompañamiento docente,  
espacios de práctica guiada y momentos para explorar sin presión siguen siendo claves  
para que la experiencia no se vuelva frustrante.  
73  
Revista de ciencia de la Complejidad  
2.2 intEligEncia artificial gEnErativa como mEdiadora dEl  
aprEndizaJE  
Enesteescenarioaparecelainteligenciaartificialgenerativa. Suintegraciónenlosentornos  
educativos no ha sido abrupta, sino gradual, al ritmo en que estudiantes y docentes la  
incorporan a sus dinámicas cotidianas. Herramientas como ChatGPT comenzaron a  
utilizarse especialmente en momentos de duda: cuando un mensaje de error no resulta  
claro, cuando una explicación no conecta del todo o cuando el estudiante necesita ejemplos  
adicionales para entender un concepto.  
El hecho de que estas herramientas funcionen mediante lenguaje natural hace que el  
entorno técnico parezca menos distante para quienes están dando sus primeros pasos.  
Varias experiencias recogidas señalan que disponer de una respuesta inmediata puede  
reducir la sensación de bloqueo y favorecer que la persona continúe probando y ajustando  
su código en lugar de detenerse ante la dificultad (Kasneci et al., 2023; Ciprés, 2024;  
Matthew et al., 2024). Para algunos estudiantes, esta posibilidad no solo aclara dudas, sino  
que también disminuye la ansiedad frente al error y facilita un aprendizaje más sostenido.  
2.3 EnfoquEs Educativos quE dialogan con la tEcnología  
El uso de herramientas inteligentes en educación se vincula con diferentes perspectivas  
pedagógicas. El constructivismo recuerda que aprender implica construir significado  
a partir de experiencias previas (Zhou et al., 2020). La teoría sociocultural agrega la  
noción de andamiaje, entendido como un apoyo temporal que permite avanzar mientras  
se desarrolla la capacidad de actuar de manera independiente (Renninger & Hidi, 2023).  
El aprendizaje autodirigido reconoce que los estudiantes pueden gestionar su propio  
proceso cuando existen recursos accesibles y una intención clara de aprender (Boekaerts,  
2021). Desde estas miradas, ChatGPT puede convertirse en un apoyo flexible que explica,  
acompaña y retroalimenta sin sustituir la autonomía, siempre que su uso se mantenga  
consciente y reflexivo.  
2.4 Educación como sistEma complEJo En transformación  
En los últimos años ha crecido una manera distinta de comprender el aprendizaje en  
contextos educativos. Ya no se considera como un proceso lineal ni uniforme, sino como un  
entramado de relaciones donde influyen las emociones, la experiencia previa, los ritmos  
personales, la cultura académica y la presencia de tecnologías inteligentes (Ramirez et  
al., 2021). En este marco, la educación puede mirarse como un sistema complejo en el  
que múltiples factores interactúan entre sí y generan resultados distintos incluso entre  
estudiantes que comparten docente, contenidos y condiciones similares. Esta visión se  
74  
Revista de ciencia de la Complejidad  
alinea con planteamientos de la complejidad (Joaqui, 2020), la perspectiva sistémica y  
enfoques educativos emergentes donde el aprendizaje se entiende como un fenómeno  
vivo, adaptativo y en transformación constante (Solis et al, 2024).  
Desde esta perspectiva, ChatGPT no actúa únicamente como un recurso tecnológico, sino  
como un agente que participa en el sistema educativo. La forma en que responde, acompaña  
o resuelve dudas influye en la relación que los estudiantes establecen con el error, con el  
tiempo de resolución, con la búsqueda de respuestas y con la toma de decisiones. Para  
algunas personas, esta presencia facilita la autonomía y la exploración segura; para otras,  
puede transformarse en un apoyo excesivo que reduce el esfuerzo cognitivo necesario para  
comprender con profundidad (Ciprés, 2024; Yang et al., 2024). En ambos casos, lo relevante  
es reconocer que su uso modifica la dinámica educativa.  
También es necesario reconocer que aprender programación implica convivir con la  
incertidumbre. Cuando la respuesta está disponible de inmediato, existe el riesgo de  
sustituir el proceso por la consulta. Por eso, más que prohibir o limitar el uso de la  
herramienta, el desafío parece estar en acompañar su incorporación para que se convierta  
en una extensión del aprendizaje y no en un sustituto del esfuerzo cognitivo (Duran, 2022).  
2.5 Espacio EmErgEntE EntrE tEcnología, aprEndizaJE y  
subJEtividad  
Desde esta mirada, programación, inteligencia artificial y educación comienzan a dialogar  
en un espacio donde la exploración, la curiosidad y la reflexión cobran protagonismo. Más  
que una transición tecnológica, lo que está ocurriendo es una transformación en la manera  
en que los estudiantes se relacionan con el conocimiento, con la experiencia de aprender y  
consigo mismos como aprendices. Es un proceso que se asemeja a lo que Siemens (2005)  
describe como aprendizaje en red: dinámico, distribuido y construido en interacción  
constante con herramientas, personas y contextos.  
3. mEtodología  
Este estudio se desarrolló en un entorno real de aula con estudiantes inscritos en  
una asignatura introductoria de programación en Python perteneciente a programas  
universitariosrelacionadoscontecnologíasdelainformación,cienciadedatoseinteligencia  
de negocios. El estudio se desarrolló bajo un enfoque cualitativo y descriptivo. No se  
buscó medir avances ni comparar desempeños, sino comprender cómo los estudiantes  
vivieron el uso de ChatGPT durante sus primeros encuentros con la programación. Este  
tipo de aproximación resulta pertinente cuando el interés está en las experiencias, las  
percepciones y los ajustes que ocurren mientras el proceso educativo se desarrolla.  
75  
Revista de ciencia de la Complejidad  
La elección metodológica también responde a la naturaleza del aprendizaje observado.  
Quien aprende a programar no avanza siguiendo un esquema lineal; el proceso oscila entre  
intentos, dudas, intuiciones, pequeños logros y momentos de claridad. En este recorrido  
intervienen emociones, conocimientos previos, estrategias personales y recursos  
disponibles. Analizar únicamente el resultado final dejaría fuera los matices que dan  
forma al aprendizaje. Desde la teoría de la complejidad, los entornos educativos pueden  
entenderse como sistemas vivos donde múltiples elementos interactúan de manera  
continua y generan comportamientos que no siempre pueden anticiparse (Morin, 2007;  
Capra y Luisi, 2014).  
A lo largo del semestre, el estudiantado tuvo la libertad de decidir si usaba o no la  
herramienta. Algunas personas la consultaron solo cuando aparecía un error difícil de  
interpretar; otras la utilizaron para pedir ejemplos, ampliar explicaciones o comprobar  
su razonamiento. Mantener un uso abierto permitió observar cómo la herramienta se  
integraba de manera natural a las prácticas de estudio, sin exigir un protocolo rígido ni  
condicionar la interacción. Esta flexibilidad facilitó reconocer patrones espontáneos,  
decisiones auténticas y dinámicas más cercanas a lo que ocurre en escenarios educativos  
reales.  
Para obtener la información se combinaron tres fuentes. La primera fue una encuesta  
estructurada con reactivos tipo Likert, diseñada para conocer con qué frecuencia se utilizó  
la herramienta, con qué propósito y cuál fue la percepción de utilidad. A esto se sumaron  
observaciones realizadas durante las sesiones prácticas y preguntas abiertas orientadas a  
recoger la experiencia subjetiva de los estudiantes en sus propias palabras.  
El segundo fue la observación directa del docente durante las sesiones prácticas, con  
el fin de registrar comportamientos, reacciones emocionales, dificultades recurrentes  
y estrategias frente a la herramienta. También se incluyeron preguntas abiertas en la  
encuesta para conocer la experiencia subjetiva de los estudiantes, permitiendo describir,  
con sus propias palabras, los beneficios, limitaciones y sensaciones asociadas al uso de la  
inteligencia artificial.  
La participación fue voluntaria y se garantizó la confidencialidad de la información. Antes  
de iniciar la actividad se explicó el propósito del estudio y se solicitó el consentimiento  
informado, aclarando que los datos se utilizarían únicamente con fines académicos.  
Más que buscar conclusiones definitivas, esta metodología permitió observar el fenómeno  
educativo mientras se desarrollaba, reconociendo que la relación entre estudiantes,  
programación e inteligencia artificial está en transformación. Como ocurre en los sistemas  
complejos, la comprensión surge cuando se analiza el comportamiento en contexto, y no  
únicamente el resultado final.  
76  
Revista de ciencia de la Complejidad  
4. rEsultados prEliminarEs  
Los resultados muestran una variedad de formas en que los estudiantes se relacionaron  
con ChatGPT durante el proceso de aprendizaje. No todos utilizaron la herramienta con  
la misma frecuencia ni con los mismos propósitos, y esa variabilidad resulta significativa  
porque refleja la naturaleza dinámica del aprendizaje en contextos reales. Algunos la  
integraron como un apoyo constante, casi como un acompañante mientras resolvían  
ejercicios o enfrentaban dificultades. Otros la consultaron únicamente cuando sentían  
que el error era demasiado complejo para resolverlo sin guía o cuando la frustración  
comenzaba a frenar su avance. También hubo quienes prefirieron no utilizarla, confiando  
más en su proceso personal o en la guía del docente.  
Dentro de este conjunto de experiencias aparecieron patrones que ayudan a comprender  
mejor las dinámicas emergentes. Un grupo utilizó ChatGPT para validar su razonamiento:  
antes o después de ejecutar el código consultaban a la herramienta para confirmar si  
la lógica empleada era adecuada o si existían alternativas más eficientes. Este uso no  
buscaba respuestas automáticas, sino un espacio seguro para contrastar ideas y fortalecer  
la comprensión. En palabras de un estudiante, “era como preguntarle a alguien que sabía  
más, pero sin sentir miedo a equivocarse”.  
Otro grupo utilizóla herramienta principalmente para corregir errores. En la programación  
inicial, los mensajes del intérprete suelen ser difíciles de interpretar y pueden convertirse  
en un obstáculo emocional más que técnico. En estos casos, ChatGPT funcionó como  
un puente entre el lenguaje del código y el lenguaje del estudiante, lo que generó alivio  
y aumentó la disposición a seguir intentando. Quienes lo emplearon de esta manera  
describieron su aporte como “una ayuda para entender por qué algo no funcionaba, no  
solo para arreglarlo”.  
También surgió un uso orientado a la exploración autónoma. Algunos estudiantes  
solicitaron ejemplos adicionales, comparaciones entre enfoques o explicaciones paso a  
paso que les permitieran profundizar en un concepto más allá del material visto en clase.  
Este comportamiento se acerca a la idea de aprendizaje autodirigido, pues la herramienta  
se convirtió en un medio para personalizar el ritmo y la profundidad del conocimiento, tal  
como señalan Kasneci y colegas (2023) en investigaciones recientes sobre el uso de IA en  
educación.  
Sin embargo, no todas las trayectorias fueron favorables. Un pequeño porcentaje reconoció  
haber utilizado la herramienta principalmente como generador de respuestas. En este  
caso, la interacción se limitó a copiar y ejecutar código sin comprenderlo del todo. Ese  
patrón refleja una tensión ya señalada en la literatura sobre tecnologías automatizadas:  
la posibilidad de sustituir el esfuerzo cognitivo por la consulta inmediata (Ciprés, 2024).  
Las observaciones en el aula añadieron otra capa de interpretación. Al inicio del curso,  
muchos estudiantes expresaban temor al error y tendían a detener su trabajo cuando algo  
77  
Revista de ciencia de la Complejidad  
no funcionaba. Conforme la herramienta se integró a su práctica, comenzó a aparecer  
una mayor disposición a experimentar y probar alternativas. La presencia de ChatGPT  
redujo la ansiedad asociada al error, en línea con investigaciones previas que sugieren  
que el acompañamiento tecnológico puede disminuir el miedo al fracaso en contextos de  
programación temprana (Yang et al., 2024).  
Lo más interesante es que estos comportamientos no permanecieron estáticos. A lo  
largo del semestre, los estudiantes modificaron la forma en que usaban la herramienta,  
ajustando su relación con ella según su nivel de confianza, su comprensión del lenguaje  
y la complejidad de los ejercicios. Algunos, que al inicio dependían mucho de ChatGPT,  
comenzaron a utilizarlo de manera más estratégica. Otros, que inicialmente no lo  
empleaban, decidieron incorporarlo cuando su nivel de desafío aumentó.  
Esta evolución gradual refleja la naturaleza emergente de los procesos educativos en  
entornos donde interactúan múltiples variables. Tal como sugieren Morin (2007) y Davis y  
Sumara(2006),enlossistemascomplejoselcambionoocurredemaneralineal,sinoapartir  
de interacciones entre experiencias, decisiones individuales y adaptaciones progresivas.  
Los resultados observados coinciden con esta mirada: más que un patrón único, aparecen  
comportamientos diversos que evolucionan con el tiempo y que, en conjunto, permiten  
comprender mejor cómo se está transformando la experiencia de aprender programación  
en presencia de inteligencia artificial.  
El proceso de aprendizaje natural en el tema de la programación, se podría visualizar  
como un espiral, donde se considera un ciclo del aprendizaje asistido por por el docente,  
bibliografía, etc, la diferencia con la asistencia de la IA, es la posibilidad de ….. Este espiral  
representa la naturaleza no lineal del aprendizaje inicial en programación. Cada etapa  
refleja una transición dinámica y natural entre intento, error, consulta, comprensión,  
ajuste y un nuevo intento, en un proceso en el que los estudiantes eligen posibles soluciones,  
exploran y adaptan (Ver figura 1).  
78  
Revista de ciencia de la Complejidad  
figura 1. ciclo dEl aprEndizaJE asistido por ia  
fuEntE: Elaboración propia con apoyo dE chatgpt  
5. discusión  
Los resultados permiten observar que la integración de ChatGPT en un curso introductorio  
de programación no se limita al uso de una herramienta tecnológica. La incorporación de  
ChatGPT transformó la dinámica del curso y dio lugar a formas de interacción, decisiones  
y trayectorias de aprendizaje que no estaban previstas al inicio. La herramienta dejó de  
ser un apoyo técnico para convertirse en un actor dentro del sistema educativo. En esa  
interacción influyó no solo en los resultados, sino en la manera en que los estudiantes se  
relacionaron con el conocimiento, con el error y consigo mismos como aprendices.  
Uno de los cambios más notorios fue la forma en que los estudiantes enfrentaron el  
error. En los primeros niveles de programación, equivocarse suele vivirse como señal de  
incapacidad o como un obstáculo difícil de superar. Con el uso de ChatGPT, el error comenzó  
a verse como algo que puede explorarse, comprenderse e incluso utilizarse como punto de  
partida. Este cambio emocional coincidió con lo reportado por investigaciones recientes,  
79  
Revista de ciencia de la Complejidad  
donde la retroalimentación inmediata reduce la ansiedad y favorece la continuidad del  
ejercicio programático (Yang et al., 2024). En varios casos, la herramienta actuó como  
mediadora entre la incertidumbre y la posibilidad de seguir intentando.  
La variedad de usos observados refuerza la idea de que el aprendizaje no responde a  
patrones estandarizados. Hubo estudiantes que emplearon la herramienta para contrastar  
su razonamiento; otros la utilizaron para comprender mensajes de error, y algunos más  
para ampliar ideas o explorar alternativas. Este comportamiento heterogéneo se alinea  
con la teoría de la complejidad, que entiende el aprendizaje como un fenómeno emergente  
y sensible a la interacción entre emociones, conocimientos previos, ritmos individuales y  
contexto (Morin, 2007; Davis y Sumara, 2006).  
Un hallazgo relevante fue el impacto de la herramienta en la autonomía. La posibilidad  
de hacer preguntas sin sentirse evaluado, repetir explicaciones tantas veces como fuera  
necesario y experimentar con libertad permitió que varios estudiantes desarrollaran  
prácticas asociadas al aprendizaje autodirigido. Al mismo tiempo, surgió una tensión  
importante: obtener una respuesta rápida puede facilitar la tarea, pero también  
puede sustituir el esfuerzo necesario para comprender el proceso. En algunos casos, la  
herramienta fue usada para resolver ejercicios sin revisar la lógica detrás de ellos, lo que  
evidencia un uso superficial que requiere acompañamiento docente y diálogo crítico  
(Ciprés, 2024).  
Esa tensión entre apoyo y dependencia no debe interpretarse como un defecto de la  
herramienta, sino como parte natural de un sistema que se encuentra en transformación.  
Tal como ocurre en los sistemas complejos, los modos de uso evolucionan, se ajustan y  
se reorganizan con el tiempo, en función de la experiencia, la necesidad y la reflexión..  
Tal como plantean Capra y Luisi (2014), dichos sistemas avanzan mediante equilibrios  
dinámicos: cambian, se ajustan y buscan nuevas formas de organización conforme  
interactúan sus componentes. En este estudio, la relación con la herramienta evolucionó  
con el tiempo. Lo que inicialmente surgió como dependencia, gradualmente se transformó  
en uso estratégico a medida que aumentaba la comprensión y la confianza en el lenguaje  
de programación.  
Otro elemento relevante fue la relación entre el docente y la herramienta. Para algunos  
estudiantes, ChatGPT funcionó como una extensión de la enseñanza; para otros, como  
una alternativa cuando la explicación tradicional no era suficiente. Esto no reemplazó al  
docente, pero sí modificó su rol hacia una figura que acompaña, contextualiza y ayuda  
a pensar. Desde una visión de la educación como sistema complejo, esta coexistencia de  
fuentes de aprendizaje es esperada y refleja una transición hacia entornos híbridos donde  
el conocimiento se construye en red (Posso, 2025).  
La presencia de ChatGPT no eliminó las formas tradicionales de aprendizaje, pero sí las  
transformó. Los estudiantes continuaron preguntando en clase, colaborando entre sí y  
revisando materiales oficiales, aunque ahora con un recurso adicional que les permitía  
80  
Revista de ciencia de la Complejidad  
continuar avanzando aun cuando surgían dudas o bloqueos. Esta coexistencia refuerza  
la idea de que la inteligencia artificial no sustituye al aprendizaje humano, sino que lo  
reconfigura.  
En conjunto, los hallazgos permiten reconocer que aprender programación en presencia  
de ChatGPT se comporta como un proceso complejo: no lineal, no uniforme y sensible  
a las interacciones entre tecnología, emociones, estrategias personales y tiempos de  
aprendizaje.  
6. conclusionEs  
LapresenciadeChatGPTenuncursointroductoriodeprogramacióndejóclaroquesupapel  
va más allá de responder preguntas técnicas. Para algunos estudiantes, especialmente  
quienes se acercaban al código con cierta inseguridad, la herramienta funcionó como  
una compañía silenciosa en los primeros intentos. No resolvió todas las dificultades,  
pero sí cambió la forma en que enfrentaron el proceso. En varios casos, el error dejó de  
interpretarse como señal de incapacidad y empezó a asumirse como parte normal del  
aprendizaje, algo que suele tardar en construirse en quienes programan por primera vez.  
A lo largo de la experiencia fue evidente que no existe una única manera de incorporar  
herramientas basadas en inteligencia artificial en el aula. El uso que cada estudiante hizo  
de ChatGPT estuvo atravesado por su estilo de aprendizaje, su nivel de confianza y su  
propia relación con la tecnología. Algunas personas lo utilizaron para repensar sus ideas  
o profundizar en conceptos; otras lo vieron como un camino rápido para resolver tareas  
sin detenerse a comprenderlas del todo. Esa diversidad refleja que el aprendizaje no es  
uniforme ni lineal: se mueve entre emociones, tiempos personales y distintas formas de  
buscar apoyo.  
Otro aspecto que llamó la atención fue el impacto en la figura docente. La herramienta  
no desplazó la enseñanza, pero sí modificó el tipo de interacción en el aula. En varios  
momentos, la función del docente pasó de explicar contenido a acompañar el proceso,  
orientar decisiones o ayudar a interpretar respuestas generadas por la herramienta. Esto  
llevó a repensar preguntas como: ¿cuándo intervenir?, ¿cuándo dejar que el estudiante  
experimente? y ¿cuándo permitir el error como parte del aprendizaje?  
Los hallazgos no permiten concluir si ChatGPT facilita o dificulta el aprendizaje de forma  
definitiva. Lo que sí sugiere la experiencia es que estamos frente a un cambio que ya  
comenzó. El aprendizaje mediado por inteligencia artificial está entrando al aula y seguirá  
haciéndolo. Ante esto, la pregunta no parece ser si debe usarse o no, sino cómo acompañar  
su integración para que no sustituya el esfuerzo cognitivo, sino que lo amplíe.  
Este trabajo no cierra una discusión, más bien la extiende. La llegada de sistemas  
generativos a los cursos iniciales de programación no puede analizarse únicamente desde  
81  
Revista de ciencia de la Complejidad  
el lente de beneficios o riesgos. Lo que está ocurriendo es más profundo: están cambiando  
los ritmos de aprendizaje, las formas de relacionarse con el error y la manera en que los  
estudiantes construyen significado en torno al conocimiento.  
En un escenario educativo entendido como un sistema complejo, los cambios no avanzan  
en línea recta. Surgen, se ajustan y se transforman a medida que estudiantes, docentes  
y tecnología interactúan. Por ello, el reto no es resistir la presencia de herramientas  
como ChatGPT ni asumirlas como solución definitiva, sino aprender a convivir con ellas  
con sentido crítico, responsabilidad pedagógica y atención al componente humano del  
aprendizaje.  
82  
RefeReNcIaS  
• Boekaerts, M. (2021). Self-regulated lear-  
ning: A new concept embraced by resear-  
chers, policy makers, educators, teachers,  
and students. Educational Psychology Re-  
view, 33(2), 307–325. https://www.scien-  
cedirect.com/science/article/abs/pii/  
S0959475296000151  
Education. In 2024 IEEE 12th Conference  
on Systems, Process & Control (ICSPC) (pp.  
280-285). IEEE. https://ieeexplore.ieee.org/  
abstract/document/10862366  
• Joaqui, D., & Ortiz, D. N. (2020). La educa-  
ción bajo el signo de la complejidad. Sophía,  
29, 157–180. https://doi.org/10.17163/soph.  
n29.2020.05  
• Capra,F.,&Luisi,P.L.(2014).Thesystemsview  
of life: A unifying vision. Cambridge Univer-  
sity Press. https://www.igi-global.com/pdf.  
aspx?tid=123443&ptid=119047&ctid=17&-  
t=the+systems+view+of+life:+a+unifyin-  
g+vision&isxn=9781466680791  
• Kasneci, E., Sessler, K., & Bannert, M. (2023).  
ChatGPT for good? On opportunities and cha-  
llenges of large language models for educa-  
tion. Learning and Instruction, 86, 101748.  
https://www.sciencedirect.com/science/arti-  
cle/pii/S0959475296000151  
• Ciprés, M. S. (2024). ChatGPT como he-  
rramienta de apoyo al aprendizaje en la  
educación superior. Tecnología, Ciencia  
• Matthew, B., Mohamad, R., Truong-Huu, T.,  
Olorogun, L., & Endres, H. (2024). Large Lan-  
guage Models as Personal Tutors for Persona-  
lized Educational Pathways: A New Frontier  
in Education. https://www.researchgate.net/  
publication/379246999  
y
Educación.  
https://doi.org/10.51302/  
tce.2024.19083  
• Davis, B., & Sumara, D. (2006). Comple-  
xity and education: Inquiries into lear-  
ning, teaching, and research. Lawrence  
• Monsálvez, J. C., García-Ortega, J., (2017).  
Python como primer lenguaje de programa-  
ción textual en la Enseñanza Secundaria.  
Erlbaum  
Associates.  
https://dl.acm.org/  
doi/10.1145/3483843  
• Duran, R., Zavgorodniaia, A., & Sorva, J.  
(2022). Cognitive Load Theory in Computing  
Education Research: A Review. ACM Transac-  
tions on Computing Education, 22(4), Arti-  
cle 40.  
Recuperado  
pdf/5355/535554766009.pdf  
de  
https://www.redalyc.org/  
• Posso-Pacheco, R. J., et al. (2025). El rol del  
docente en la era de la inteligencia artificial.  
Revista Mentor. https://revistamentor.ec/in-  
dex.php/mentor/article/view/10185  
• Fuentes-Rosado, J. I., & Moo-Medina, M.  
(2017). Dificultades de aprender a pro-  
gramar. Revista Educación en Ingeniería,  
12(24), 76–82. https://doi.org/10.26507/rei.  
v12n24.728  
• Ramírez Moreno, H. B., Osuna-Millán, N., &  
Niebla Zatarain, J. M. (2021). La Educación  
en México como un sistema complejo. Re-  
vista Ciencias de la Complejidad, 2(Edición  
Especial), 21–25. https://doi.org/10.48168/  
ccee012021-002  
• Gunawan, A., & Wiputra, R. (2024, De-  
cember). Exploring the Impact of Genera-  
tive AI on Personalized Learning in Higher  
• Renninger, K. A., & Hidi, S. (2023). The power  
83  
RefeReNcIaS  
of interest for motivation and learning (2nd  
ed.). Routledge.  
• Solís González, R., Guzmán Arredondo, A., &  
Xochitototl Nava, V. (2024). Análisis del sis-  
tema educativo mexicano desde la perspec-  
tiva de la complejidad. EDUCIENCIA, 9(2),  
18–27.  
https://doi.org/10.29059/educien-  
cia.v9i2.283  
• Veerasamy, A. K., D’Souza, D., & Laakso, M.  
J. (2016). Identifying novice student pro-  
gramming misconceptions and errors from  
summative assessments. Journal of Educa-  
tional Technology Systems, 45(1), 50–73.  
Identifying Novice Student Programming  
Misconceptions and Errors From Summati-  
ve Assessments - Ashok Kumar Veerasamy,  
Daryl D’Souza, Mikko-Jussi Laakso, 2016  
• Yang, A. C. M., Lin, J.-Y., Lin, C.-Y., & Ogata,  
H. (2024). Enhancing Python learning with  
PyTutor: Efficacy of a ChatGPT-based in-  
telligent tutoring system in programming  
education. Computers and Education: Ar-  
tificial Intelligence, 7, 100309. https://doi.  
org/10.1016/j.caeai.2024.100309  
• Zhou, M., Brown, D., & Thao, M. (2020).  
Educational learning theories (2nd ed.).  
Open Educational Resource. https://oer.ga-  
lileo.usg.edu/education-textbooks/1  
84