Base de conocimiento AIEdAIEd KB
En esta página

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

Conceptos

Modelos de adopción tecnológica

Creada 2026-09-28 · Actualizada 2026-09-28

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

Los modelos de adopción tecnológica son los marcos teóricos que se usan para explicar y predecir por qué las personas y las instituciones aceptan, adoptan y siguen usando nuevas tecnologías —y, en la investigación sobre IA en educación, por qué quienes aprenden, el profesorado y las organizaciones adoptan herramientas de IA generativa. Más que un modelo único, se trata de una familia de teorías con raíces comunes en la investigación sobre sistemas de información y psicología social, de la que el Modelo de Aceptación de Tecnología (TAM) es el más aplicado. La base de conocimiento trata estos modelos en conjunto porque los estudios sobre adopción de IA generativa los combinan habitualmente (TAM + UTAUT, TAM + TPB, UTAUT + ARCS) y porque sus constructos centrales —utilidad percibida, facilidad de uso percibida e influencia social— reaparecen en casi todos los estudios sobre aceptación de la IA en educación.

Preguntas para reflexionar

  • Piense en una ocasión en que adoptó una nueva aplicación, herramienta o servicio de IA, y en otra en que abandonó uno. ¿Qué impulsó de verdad cada decisión: lo útil que parecía, lo fácil que era o lo que hacía la gente de su entorno? ¿Qué factor sospecha que importa más, y puede realmente una encuesta captarlo?
  • Una creencia habitual es que «si una herramienta es claramente útil, la gente la usará». ¿Ha visto situaciones en las que una tecnología genuinamente útil no llegó a cuajar, o en las que una claramente limitada se extendió igualmente? ¿Qué podría explicar la brecha entre utilidad objetiva y adopción real?
  • Marcos de adopción como el TAM se diseñaron en la década de 1980 para sistemas bastante simples. Si ha usado IA generativa, ¿en qué se diferencia de un procesador de textos o de una plataforma de gestión del aprendizaje, y por qué un modelo construido en torno a la «facilidad de uso» y la «utilidad» podría tener dificultades para captar cómo se relacionan las personas con algo que les responde?
  • Quienes investigan suelen decir que el riesgo percibido y la confianza importan menos para la adopción de la IA de lo que se esperaba. Antes de seguir leyendo, ¿qué predice usted: que el estudiantado adopta la IA porque confía en ella, a pesar de los riesgos, o que esas preocupaciones son en realidad menores frente a la comodidad y la presión social?
  • La página sostiene que los marcos de adopción tratan el uso de una herramienta como una decisión única, pero que el uso eficaz puede ser un juicio continuo. ¿Dónde se difumina, en su propia práctica o en la de sus estudiantes, la línea entre «elegir usar IA» y «decidir continuamente cómo usarla bien», y qué cambiaría si midiéramos eso en lugar de la mera adopción?
  • Algunas investigaciones agrupan al estudiantado en distintas «personas de adopción» en lugar de suponer que un único modelo sirve para todos. ¿Qué diferencias observa entre sus estudiantes o colegas que un único modelo promedio de adopción podría ocultar, y cómo podrían esas diferencias moldear la forma de apoyarlos?

Introducción

Evidencia metaanalítica sobre la adopción de la IA. Un metaanálisis sobre la adopción de la IA por estudiantes de educación superior (233 correlaciones, 32 estudios, N = 16.977) encuentra correlaciones positivas moderadas para los factores individuales (r = 0,57), contextuales (r = 0,53) y tecnológicos (r = 0,50), con las intenciones de uso como el predictor más fuerte (r = 0,64) y los riesgos percibidos y la confianza más débiles de lo esperado. Su crítica central es que el campo depende en exceso de los marcos tradicionales TAM/UTAUT, anteriores a los sistemas inteligentes modernos, y descuida factores específicos de la IA como el antropomorfismo y la ética; sostiene que estas lagunas importan para avanzar en la teoría y en políticas basadas en evidencia.

La familia de modelos

Modelo de Aceptación de Tecnología (TAM)

Propuesto por Davis (1989), el TAM explica la adopción mediante dos creencias centrales —la utilidad percibida (PU) y la facilidad de uso percibida (PEOU)— que moldean la actitud (ATT) de quienes usan la tecnología, luego la intención conductual (BI) y por último el uso real. Anclado en la teoría de sistemas de información (adaptada de la Teoría de la Acción Razonada), el TAM se ha convertido en el marco dominante para la adopción de IA generativa en educación. En la investigación educativa sobre IA generativa se amplía con frecuencia con alfabetización en IA, confianza, influencia social, autodeterminación y uso crítico, para captar una complejidad de adopción que va más allá de la simple aceptación.

UTAUT / UTAUT2 / UTAUT3

La Teoría Unificada de Aceptación y Uso de la Tecnología consolida el TAM con ocho modelos previos en cuatro determinantes centrales —expectativa de rendimiento, expectativa de esfuerzo, influencia social y condiciones facilitadoras (con UTAUT2 añadiendo motivación hedónica, valor-precio y hábito, y UTAUT3 añadiendo innovación personal). La base de conocimiento aplica UTAUT en poblaciones docentes y estudiantiles: docentes de matemáticas de secundaria austriacos (UTAUT con 448 docentes), docentes de ciencias en formación de Ghana (UTAUT + TPB) y estudiantado de Lesoto (UTAUT3 + ARCS, con PLS-SEM y fsQCA). Jácome-Vásconez et al. amplían UTAUT2 con IA explicable (Random Forest, SHAP, NCA, IPMA, K-Means) para 522 estudiantes universitarios, y encuentran que el hábito es el predictor más fuerte de la intención de usar ChatGPT y que la expectativa de esfuerzo es una condición necesaria más que un impulsor lineal, un resultado que solo se ve cuando la IA explicable complementa la regresión.

Teoría de la Conducta Planificada (TPB)

La TPB explica la intención a través de la actitud, las normas subjetivas y el control conductual percibido. Se combina con frecuencia con TAM/UTAUT en los estudios sobre adopción de IA; por ejemplo, Rizun et al. integran TAM, TPB, UTAUT y el marco FATE (equidad, rendición de cuentas, transparencia y ética) para modelar los impulsores conductuales y éticos de la adopción de ChatGPT por parte del estudiantado.

Difusión de Innovaciones (DOI)

La teoría DOI de Rogers explica la adopción como un proceso social en el que las innovaciones se difunden entre poblaciones a lo largo del tiempo, y subraya los atributos de la innovación (ventaja relativa, compatibilidad, complejidad, posibilidad de prueba, observabilidad) y las categorías de adoptantes. Aparece en los análisis institucionales de la base de conocimiento; por ejemplo, Al-Rahmi et al. combinan el marco Tecnología–Organización–Entorno (TOE) con DOI para modelar la adopción organizativa de la IA en universidades saudíes.

Tecnología–Organización–Entorno (TOE)

El marco TOE plantea la adopción como algo moldeado por contextos tecnológicos, organizativos y ambientales, y complementa a TAM/UTAUT a nivel individual para estudiar la adopción institucional (véase Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education).

Aplicaciones en la base de conocimiento

Los modelos de adopción se aplican en toda la base de conocimiento para modelar la aceptación de herramientas de IA por parte del estudiantado y del profesorado:

  • Ampliación con el uso crítico: Nguyen et al. ampliaron el TAM con el uso crítico en estudiantado de ingeniería e informática, y encontraron que las actitudes y el uso crítico predicen directamente la intención, y que el uso crítico protege frente a la dependencia excesiva.

  • Modelo sociocognitivo unificado: Asag y Al Mamun integraron el TAM con UTAUT para estudiantado de ingeniería en Bangladés (explicando el 64% de la varianza de uso).

  • Perfiles centrados en la persona: en lugar de modelos centrados en variables, Saihi y Ahmed agrupan personas de adopción de IA generativa, y Chen et al. usan análisis de perfiles latentes para identificar cuatro perfiles de aceptación de ChatGPT entre docentes en formación, lo que muestra el avance del campo más allá de los relatos lineales de modelo único.

  • Validación transcultural: Martínez-Moreno et al. validan transculturalmente constructos motivacionales relacionados con la adopción en Suiza y China.

  • Correlatos psicológicos: Wu et al. parten del TAM para relacionar la motivación, la autoeficacia, la ansiedad y la percepción de riesgo con la aceptación del aprendizaje de inglés asistido por IA.

  • Crítica desde la competencia regulatoria: Kim sostiene que los modelos TAM centrados en la adopción tratan el uso como una decisión estable, mientras que el uso eficaz de la IA es un proceso continuo de juicio, revisión y adopción selectiva, lo que reformula la alfabetización en IA como competencia regulatoria y pensamiento crítico en lugar de aceptación.

  • Determinantes de la adopción de ChatGPT mediante aprendizaje automático: un enfoque exploratorio de aprendizaje automático examinó cómo se relacionan las percepciones y los datos demográficos del estudiantado con el uso académico previsto de ChatGPT, usando análisis SHAP para identificar constructos clave relacionados con el aprendizaje y priorizando el significado educativo por encima de maximizar el rendimiento algorítmico (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education).

  • La explicabilidad y la relevancia de dominio como palancas de aceptación para el profesorado: adaptando la teoría de la confianza en la automatización a la aceptación docente de las recomendaciones de IA, Feldman-Maggor et al. (2025) encontraron que la comprensibilidad (elevada por la IA explicable) correlacionaba positivamente tanto con la confianza como con la aceptación de una herramienta de agrupación con IA, y que las explicaciones orientadas al dominio en lenguaje curricular superaron a las basadas en la importancia de características de los datos en las tres medidas. La aceptación también venía impulsada por la alineación pedagógica y el potencial de reducción de carga de trabajo, factores situacionales que van más allá de la confianza y que los constructos estándar de TAM/UTAUT rara vez captan, lo que refuerza el argumento de ampliar los modelos de adopción con el contexto y la explicabilidad.

  • Aceptación medida al nivel de los materiales didácticos (2026). Wang, Chuang y Wu (2026) operacionalizaron la expectativa de rendimiento, la expectativa de esfuerzo, la diversión percibida y la intención conductual para dos guías de alfabetización en IA por franjas de edad usadas por 794 estudiantes de K-12 y 37 docentes, y validaron la estructura de cuatro factores con AFE y AFC sobre muestras divididas, además de respaldar la invariancia de medición entre las ediciones de 9-12 y 13-18 años. Quienes aprenden más jóvenes declararon niveles más altos en los cuatro constructos, y la diversión fue el correlato más fuerte de la intención en ambas cohortes, con un coeficiente estandarizado de diversión a intención superior a 1,00 en el grupo más joven y un HTMT de 0,950 entre los dos constructos. Los autores lo interpretan como solapamiento de constructos y posible supresión, y no como un efecto enorme, un recordatorio útil de que los instrumentos de aceptación aplicados a materiales pueden producir factores empíricamente entrelazados que complican la interpretación estructural.

Límites y ampliaciones

El enfoque cognitivo del TAM también capta deficientemente las dimensiones emocionales y relacionales del uso de la IA. Un estudio cualitativo con estudiantes y profesorado de enfermería encontró que, junto a los cuatro constructos clásicos del TAM, los participantes —principalmente estudiantes— describían la IA como una fuente de apoyo psicosocial: consuelo emocional durante el estrés y un espacio confidencial para la reflexión. Esto amplía la utilidad percibida más allá de las ganancias de rendimiento hasta el bienestar en la formación profesional de alta exigencia, y sugiere que los modelos de adopción deberían atender a factores afectivos y psicosociales, y no solo a la utilidad instrumental.

La percepción de autonomía y la aversión al riesgo como ampliaciones específicas de cada herramienta. Una encuesta de métodos mixtos con 287 docentes con experiencia en IA generativa de 27 países y regiones (Dai et al. (2026)) amplía el TAM en una dirección que la familia de modelos apenas ha tocado: la autonomía percibida de la propia herramienta. Añadiendo la autonomía artificial percibida (hasta qué punto el profesorado cree que la IA generativa puede llevar a cabo por sí sola una tarea didáctica asignada) y la aversión al riesgo a los constructos clásicos, su modelo estructural refinado explicó el 79,8% de la varianza de la intención conductual (χ²(97) = 202,597, CFI = 0,963, TLI = 0,954, RMSEA = 0,062, SRMR = 0,041), con la utilidad percibida de nuevo dominante (PU → BI β = 0,832, p < 0,001) y la facilidad de uso alimentando la utilidad (PEU → PU β = 0,479). Los resultados instructivos son los desvíos. La autonomía artificial no actuó directamente sobre la intención (β = 0,026, ns), sino a través de la utilidad (AA → PU β = 0,188, p < 0,001; indirecto AA → PU → BI = 0,156, IC del 95% [0,082, 0,240]): el profesorado que veía la IA generativa como más capaz la encontraba más útil, no más inmediatamente adoptable. La aversión al riesgo redujo la intención (RA → BI β = −0,163, p < 0,001) sin reducir la utilidad percibida (RA → PU ns), porque las preocupaciones del profesorado se centraban en el uso del estudiantado —trampas e integridad, debilitamiento del conocimiento fundamental y del pensamiento de orden superior, alucinaciones, reducción de la interacción humana y riesgos éticos, legales y de equidad— y no en el propio. La facilidad de uso no fue significativa en conjunto (PEU → BI β = 0,068), pero sí entre los 225 docentes que habían usado realmente la IA en la docencia (β = 0,138, p < 0,05), el patrón conocido de que el esfuerzo solo registra tras el encuentro real; la actitud tuvo que descartarse cuando su correlación con la intención (r = 0,929) incumplió la validez discriminante. El profesorado situó la IA generativa en niveles semiautónomos (130 en el nivel 2, «asistencia al docente»; 94 en el nivel 3, «automatización parcial»; uno en el nivel 6) e insistió en que las decisiones de adopción se tomaran caso por caso. El TAM sigue prediciendo bien la intención, pero para la IA dirigida al profesorado los constructos que mueven la aguja son específicos de la herramienta: lo autónoma que parece la herramienta y a quién se atribuye el riesgo. La etiqueta de «frenemy» (amigo-enemigo) que usan los autores —valorada como herramienta de apoyo, desconfiada como agente autónomo— es la contraparte docente de las ampliaciones orientadas al estudiantado catalogadas más arriba.

La percepción de riesgo como ampliación específica de cada dimensión. Una encuesta con 814 estudiantes universitarios chinos (Du, Ning, Shi y Chen (2026)) incorpora la Teoría de la Evaluación Cognitiva y la Teoría de la Motivación de Protección al TAM/UTAUT2 para preguntar no si el estudiantado adopta la IA generativa, sino qué obtiene de ella. El supuesto de la familia de modelos de que el riesgo suprime uniformemente la adopción no sobrevive: la percepción de riesgo se divide en dimensiones informativa, de seguridad, técnica, ética y legal, que mueven los beneficios en direcciones opuestas. El riesgo de seguridad —una amenaza que el estudiantado cree poder gestionar mediante prácticas de privacidad— se asoció positivamente con la asistencia académica percibida y el desarrollo de habilidades, en consonancia con el afrontamiento centrado en el problema, mientras que el riesgo informativo, que quien aprende no puede verificar fácilmente, erosionó el apoyo psicológico y emocional y los beneficios para la vida diaria y el ocio a través de la evitación. Los análisis de umbral mostraron además efectos que cambian de signo más allá de puntos de corte específicos de cada dimensión, y la experiencia de uso importó de forma independiente: el estudiantado con más de un año de uso de IA generativa declaró mayores beneficios en cuatro ámbitos. La implicación práctica para la investigación sobre aceptación es que el «riesgo percibido» es un constructo demasiado grueso para modelarlo: lo que determina si el estudiantado se implica o se retira es la controlabilidad, y no la mera presencia de riesgo.

Conceptos conectados

Artículos conectados

Metadatos

NivelHigher Ed
Público destinatarioLearners
Tecnologías y técnicasIA generativa, Modelos de adopción tecnológica
Métodos de investigación y evaluaciónMétodos de investigación en AIED
Fundamentos de la IA en la educaciónAlfabetización en IA
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.