En esta página

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

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Autoeficacia — la creencia de quien aprende en su capacidad para realizar con éxito una tarea o alcanzar un objetivo. Basándose en la teoría cognitiva social (Bandura), la autoeficacia moldea la motivación, el esfuerzo, la persistencia y la implicación en el aprendizaje. En la IA en la educación, la autoeficacia importa de dos maneras: las herramientas de IA pueden construir la confianza y la autonomía de quienes aprenden (por ejemplo, ofreciendo Retroalimentación y Andamiaje), y la autoeficacia en IA de quienes aprenden —su confianza al usar tecnologías de IA— influye en la eficacia con que se implican con la IA, incluida la forma en que el conocimiento relacionado con la IA se traduce en una preparación relevante para su carrera.

Preguntas para reflexionar

  • La autoeficacia es una creencia sobre la propia capacidad, distinta de la competencia real. ¿Ha sido alguna vez muy competente en algo y aun así ha dudado de sí mismo, o ha estado seguro y equivocado sobre algo que no podía hacer? ¿Qué le dice esa brecha entre creencia y capacidad sobre por qué importa la autoeficacia?
  • La autoeficacia en IA (la confianza al trabajar con IA) es un constructo distinto de la alfabetización en IA, y la investigación encuentra que la alfabetización se traduce en preparación solo cuando quienes aprenden también tienen confianza. Si alguien sabe sobre la IA pero no cree que pueda usarla, ¿qué pasa con ese conocimiento y qué implica eso para la formación?
  • La investigación encontró que el uso de la IA para apoyar la comprensión estaba totalmente mediado por la autoeficacia académica en su vínculo con el rendimiento, mientras que el uso como atajo predecía peores resultados en parte con independencia de la autoeficacia. ¿Por qué la misma herramienta construiría confianza cuando se usa de una manera y no lo haría cuando se usa de otra?
  • La autoeficacia no es la palabra cotidiana «confianza». ¿En qué se diferencian y por qué un investigador insistiría en la distinción en lugar de tratarlas como lo mismo?
  • La robótica y el aprendizaje corporeizado construyen confianza al fundamentar las tareas en resultados observables, y la retroalimentación puede construir la autoeficacia de quien aprende. Piense en una tarea en la que ganó confianza real solo después de ver un resultado concreto. ¿Qué dice eso sobre qué tipos de experiencias de aprendizaje con IA son más propensas a construir —y no solo a informar de— la autoeficacia?
  • La autoeficacia del profesorado afecta a la adopción y la integración de la IA. Si un docente no cree que pueda usar la IA de forma eficaz, ¿lo arregla cualquier cantidad de alfabetización en IA? ¿Qué construiría la confianza de un docente y en qué se diferencia eso de darle más información?

Introducción

La autoeficacia es distinta de la competencia real: es una creencia sobre la capacidad que impulsa la conducta. Está estrechamente relacionada con —y a menudo se usa de forma intercambiable con— la noción cotidiana de confianza en las propias capacidades. La autoeficacia conecta de cerca con la Motivación, el Aprendizaje autorregulado y la Experiencia del estudiantado. En el contexto de la IA, la autoeficacia en IA (la confianza al trabajar con IA) es un constructo distinto de la alfabetización en IA, y la investigación muestra que desempeña un papel crucial en si quienes aprenden activan y aplican de verdad el conocimiento relacionado con la IA.

Cómo aparece la autoeficacia en la investigación

  • Descensos en el trabajo de estudio con IA generativa y realidad extendida: en un estudio de diseño arquitectónico con 27 estudiantes, los equipos que usaban una cadena de IA generativa y realidad extendida multiusuario mostraron mayores descensos relativos de antes a después en la confianza en la autoeficacia de diseño (β = −1,675, p = 0,021) y en la expectativa de resultados (β = −2,088, p = 0,002) que los equipos que continuaron con el flujo de trabajo normal, sin diferencias significativas en las valoraciones a ciegas de un panel sobre sus presentaciones (Xiao et al., 2026). Los entornos ricos en herramientas pueden deprimir las creencias de eficacia incluso cuando el propio trabajo se juzga equivalente.
  • Autoeficacia en IA y preparación para la carrera: la investigación sobre la preparación en IA muestra que la autoeficacia en IA modera la relación entre la alfabetización en IA y la preparación en IA: la alfabetización se traduce en preparación solo cuando quienes aprenden tienen confianza en el uso de la IA, y la autoeficacia predice directamente la adaptabilidad profesional.
  • La confianza no siempre es la palanca. Un modelo de ecuaciones estructurales transversal de 502 docentes universitarios encontró que la autoeficacia tecnológica era un predictor pequeño del bienestar con la IA (β = 0,082), mientras que la alfabetización en IA dominaba (β = 0,713), acotando la afirmación de que la confianza condiciona los resultados con la IA: para el bienestar, el conocimiento pesó más que la confianza (Liu et al., 2026).
  • Las habilidades pueden posibilitar la dependencia mientras la autoeficacia la amortigua. Entre 478 estudiantes de grado israelíes, las dimensiones de habilidad de la alfabetización en IA se asociaron positivamente con la dependencia de la IA (usar/comprender la IA, β = 0,404), mientras que la autoeficacia en IA se asoció negativamente (β = −0,132), por lo que una formación en alfabetización que desarrolle solo la habilidad con la herramienta puede aumentar la dependencia (Maizel et al., 2026).
  • Una confianza baja conduce a un uso más intenso de la IA y después a puntuaciones más bajas. En un curso de demostraciones con 153 estudiantes, un punto más de autoeficacia de partida predecía un 39 % menos de mensajes al chatbot, y un punto menos de autoeficacia correspondía a 0,62 puntos menos de examen por la vía del uso del chatbot (Chen et al. (2026)).
  • La confianza como pivote entre la alfabetización y la confianza: Hu (2026) encuestó a 450 estudiantes universitarios que ya usan ChatGPT y encontró una cadena ordenada en lugar de dos correlatos paralelos: la alfabetización en IA se relacionaba con la Confianza en la herramienta (beta = 0,50), la confianza con la autoeficacia académica (0,48), y la autoeficacia con el uso continuado, con un efecto indirecto en serie significativo (0,07, IC del 95 % [0,04, 0,10]). La ansiedad ante la IA debilitó el vínculo entre alfabetización y confianza (interacción beta = −0,25, con pendientes simples que caen de 0,76 a 0,25 a lo largo del rango de ansiedad), por lo que el mismo conocimiento compraba menos confianza, y alcanzaba menos uso, entre el estudiantado más ansioso. La confianza es así un eslabón descendente de la cadena más que un punto de partida.

La ruta de la ansiedad a través de la cual la práctica asistida por IA se relaciona con la disposición puede invertirse en lugar de atenuarse con la confianza: la asociación indirecta condicional cayó de 0,142 con una baja autoeficacia en la expresión oral a 0,044 en la media y −0,054 con una autoeficacia alta, un efecto concentrado en una pequeña cola superior (Wang y Li, 2026).

  • Perfiles de autoeficacia académica y quién recurre a la IA: Suriá-Martínez et al. (2026) realizaron un análisis de perfiles latentes de la autoeficacia académica entre 102 estudiantes universitarios con discapacidad motriz en España y encontraron tres perfiles (bajo 29,4 %, moderado 41,2 %, alto 29,4 %) cuyo uso reportado de la IA crecía escalonadamente con el nivel del perfil (medias 2,41, 3,56, 4,68; F(2, 99) = 27,84, p < 0,001, eta al cuadrado = 0,36), con la Excelencia, la dimensión de planificación y fijación de metas, como la más fuertemente asociada al uso de la IA (beta = 0,47). Los autores lo leen como un problema de equidad: si la confianza va pareja con la adopción, el estudiantado con menor autoeficacia puede ser el menos propenso a recurrir al apoyo de la IA que podría reducir las barreras de acceso, por lo que el apoyo a la autoeficacia académica pertenece al interior de los marcos de inclusión.
  • Patrones de uso de la IA y autoeficacia: Stamatoulis et al. (2026) encontraron que usar la IA generativa para apoyar la comprensión (integración evaluativa) estaba totalmente mediado por la autoeficacia académica en su asociación con el rendimiento —el uso de la IA orientado a la comprensión construye confianza—, mientras que el uso como atajo (adopción con poca verificación) predecía peores resultados en parte con independencia de la autoeficacia. La autoeficacia es así tanto una vía a través de la cual el uso productivo de la IA ayuda como un factor que el uso como atajo puede no construir.
  • La atribución moldea si la autoeficacia crece. Atribuir el éxito a la IA en lugar de al propio esfuerzo limita el crecimiento de la autoeficacia y refuerza los patrones de atajo, por lo que secuenciar las actividades complejas en pasos donde el estudiantado atribuya el progreso a sus propias estrategias importa más que la herramienta (Øby, 2026).
  • Robótica y aprendizaje práctico: el juego de roles mediado por robot de REMind construyó la autoeficacia de los niños en la intervención contra el acoso escolar; la robótica y el aprendizaje corporeizado construyen en general la confianza al fundamentar las tareas en resultados observables.
  • Autoeficacia creativa en la infancia: Niu et al. (2026) reportan, en una revisión de alcance sistemática de 22 estudios primarios sobre IA generativa con niños de 6 a 15 años, que las ganancias en autoeficacia creativa se agrupan con el pensamiento divergente y la creatividad narrativa, en su mayoría a través de herramientas de texto a imagen que rebajan la barrera entre la idea y el artefacto. Se abstienen de afirmar la eficacia: los diseños son heterogéneos, la revisión no realizó ninguna valoración crítica, y los estudios revisados son casi silenciosos sobre la discapacidad, la baja conectividad y quienes aprenden en situación de desventaja, por lo que la confianza creativa es un resultado reportado como al alza más que uno que el campo haya confirmado.
  • Autoeficacia del profesorado: la investigación sobre la competencia del profesorado en IA examina cómo el desarrollo profesional construye la confianza del profesorado en el uso de la IA, lo que afecta a la adopción y la integración. Ismael, Luo y Li (2026) añaden evidencia cuasiexperimental de que un modelo de e-mentoría con apoyo de la IA eleva la autoeficacia y la inteligencia emocional del profesorado de inglés como lengua extranjera en formación durante las prácticas: el grupo experimental ganó sustancialmente más que los controles en ambas medidas, con un efecto entre grupos grande y ganancias en todos los subdominios de la autoeficacia —y los autores lo atribuyen a la mentoría con mediación de la IA dentro de ciclos reflexivos estructurados más que a la IA por sí sola—.
  • Retroalimentación y confianza: la retroalimentación de la IA y la tutoría pueden construir la autoeficacia de quien aprende ofreciendo una retroalimentación accionable y de apoyo.
  • Empoderamiento en la Resolución de problemas con IA: Zhu y Kong (2026) encuentran que el empoderamiento del estudiantado en el uso de la IA para la resolución de problemas media la relación entre el aprendizaje basado en proyectos percibido y la satisfacción con un curso de alfabetización en IA. En su análisis de ecuaciones estructurales con 1.027 estudiantes, el aprendizaje basado en proyectos fomentó las condiciones que empoderaron al estudiantado para usar la IA en la resolución de problemas, lo que a su vez impulsó la satisfacción con el curso —una prueba de que construir la confianza y la capacidad del estudiantado con la IA es un mecanismo clave de una educación eficaz en alfabetización en IA—.

La autoeficacia se conecta con la Motivación, el Aprendizaje autorregulado, la Experiencia del estudiantado, la Alfabetización en IA, la Agencia de quien aprende y la Robots en la educación. Construir la autoeficacia es un mecanismo clave a través del cual la IA apoya la implicación y el aprendizaje. La autoeficacia se mide casi en su totalidad mediante autoinforme, por lo que sus asociaciones con la conducta observada merecen la cautela habitual.

  • La autoeficacia con los contenidos generados por IA como pivote entre la herramienta y el aprendizaje. Liang et al. (2026) encuentran que las posibilidades percibidas de los contenidos generados por IA elevan la autoeficacia con estos contenidos (beta = 0,583), que a su vez media las rutas hacia la motivación por el aprendizaje (efecto indirecto 0,329) y hacia el aprendizaje autorregulado (0,145), con la ruta en serie desde las posibilidades hasta la autoeficacia, la motivación y el aprendizaje autorregulado (Regulación de la IA en educación) también significativa (0,173). El contraste que hace útil el hallazgo es que la calidad de la retroalimentación de la Evaluación de la IA no predijo la autoeficacia (beta = 0,131, n.s.) aunque predijo fuertemente la satisfacción —la confianza con la herramienta se construye dirigiéndola, no recibiendo buena producción de ella—.

  • Sin efecto del tratamiento en un ECA de un semestre: la confianza subió con el tiempo del curso. En el experimento de campo aleatorizado de Thoeni y Fryer (2026) con 454 estudiantes de grado en un curso de Principios de Marketing, la autoeficacia subió a lo largo del semestre para todo el estudiantado (efecto del tiempo β = 0,099, p = 0,0009, ƒ² de Cohen = 0,025), mientras que ni el efecto de grupo (p = 0,1162) ni la interacción grupo × tiempo (p = 0,5306, d = 0,023) fueron significativos, por lo que el chatbot RAG no añadió nada. Las ganancias de confianza en los cursos con apoyo de la IA pueden ir al ritmo de la progresión del curso más que de la herramienta —un riesgo de atribución para un constructo que el campo mide casi en su totalidad mediante autoinforme—.

  • La confianza puede moverse en sentido opuesto a la conducta. En programación competitiva, el estudiantado que dejó de competir reportó una confianza teórica más alta que sus pares activos y aun así mostró hábitos de resolución posterior de problemas y de círculo de pares significativamente más débiles (p < 0,001), por lo que una señal de autoeficacia por sí sola inducirá a error a un sistema de alerta temprana (Ruhan et al., 2026).

  • La confianza puede subir mientras la capacidad que la sostiene decae. Entre estudiantes universitarios, el uso frecuente de IA generativa elevó la confianza y la eficiencia percibidas y aumentó la dependencia tecnológica en las mismas personas que aprenden, por lo que una puntuación de autoeficacia tomada durante un trabajo asistido por IA puede leerse como alta en el mismo momento en que la habilidad subyacente se está erosionando (Yan et al., 2025).

  • El uso de la IA fue de la mano de la confianza, pero la confianza no predijo la asistencia. En una encuesta de modelos de ecuaciones estructurales por mínimos cuadrados parciales con 291 estudiantes portugueses, el uso general de la IA se asoció positivamente con la autoeficacia para el aprendizaje independiente (β = 0,266, f² = 0,106). El constructo se modeló como un compuesto formativo de segundo orden de las cuatro fuentes de Bandura —experiencia de dominio, experiencia vicaria, persuasión verbal y estado emocional—. La autoeficacia a su vez no predijo el absentismo (β = −0,068, p = 0,276), aunque el uso de la IA se asoció por separado con un mayor absentismo (β = 0,148, f² = 0,029). La ruta uso de la IA → autoeficacia fue significativamente más fuerte entre los hombres que entre las mujeres (β = 0,449 frente a 0,159; Δβ = −0,289, p = 0,013), bajo invariancia de medida parcial (Franco et al., 2026).

  • La confianza tras un protocolo estructurado siguió a la estructura, no a la dosis. La confianza posterior al protocolo para resolver problemas similares de forma independiente promedió 7.18 en una escala de 1–10 (σ = 1.62, n = 217), con medias institucionales que solo abarcaron de 6.86 a 7.52 en cuatro campus. Siguió al beneficio percibido de la explicación de la IA (r_s = 0.37) y de la práctica replicada (r_s = 0.35), más débilmente a la confianza previa en la IA (r_s = 0.20), y no a la frecuencia de uso (r_s = 0.02, p = 0.749) ni al GPA autoinformado (r_s = 0.13, p = 0.064) (Paul et al., 2026). Se trata de una ruta de dominio —dificultad diseñada y luego un intento independiente— y no de más tiempo en la herramienta. El estudio no midió ningún resultado de aprendizaje, así que acota lo que el estudiantado creía.

  • Las tareas de diseño con IA de final abierto clasifican al estudiantado por la confianza preexistente. Zangari et al. (2026) encontraron que la autoestima de rendimiento se correlacionaba con la extroversión (r = 0,262, p < 0,001) en un curso en el que 345 estudiantes construyeron cada uno un agente conversacional para enseñar a un par, y que las estudiantes mujeres reportaron una autoestima significativamente menor que sus pares hombres (H de Kruskal-Wallis (2) = 9,87, p < 0,005). La inferencia de diseño que extraen los autores: las tareas creativas conversacionales de final abierto favorecen a quienes ya tienen confianza, por lo que «las tareas de diseño de final abierto [deberían] incluir andamiaje suficiente para construir de forma equitativa la autoestima de rendimiento en todos los tipos de personalidad» —una advertencia de que las tareas de artefactos creados por el estudiantado pueden ampliar, y no cerrar, las brechas de confianza si el andamiaje no es deliberado—.

  • La autoeficacia interactúa con la preferencia de formato, no solo con los resultados. Un estudio intrasujeto con contrapeso (97 estudiantes de 9.º curso; práctica de interpretación y construcción de gráficos con tutor frente a en papel, con contenidos equiparados) encontró que la práctica con tutor superó al papel en general (t(62,30) = 2,38, p = 0,020) y —de forma contraintuitiva— que una autoeficacia de partida más baja predecía mayores ganancias en ambos formatos (t(98,40) = −2,14, p = 0,035). La estructura interesante es una interacción triple significativa entre autoeficacia, favorabilidad y formato (t(99,84) = −2,58, p = 0,011): entre el estudiantado con baja autoeficacia, la favorabilidad hacia el tutor predice mayores ganancias *específicamente en la práctica con tutor—. Un nulo aleccionador para el supuesto de que la práctica con tutor es autorreforzante desde el punto de vista motivacional: la práctica con sistemas de tutoría inteligente no mejoró significativamente la autoeficacia posterior al entrenamiento respecto al papel —atribuido a la brevedad de la intervención (dos sesiones de ~40 minutos)—. La señal práctica: la autoeficacia de partida y la favorabilidad hacia la tecnología son insumos baratos y accionables para la asignación de formato; la práctica con tutor capitaliza la favorabilidad existente en lugar de crearla. (Self-efficacy and favorability shape learning from tutoring systems and paper practice)

  • El conocimiento llegó a la intención a través de la confianza, la ansiedad y la autoeficacia. En un modelo de ecuaciones estructurales por mínimos cuadrados parciales con 526 estudiantes de diseño, el conocimiento percibido sobre IA generativa se asoció positivamente con la confianza, la autoeficacia y la intención de uso, y negativamente con la ansiedad, y la confianza, la ansiedad y la autoeficacia portaron cada una una vía indirecta significativa del conocimiento a la intención (Wei et al., 2026). La ansiedad se situó en la vía en lugar de bloquearla.

  • «Poca confianza en la escritura se manifiesta como una petición de ayuda.» Se manifiesta como una petición de prosa. En un estudio de ensayos instrumentado, la Self-Efficacy for Writing Scale predijo negativamente el total de consultas (-0.258, EE 0.075, p < 0.001), y la asociación pasó por Translating (-0.949) y Reviewing (-0.588) en lugar de Planning (-0.204) o la delegación del ensayo completo (-0.016). El estudiantado que dudaba de su escritura pidió al modelo que produjera y corrigiera texto; no le preguntó qué argumentar. La autoeficacia predijo la dependencia, y la dependencia adoptó una forma concreta.

La confianza no protege a quien aprende de confiar demasiado en una herramienta. Entre 300 estudiantes universitarios, Kim, Kim y Zhang (2026) hallaron la autoeficacia académica asociada a la confianza excesiva en la IA (r = 0.230) y prediciéndola en B = 0.3901 (IC del 95% [0.2190, 0.5612]) en un modelo de mediación serial, lo que invierte la hipótesis de los autores. La versión productiva de la confianza es la confianza en el propio juicio, que es justo lo que una puntuación alta de confianza excesiva dice que falta.

  • La confianza llega a la adopción en parte a través de la alfabetización. Belief to behavior: how AI self-efficacy shapes AI acceptance through AI literacy probó una secuencia con 622 estudiantes de grado en Türkiye. La autoeficacia en IA predijo la aceptación de la IA (B = 0.43, R² = 0.29), y la alfabetización en IA portó parte de ese vínculo (B indirecto = 0.15, IC del 95% [0.12, 0.19]) sin absorberlo del todo. La confianza también debe contabilizarse como predictora de la adopción, no solo de la capacidad. El diseño es transversal y sin controles demográficos, por lo que la dirección y la porción mediada son asociaciones y no efectos.

  • Necesaria para la utilidad, no solo correlacionada con ella. Chu y Liu (2026) situaron la autoeficacia en IA por delante de las dos creencias de aceptación en 405 estudiantes de posgrado de diseño y hallaron que era el antecedente más fuerte de ambas: β = 0,458 sobre la utilidad percibida y β = 0,394 sobre la facilidad de uso percibida. Su análisis de condiciones necesarias añade una forma de afirmación más fuerte que la ruta anterior. La eficacia fue la única condición identificada como necesaria para la utilidad percibida (d = 0,125, p = 0,015). Una utilidad del 80%, el 90% y el 100% de su escala requirió una eficacia del 10,0%, el 30,0% y el 50,0%. La confianza se sitúa, por tanto, como un umbral mínimo del juicio instrumental y no como un contribuyente más entre varios. El diseño es transversal y el modelo explica R² = 0,150 de la intención, así que conviene tratar los umbrales como propios de la muestra.

  • Los rastros conductuales pueden portar la señal, pero las etiquetas fijan el techo. Un pipeline de dos universidades detectó baja autoeficacia a partir de rastros de interacción; las etiquetas de las ocasiones de encuesta superaron a una partición de mitad de semestre, y la subescala del MSLQ por sí sola etiquetó tan bien como el instrumento completo (Somny, Chouati & Lefevre, 2026).

  • Las implicaciones profesionales de la IA se dividen en dos rutas. Entre 415 estudiantes universitarios chinos, Zhang (2026) encontró que las percepciones positivas llegaban a la autoeficacia para la decisión de carrera a través de la planificación de la carrera, mientras que las percepciones negativas solo llegaban a ella a través de la ansiedad por la carrera (β indirecto = −0,184).

Concepciones erróneas

  • «El estudiantado con poca confianza evita la IA.» Aparece el patrón contrario: en un curso de demostraciones con 153 estudiantes, un punto más de autoeficacia de partida predecía un 39% menos de mensajes al chatbot. La poca confianza derivaba en un uso más intenso de la IA: quienes más necesitaban practicar eran los más propensos a descargar esa práctica.
  • «Usar más la IA con poca confianza es una estrategia de afrontamiento inofensiva.» El mismo hallazgo vincula esa derivación con puntuaciones más bajas, así que el patrón de afrontamiento tiene un coste medible en lugar de ser una elección neutra.
  • «La alfabetización por sí sola construye confianza.» Hu (2026) encuestó a 450 estudiantes universitarios que ya usan ChatGPT y encuentra la confianza como pivote entre la alfabetización y la autoeficacia. La vía pasa por la confianza, así que elevar la alfabetización sin abordar la confianza deja el mecanismo intacto.
  • «Los perfiles de autoeficacia son uniformes en una población con discapacidad.» Un análisis de perfiles latentes con 102 estudiantes universitarios con discapacidad motora en España encontró tres perfiles, con el grupo bajo en el 29,4% y el resto repartido entre perfiles moderados y altos. Tratar al grupo como una sola población promedia estados motivacionales distintos.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

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.