En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La IA en la educación empresarial — la aplicación de la inteligencia artificial a la enseñanza y el aprendizaje de los negocios, la economía y la gestión, y la preparación del estudiantado para un entorno laboral integrado con la IA generativa. Las escuelas de negocios afrontan un doble imperativo: integrar la IA en el currículo como materia y como herramienta pedagógica, y a la vez preparar al estudiantado para usar la IA generativa de forma responsable y eficaz en la práctica profesional.

Preguntas para reflexionar

  • Las escuelas de negocios afrontan un doble imperativo: integrar la IA en el currículo como materia y como herramienta, y a la vez preparar al estudiantado para usar la IA de forma responsable en la práctica profesional. Antes de leer, ¿cuál de esas dos cosas cree que la mayoría de los programas de negocios hace bien hoy, y cuál queda desatendida?
  • Un marco informado por el estudiantado encontró que este estaba muy implicado y reconocía que necesitaba competencias en IA generativa para su carrera, pero también quería usar la IA sin cometer sin querer una falta académica. ¿Por qué podría alguien querer usar la IA y, al mismo tiempo, preocuparse por infringir las normas que la regulan?
  • La investigación sobre la alineación constructiva encontró que el predominio de los beneficios o de los riesgos de la IA generativa dependía del grado de integración curricular: integrar, no añadir. ¿Cómo se ve la «integración» en un programa de negocios, a diferencia de simplemente añadir herramientas de IA por encima?
  • Una década de investigación señala brechas persistentes en la coherencia curricular, la preparación del profesorado y la validez de la evaluación. Si tuviera que rediseñar un curso de negocios para un entorno laboral integrado con la IA, ¿cuál de esas tres brechas abordaría primero y por qué?
  • Los negocios son uno de los campos donde la adopción de la IA generativa avanza más rápido, así que quienes se gradúan afrontan una presión aguda por estar preparados para la IA. ¿En qué podrían diferir las competencias en IA que realmente valoran los empleadores de finanzas, marketing o gestión de lo que hoy se enseña al estudiantado en el aula?

Introducción

La IA en la educación empresarial es una línea creciente de la IA en la educación centrada en una disciplina concreta. Las escuelas de negocios deben preparar al estudiantado para un futuro mercado laboral en el que la IA generativa es omnipresente, lo que exige tanto alfabetización en IA como aplicación específica del dominio (finanzas, marketing, gestión, economía, emprendimiento). La investigación destaca una tensión entre integrar la IA como herramienta pedagógica y profesional y gestionar la integridad académica, el uso ético y el rediseño de la evaluación.

La IA en la educación empresarial en la investigación

  • Marcos informados por el estudiantado. Drummond y Dale (2026) presentan un marco conceptual informado por el estudiantado para integrar la IA generativa a lo largo de los programas de grado en negocios, a partir de un estudio de caso británico con 149 estudiantes. El estudiantado se mostró muy implicado, reconoció la necesidad de competencias en IA generativa para su carrera y quería usar la IA sin cometer sin querer una falta académica.

  • Un análisis estratégico basado en el valor, no un estudio de resultados. Csaszar et al. (2026) aplican la disposición a pagar y el coste de entrega a los programas de MBA y afines. La IA puede sustituir la formación o complementarla al elevar el valor del juicio, la ética y el liderazgo; el contenido, el método y el público de la enseñanza están por definir, y la capacidad de investigación es la variable que decide si las escuelas se ven complementadas o desplazadas.

  • Una década de investigación. Espino y Espino (2026) mapearon bibliométricamente 213 artículos (2015–2024) sobre la IA en la educación empresarial e identificaron cuatro clústeres: transformación de la educación empresarial impulsada por la IA, pedagogías digitales innovadoras, personalización mejorada por IA y educación empresarial alineada con la economía digital, con brechas persistentes en coherencia curricular, preparación del profesorado y validez de la evaluación.

  • Alineación constructiva. Zhou et al. (2026) analizaron 17 casos de adopción de IA generativa en una escuela de negocios británica y encontraron que el equilibrio entre beneficios y riesgos pedagógicos dependía del grado de integración curricular: la integración constructiva producía mejores resultados.

  • Perspectivas del estudiantado sobre los currículos. Rook y Plumb (2026) se basaron en 166 estudiantes de grado de negocios en una unidad de último curso y encontraron un fuerte apoyo a integrar la IA generativa en los currículos, con tres áreas prioritarias: comprender y optimizar la funcionalidad de la IA generativa, explorar aplicaciones en distintos contextos y desenvolverse en las dimensiones éticas y legales.

  • De la memorización al juicio ante la ambigüedad. Shi, Dai y Zhang (2026) proponen tres mecanismos de IA generativa para cursos de gestión: descomponer las teorías clásicas en supuestos y condiciones límite frente a informes reales, seguir casos emergentes entre ediciones del libro de texto, y una simulación cuyo papel de IA genera eventos disruptivos y consecuencias en cascada.

  • La sabiduría práctica como fin organizador. Heron y Meekins (2026) sostienen que la IA intensifica el hábito de la educación empresarial de tratar la producción de información como evidencia de comprensión, y proponen REVEAL —investigación, examen, punto de vista, implicación, alineación y aprendizaje— como heurística hermenéutica que mantiene el juicio y la rendición de cuentas en quien aprende y trata la IA como un interlocutor provisional.

  • Adopción organizativa. Al-Rahmi (2026) examinó los factores organizativos y tecnológicos de la adopción de la IA en la educación superior (con los marcos TOE y de difusión de innovaciones, n=300 miembros del personal), un análisis relevante para cómo las escuelas de negocios y sus instituciones adoptan el apoyo a la decisión impulsado por IA y las plataformas de aprendizaje inteligente.

  • Agentes conversacionales en juegos de simulación empresarial. Wenzel, Geiger y Liening (2026) desarrollan y evalúan un agente conversacional mejorado con IA (Lara) para el apoyo instruccional adaptativo en juegos de simulación empresarial usados para el aprendizaje emprendedor experiencial. Anclado en una postura de equidad por diseño y en el diseño universal para el aprendizaje, el marco CAIS-GBL apunta a la implicación cognitiva, motivacional, afectiva y sociocultural del estudiantado, y sus evaluaciones entre futuros docentes y participantes en juegos de simulación empresarial muestran percepciones positivas de la presencia cognitiva y social y del apoyo al aprendizaje autorregulado: un modelo para escalar la retroalimentación formativa en la educación empresarial basada en simulaciones.

  • IA generativa agéntica para tareas aplicadas complejas. Ilieva et al. (2026) desarrollan el marco AGAI-HE en torno a un curso de comercio electrónico, donde la tarea de aprendizaje exige comparar modelos de negocio, sopesar restricciones de mercado y operativas y defender recomendaciones estratégicas: un trabajo aplicado de varios pasos que los chatbots de pregunta-respuesta apoyan mal. Su estudio de percepción con 130 estudiantes encontró que tanto el apoyo del chatbot como el del agente se valoraron por encima del aprendizaje electrónico tradicional en mejora del aprendizaje, personalización, apoyo a la toma de decisiones y organización del flujo de trabajo, pero sin diferencias significativas entre agente y chatbot, y el respaldo más fuerte fue para combinar los tres modos. Para los programas de negocios, la lectura es que la adopción es una cuestión de diseño instruccional sobre cómo se secuencia y se gobierna el apoyo de la IA, y no simplemente una mejora de herramientas (IA agéntica).

  • Un chatbot de RAG construido para el curso movió las expectativas, no los resultados. En un ensayo aleatorizado de un semestre con 454 estudiantes de grado en un curso de Fundamentos de Marketing, Thoeni y Fryer (2026) no encontraron ningún efecto significativo de la interacción grupo por tiempo sobre el interés, la autoeficacia, la implicación o el rendimiento en el examen, aunque el estudiantado accedió 0,89 veces por semana y valoró el disfrute con 80,4.

  • La innovación en evaluación y calificación está poco investigada. Mesny, Roberge-Maltais y Galy (2026) revisaron 58 artículos sobre evaluación a lo largo de 20 años en cuatro revistas líderes de educación en gestión (AMLE, JME, Management Learning, IJME) —unas tres al año, muchas en los números especiales de 2010 y 2014— y encontraron que la evaluación y la calificación están poco investigadas en relación con su papel central en la configuración del aprendizaje. La autoevaluación y la evaluación entre iguales dominan el discurso (casi la mitad de la muestra, sobre todo para la evaluación sumativa del trabajo en grupo); la evaluación auténtica aparece principalmente a través de simulaciones mediadas por tecnología y a menudo se confunde con el aprendizaje experiencial; mientras que la reevaluación, la calificación basada en estándares y la eliminación de las calificaciones están prácticamente ausentes. Los autores instan al profesorado de gestión a implicarse de forma más activa y recíproca con estas innovaciones y recomiendan una experimentación incremental (tareas sin calificación, reevaluación de una única tarea, rúbricas basadas en estándares) respaldada por una coordinación a nivel de programa y por evidencia documentada de la Scholarship of Teaching and Learning.

  • La calificación automatizada de trabajos de negocios necesita validación sobre los textos destinatarios. Sobre 60 publicaciones de marketing de estudiantado de una simulación BrandSim, Li (2026) encontró que un LLM alcanzó solo un ICC(2,1) = 0,435 con la media humana —reglas deterministas 0,091, un híbrido de igual ponderación .266— mientras que añadir anclas redactadas por el investigador elevó el LLM a 0,846 sin cambiar ninguna puntuación del estudiantado.

  • Una alternativa en la educación empresarial califica el proceso, no el tema. En un grado de aprendiz de Analista de Negocios de primer año, la calificación exigía iteración documentada y colaboración entre pares, y el estudiantado que usó IA generativa discutía sus contraargumentos en lugar de entregarlos (Alam y Jackson, 2026).

  • Enseñar la IA como elemento de diseño de procesos de primera clase. Jalali (2026) coloca un punto de control de decisión sobre IA en cada fase del ciclo de vida de BPM a lo largo de seis módulos de un curso de 152 estudiantes, de modo que el estudiantado construye un agente de admisión funcional con LLM y luego descubre, en un punto de control, que el cuello de botella real es una cola de dos personas de investigación de fraude.

La enseñanza de la economía y la gestión

La IA en la educación empresarial abarca la economía y la gestión como disciplinas centrales. La investigación se centra en las dimensiones pedagógica y curricular (cómo se enseña y se usa la IA en los programas de negocios) y en la dimensión de preparación profesional (preparar al estudiantado para entornos laborales integrados con la IA). Entre los temas clave están la alfabetización en IA, la aplicación de la IA generativa a lo largo de las funciones empresariales, las consideraciones éticas y de integridad y el rediseño del currículo y de la evaluación para reflejar una práctica profesional integrada con la IA.

Por qué importa la IA en la educación empresarial

Las escuelas de negocios están cerca del mercado laboral al que acceden sus egresados, así que cuando la adopción de la IA generativa se acelera en las empresas, el diseño de los programas tiene que responder a ello. La investigación subraya que la integración eficaz está impulsada por el currículo e informada por el estudiantado: no se trata solo de añadir herramientas de IA, sino de rediseñar los programas para que la alfabetización en IA generativa, el juicio ético y la aplicación auténtica atraviesen las estructuras de grado. Esto conecta la educación empresarial con los temas más amplios: la alfabetización en IA, la preparación del profesorado, el rediseño de la evaluación y la reforma del currículo en la era de la IA.

Los estudios de caso y las simulaciones son los formatos de enseñanza más cercanos a esta literatura, pero la evidencia sobre gestión no aísla una intervención basada en casos; véase Aprendizaje basado en casos para la pedagogía y sus límites.

Implicaciones para el profesorado de negocios

  • Integre la IA guiándose por el currículo y escuchando al estudiantado. Los marcos informados por el estudiantado y las perspectivas del estudiantado muestran que este quiere competencias en IA generativa para su carrera y usar la IA sin cometer faltas involuntarias: diseñe programas que entrelacen la alfabetización en IA, el juicio ético y la aplicación auténtica a lo largo de las estructuras de grado.
  • Alinee el currículo de forma constructiva. La investigación sobre alineación constructiva encuentra que el grado de integración curricular determina si predominan los beneficios o los riesgos de la IA generativa: integrar, no añadir.
  • Aborde las brechas persistentes. Una década de investigación señala brechas en coherencia curricular, preparación del profesorado y validez de la evaluación: priorícelas en el diseño del programa.
  • Prepare al estudiantado para un entorno laboral integrado con la IA. Dé prioridad a la alfabetización en IA, el uso ético y la aplicación de dominio (finanzas, marketing, gestión, economía) como competencias centrales, no como optativas.

Concepciones erróneas

  • «El estudiantado quiere IA porque busca atajos.» Un marco informado por el estudiantado encontró que este está muy implicado y consciente de que necesita competencias en IA generativa para su carrera, y a la vez quiere usar la IA sin incurrir sin querer en conducta académica indebida. La demanda es de competencia con límites claros, no de permiso para evitar el trabajo.

  • «Añadir módulos de IA a un currículo de negocios captura el beneficio.» La investigación sobre alineación constructiva encontró que el grado de integración curricular determinaba si predominaban los beneficios o los riesgos: la distinción operativa es integrar, no añadir. Un módulo añadido deja el diseño de la evaluación sin cambios.

  • «La sofisticación de la herramienta supera al aprendizaje en línea convencional.» Un estudio de percepción con 130 estudiantes encontró que tanto el apoyo del chatbot como el del agente se valoraron por encima del aprendizaje en línea tradicional en mejora, personalización y toma de decisiones. Conviene notar qué mide esto: la percepción del estudiantado frente a una referencia convencional, no el aprendizaje frente a ella.

Conceptos conectados

Artículos conectados

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.