Automatizar, personalizar y asistir desde una perspectiva crítica de gobernanza en entornos académicos
Por: Profesor Carlos Daniel Londoño Santamaría, PhDc.
Introducción
Hablar de inteligencia artificial en la educación y el trabajo implica examinar un conjunto de promesas que ya orientan decisiones institucionales, políticas públicas y estrategias empresariales. Con el propósito de aportar a una incorporación crítica de las TIC y la innovación en la educación, este artículo propone un análisis de cómo debe replantearse el uso de la inteligencia artificial en la academia. La automatización se presenta como una vía para liberar tiempo; la personalización, como una respuesta a la diversidad de necesidades; y la asistencia, como una ampliación de las capacidades humanas. Estas posibilidades son reales, pero no pueden evaluarse únicamente por su eficiencia. Cada sistema de inteligencia artificial incorpora criterios sobre lo que debe optimizarse, los datos que se consideran relevantes, las conductas que merecen atención y los errores que una organización está dispuesta a tolerar. Por ello, la discusión central no consiste solamente en determinar si la inteligencia artificial funciona, sino en establecer quién define sus propósitos, quién controla su operación y quién responde por sus consecuencias.
Esta perspectiva obliga a desplazar el análisis desde las prestaciones técnicas hacia la gobernanza. La gobernanza de la inteligencia artificial comprende las normas, responsabilidades, procedimientos e instancias mediante las cuales una organización decide si un sistema debe utilizarse, en qué condiciones puede operar, cómo se supervisa y qué mecanismos existen para impugnar sus resultados. El marco de gestión de riesgos del National Institute of Standards and Technology propone integrar estas cuestiones durante todo el ciclo de vida mediante funciones de gobierno, contextualización, medición y gestión del riesgo (Tabassi, 2023). De manera complementaria, la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura sostiene que el desarrollo y uso de estos sistemas debe someterse a mecanismos de diligencia debida, evaluación de impacto, trazabilidad, supervisión humana y protección de los derechos fundamentales (UNESCO, 2022).
Desde este enfoque, automatizar, personalizar y asistir no son operaciones neutrales. Son formas de distribuir capacidad de decisión entre personas, instituciones y proveedores tecnológicos. Una plataforma que asigna una calificación, identifica a un estudiante en riesgo o evalúa el rendimiento de un trabajador no se limita a procesar información. También interviene en trayectorias educativas y laborales, redefine la autoridad profesional y puede transformar una predicción probabilística en una decisión con efectos concretos. El problema de gobernanza aparece cuando esa intervención se normaliza sin que existan responsabilidades claras, capacidad institucional de auditoría o vías efectivas de reclamación.
Automatización y autoridad institucional
La automatización suele justificarse por su capacidad para reducir tareas repetitivas, agilizar procesos y mejorar la productividad. En determinados contextos puede disminuir la exposición a trabajos peligrosos, facilitar el procesamiento de información y apoyar decisiones que antes exigían una considerable inversión de tiempo. Sin embargo, sus efectos no dependen exclusivamente de la capacidad técnica del sistema. También dependen del modelo organizacional en el que se introduce, de las relaciones de poder existentes y del grado de participación que conservan las personas afectadas.
Nazareno y Schiff (2021) muestran que la exposición a tecnologías de automatización no produce beneficios uniformes en el bienestar de los trabajadores. Sus resultados señalan efectos adversos en algunas dimensiones de la salud y efectos ambiguos o negativos en la satisfacción laboral, especialmente cuando la transformación tecnológica se acompaña de pérdida de sentido, inseguridad o mayor control sobre la actividad laboral. En consecuencia, liberar a un estudiante o a un docente de una tarea no equivale necesariamente a ampliar su autonomía. La automatización puede eliminar actividades rutinarias y, al mismo tiempo, aumentar la intensidad del trabajo, fragmentar responsabilidades o someter el desempeño a métricas que los estudiantes no conocen ni pueden discutir.
La gestión algorítmica permite observar esta tensión con especial claridad. Una encuesta de la Organización para la Cooperación y el Desarrollo Económicos, aplicada a más de seis mil directivos intermedios de seis países, encontró una adopción amplia de herramientas destinadas a instruir, supervisar y evaluar trabajadores. Cerca de dos tercios de los directivos encuestados manifestaron al menos una preocupación relacionada con su confiabilidad, en particular por la falta de claridad sobre la responsabilidad, la dificultad para comprender la lógica de las recomendaciones y la protección insuficiente de la salud física y mental de los trabajadores (Milanez et al., 2025). Estos resultados indican que el riesgo no reside únicamente en la sustitución de puestos de trabajo. También reside en la transformación del poder cotidiano dentro de las organizaciones.
Cuando un sistema distribuye tareas, calcula productividad, analiza comunicaciones o recomienda promociones de estudiantes o ascensos en la planta docente, la dirección institucional puede presentar sus resultados como evidencia objetiva. Sin embargo, toda métrica expresa una decisión previa acerca de lo que cuenta como desempeño. Si esas decisiones se adoptan fuera del espacio institucional, se incorporan en un producto comercial y permanecen protegidas por opacidad contractual o técnica, las personas evaluadas pierden capacidad para contextualizar su trabajo. La automatización deja entonces de ser una herramienta subordinada a la organización y se convierte en una infraestructura de autoridad.
Una gobernanza adecuada debe impedir que la institución transfiera su responsabilidad al proveedor o al sistema. La decisión de promover, contratar, configurar y utilizar una herramienta algorítmica sigue siendo una decisión institucional. La organización debe justificar la necesidad del sistema, comparar alternativas menos invasivas, identificar los derechos que podrían afectarse y establecer responsables con autoridad real para suspender su uso. La supervisión humana no puede reducirse a la presencia formal de una persona que confirma automáticamente la recomendación. Requiere tiempo, información, competencia profesional y capacidad para apartarse del resultado sin recibir sanciones organizacionales.
En el ámbito laboral, este principio demanda participación de trabajadores y organizaciones sindicales antes de implementar sistemas de monitoreo o evaluación. La consulta posterior, realizada cuando la infraestructura ya fue adquirida y las prácticas se encuentran consolidadas, tiene un alcance limitado. La evidencia de la OCDE muestra que la consulta, las directrices internas y las auditorías se encuentran entre las medidas de gobernanza utilizadas por las empresas, aunque las opciones individuales para acceder a los datos, solicitar correcciones o excluirse siguen siendo poco frecuentes (Milanez et al., 2025). Una gobernanza democrática exige, por tanto, combinar participación colectiva, transparencia y mecanismos individuales de impugnación.
Automatización del juicio educativo
En educación, la automatización adquiere una gravedad particular porque interviene en procesos de formación, evaluación y selección. Los sistemas de corrección automática, detección de plagio, predicción de abandono y recomendación de trayectorias pueden reducir cargas administrativas. No obstante, también pueden modificar el significado de evaluar. La evaluación deja de ser un proceso interpretativo situado y puede convertirse en la aplicación de reglas estadísticas definidas por actores que desconocen la historia del estudiante, el contexto institucional y los propósitos formativos de la actividad.
La investigación sobre equidad algorítmica en aplicaciones educativas ha demostrado que el desempeño de los sistemas puede variar entre grupos y que la lengua materna de los evaluados puede influir en los resultados de la puntuación automatizada. Loukina et al. (2019) advierten, además, que las distintas definiciones de equidad pueden conducir a soluciones incompatibles, lo que impide tratar la justicia como una propiedad puramente técnica. Esta observación tiene una consecuencia institucional decisiva: ningún proveedor puede resolver por sí solo qué significa una evaluación justa. Esa definición pertenece al campo pedagógico, ético y político, y debe construirse con participación de docentes, estudiantes y comunidades académicas.
La OCDE reconoce que la transformación digital de la educación exige ecosistemas institucionales capaces de orientar la tecnología hacia objetivos educativos, en lugar de limitarse a incorporar herramientas disponibles en el mercado (OECD, 2023). La UNESCO añade que los sistemas utilizados para supervisar, evaluar capacidades o predecir comportamientos estudiantiles deben sujetarse a requisitos estrictos y que la inteligencia artificial debe apoyar el aprendizaje sin disminuir capacidades cognitivas ni explotar los datos producidos por los estudiantes (UNESCO, 2022). Estas orientaciones cuestionan la idea de que la eficiencia administrativa sea suficiente para justificar la automatización de decisiones educativas.
Antes de adoptar un sistema de alto impacto, una institución educativa debe realizar una evaluación previa que incluya, como mínimo, su pertinencia pedagógica, los grupos afectados, la procedencia y representatividad de los datos, los posibles errores, los sesgos diferenciales y los mecanismos de reparación. También debe determinar qué decisiones no pueden delegarse. La promoción académica, la admisión, la permanencia, la asignación de apoyos y la imposición de sanciones tienen consecuencias suficientemente relevantes como para exigir una intervención humana sustantiva y una motivación comprensible.
El Reglamento de Inteligencia Artificial de la Unión Europea ofrece una referencia importante al clasificar como de alto riesgo diversos usos en educación y empleo, entre ellos aquellos relacionados con admisión, evaluación del aprendizaje, selección de personal, asignación de tareas y supervisión del desempeño. Este enfoque vincula el nivel de obligación con la magnitud del daño posible y exige medidas de gestión de riesgos, documentación, trazabilidad, calidad de datos, supervisión humana y monitoreo (Parlamento Europeo y Consejo de la Unión Europea, 2024). Aunque este régimen no sea directamente aplicable a todas las instituciones latinoamericanas, su lógica permite formular una pregunta necesaria: cuanto más intensa sea la capacidad de un sistema para afectar derechos y oportunidades, mayor debe ser la carga de justificación, control y rendición de cuentas.
Personalización y clasificación
La personalización se presenta como una respuesta a la rigidez de los modelos educativos y laborales masivos. En educación puede adaptar secuencias, ritmos y retroalimentación; en el trabajo puede recomendar formación, asignar tareas o identificar trayectorias profesionales. La literatura reconoce que los sistemas adaptativos pueden apoyar la organización del aprendizaje y ofrecer intervenciones oportunas, aunque sus beneficios dependen del diseño pedagógico, de la calidad de los datos y de las condiciones institucionales de uso (Vorobyeva et al., 2025).
El problema comienza cuando personalizar se confunde con conocer integralmente a una persona. Un sistema no accede a la singularidad del estudiante o del trabajador, sino a una representación construida mediante registros de interacción, antecedentes, evaluaciones y patrones de comportamiento. Esa representación es necesariamente parcial. Aun así, puede adquirir autoridad institucional cuando se utiliza para determinar quién necesita vigilancia, quién merece una oportunidad o quién se ajusta a un perfil esperado.
Le (2021) explica que los sistemas automatizados pueden reproducir desigualdades aun cuando no utilicen de manera directa categorías protegidas. Variables aparentemente neutrales, como el código postal, el historial de interacción o determinadas trayectorias institucionales, pueden funcionar como aproximaciones de condiciones raciales, económicas o sociales. El sesgo no surge únicamente de datos defectuosos. También puede originarse en el objetivo que se optimiza, en la selección de variables, en la definición de éxito y en la decisión de intervenir sobre algunos grupos con mayor intensidad que sobre otros.
Un sistema de alerta temprana ilustra este problema. Identificar estudiantes con dificultades puede facilitar apoyos oportunos, pero la misma clasificación puede producir estigmatización, vigilancia selectiva o reducción de expectativas. Si el sistema predice abandono a partir de datos históricos, puede tratar como riesgo individual lo que en realidad expresa precariedad económica, desigualdad territorial, discriminación o insuficiencia institucional. La predicción desplaza entonces la atención desde las condiciones estructurales hacia la conducta del estudiante. El resultado puede ser una política que administra la desigualdad en lugar de transformarla.
La gobernanza de la personalización debe comenzar por limitar la recopilación de datos y justificar su necesidad. No todo dato disponible debe utilizarse, y no toda mejora marginal en precisión justifica una mayor intrusión. También se requieren auditorías desagregadas, revisión periódica de variables proxy, documentación sobre los criterios de clasificación y evaluación de impactos acumulativos. Una herramienta puede mostrar un desempeño promedio aceptable y, sin embargo, perjudicar de manera sistemática a un grupo pequeño. La evaluación agregada puede ocultar precisamente a quienes necesitan mayor protección.
Además, toda persona afectada debe conocer que intervino un sistema automatizado, comprender los factores principales que influyeron en el resultado y disponer de una vía accesible para solicitar revisión. La explicación no debe consistir en una descripción técnica del modelo, sino en información útil para comprender y controvertir la decisión. La posibilidad de impugnar no es un complemento opcional de la personalización. Es una condición de legitimidad cuando la clasificación afecta oportunidades educativas o laborales.
Asistencia y dependencia institucional
La asistencia mediante inteligencia artificial se integra con facilidad en tareas de escritura, programación, búsqueda, análisis de datos y producción de materiales. Su valor práctico es evidente: puede ampliar el acceso a conocimientos, reducir barreras iniciales y facilitar procesos de revisión. Sin embargo, su impacto no depende solo de la frecuencia de uso, sino de la posición que ocupa dentro del proceso cognitivo. Una herramienta que ayuda a revisar un razonamiento previamente elaborado cumple una función diferente de aquella que produce la primera interpretación y delimita desde el comienzo las opciones disponibles.
Gerlich (2025) encontró una relación negativa entre la externalización cognitiva y el desempeño en pensamiento crítico, además de asociaciones entre el uso frecuente de herramientas de inteligencia artificial y una mayor delegación de procesos cognitivos. En educación superior camerunesa, Moluayonge (2025) encontró que la descarga cognitiva mediaba parcialmente la relación entre uso de inteligencia artificial y pensamiento crítico. Estos estudios no permiten concluir que toda asistencia tecnológica debilita necesariamente el razonamiento, pero sí justifican una preocupación pedagógica: cuando una institución normaliza el uso de asistentes sin diseñar mediaciones, puede promover resultados inmediatos a costa de disminuir las oportunidades para practicar procesos intelectuales complejos.
La cuestión no se limita al comportamiento individual. Las instituciones también externalizan capacidades. Una universidad que depende de una plataforma para producir materiales, evaluar textos o gestionar información puede perder progresivamente conocimientos internos para realizar esas tareas, valorar su calidad o identificar fallos. Del mismo modo, una empresa que incorpora asistentes en procesos decisorios puede alcanzar mayor velocidad mientras reduce su capacidad para actuar cuando el servicio cambia, falla o deja de estar disponible. La dependencia tecnológica es, por tanto, un problema de gobernanza y no solamente una cuestión de competencia digital.
Esta dependencia se profundiza cuando los proveedores controlan modelos, datos, actualizaciones y condiciones de servicio. Las instituciones pueden ignorar qué información se conserva, cómo se modifica el sistema o qué efectos produce una actualización sobre decisiones previamente diseñadas. En estas condiciones, la contratación tecnológica se convierte en una forma de delegación institucional. Una política responsable de compras debe exigir documentación técnica suficiente, condiciones de protección de datos, derechos de auditoría, notificación de cambios, portabilidad de información, continuidad del servicio y procedimientos de terminación contractual.
La asistencia responsable también exige preservar espacios de trabajo sin automatización. En educación, algunas actividades deben permitir observar cómo argumenta el estudiante, cómo selecciona evidencia y cómo revisa sus propios errores. En el trabajo profesional, ciertas decisiones requieren deliberación colegiada, conocimiento contextual y responsabilidad personal. El propósito no es defender una autonomía humana aislada de la tecnología, sino evitar que las instituciones pierdan la capacidad de comprender, cuestionar y corregir los sistemas de los que dependen.
Gobernanza y responsabilidad
Las tres promesas comparten una misma tensión. La automatización puede liberar tiempo, pero también centralizar el control. La personalización puede ofrecer apoyos diferenciados, pero también convertir desigualdades históricas en perfiles de riesgo. La asistencia puede ampliar capacidades, pero también debilitar el juicio cuando sustituye de manera sistemática los procesos que deberían formarlo. Ninguno de estos efectos es inevitable. Sin embargo, evitarlos requiere instituciones capaces de gobernar la tecnología y no solo de adquirirla.
La gobernanza comienza antes de la contratación. Toda adopción significativa debe responder a una necesidad claramente definida y compararse con alternativas no algorítmicas. La institución debe establecer el propósito legítimo del sistema, los beneficios esperados, los derechos potencialmente afectados y los riesgos que considera inadmisibles. El marco del NIST señala que, cuando existen daños graves o niveles de riesgo inaceptables, el desarrollo o despliegue debe detenerse hasta que los riesgos puedan gestionarse adecuadamente (Tabassi, 2023). Esta posibilidad de no adoptar, suspender o retirar un sistema distingue una gobernanza efectiva de una declaración general de principios.
Durante el despliegue se necesitan responsabilidades nominales, documentación, monitoreo y revisión independiente. Deben diferenciarse las funciones de quienes promueven la herramienta, quienes la operan y quienes evalúan su desempeño. Cuando el mismo equipo define el éxito, configura el sistema y certifica sus resultados, aumenta el riesgo de que los problemas se normalicen. La auditoría debe incluir no solo precisión técnica, sino también efectos distributivos, cambios en las prácticas profesionales, reclamaciones recibidas y consecuencias no previstas.
La participación de las personas afectadas debe tener capacidad de modificar decisiones. Informar a docentes, estudiantes o trabajadores después de implementar una herramienta no constituye una participación sustantiva. La deliberación debe producirse desde la definición del problema y continuar durante el monitoreo. Esto resulta especialmente importante porque quienes experimentan los efectos cotidianos de un sistema suelen identificar daños que no aparecen en los indicadores técnicos.
La rendición de cuentas requiere, además, mecanismos de reparación. Una persona perjudicada por una clasificación incorrecta necesita una respuesta oportuna, revisión humana competente y corrección de los datos o decisiones. La institución debe registrar incidentes, analizar sus causas y evitar que se repitan. Si el error se atribuye siempre al usuario, al proveedor o a la complejidad del modelo, la responsabilidad se diluye hasta desaparecer.
El desafío colombiano
Colombia cuenta con un marco de política pública que reconoce la gobernanza y la ética como componentes centrales del desarrollo de la inteligencia artificial. El Documento CONPES 4144 plantea seis ejes estratégicos, entre ellos el fortalecimiento de la gobernanza, la verificación de principios éticos, el desarrollo de capacidades, la mitigación de riesgos y el monitoreo de posibles efectos sobre el trabajo, la privacidad y la equidad (Departamento Nacional de Planeación, 2025). Este avance es relevante porque supera una visión centrada únicamente en infraestructura, innovación y adopción.
No obstante, el desafío principal consiste en traducir los principios en obligaciones institucionales verificables. La ética pierde capacidad transformadora cuando se reduce a declaraciones generales de uso responsable. En educación superior y en el trabajo se necesitan procedimientos concretos para evaluar impacto, revisar contratos, documentar decisiones, consultar a las comunidades, auditar resultados y reparar daños. También se requieren capacidades públicas e institucionales para examinar sistemas desarrollados por terceros, pues la dependencia de la documentación proporcionada por el proveedor limita la autonomía regulatoria.
La política nacional reconoce insuficiencias en los mecanismos de gobernanza y en las capacidades para verificar la aplicación de principios éticos. También identifica riesgos de desplazamiento laboral, afectaciones a la privacidad, desigualdad y daños físicos o mentales asociados con los sistemas de inteligencia artificial (Departamento Nacional de Planeación, 2025). Estas advertencias deben orientar prioridades presupuestales y regulatorias. No basta con promover el uso responsable si las instituciones carecen de personal especializado, acceso a documentación, facultades de auditoría y recursos para ejercer supervisión.
En el contexto educativo, una agenda crítica de gobernanza debe proteger la autonomía docente sin convertirla en responsabilidad individual por fallas estructurales. Corresponde a las instituciones definir usos permitidos y restringidos, establecer criterios de adquisición, ofrecer formación, asegurar canales de reporte y asumir las consecuencias de las herramientas que autorizan. Del mismo modo, la alfabetización en inteligencia artificial no debe limitarse a aprender a utilizar asistentes. Debe incluir comprensión de sus límites, análisis de datos, sesgos, intereses comerciales, derechos de las personas y formas de impugnación.
En este contexto, las instituciones de educación superior están llamadas a avanzar en lineamientos, protocolos y criterios propios para el uso de la inteligencia artificial, y a compartir sus aprendizajes con otras instituciones del sector.
Un contrato sociotécnico exigible
La respuesta a las promesas de la inteligencia artificial no puede ser una aceptación entusiasta ni un rechazo general. Se necesita un contrato sociotécnico que vincule innovación con obligaciones exigibles. Este contrato debe reconocer que las decisiones técnicas producen efectos políticos y que la responsabilidad no desaparece cuando una recomendación proviene de un sistema automatizado.
En la automatización, el criterio principal debe ser la ampliación de la capacidad humana y no solo la reducción de costos. Esto exige evaluar sus efectos sobre autonomía, carga laboral, salud, calidad del empleo y sentido del trabajo. En educación, requiere proteger el carácter formativo de la evaluación y reservar las decisiones de mayor impacto para procesos con deliberación humana sustantiva.
En la personalización, la prioridad debe ser la justicia. Los sistemas deben utilizar únicamente los datos necesarios, demostrar un desempeño adecuado entre grupos, documentar sus límites y permitir que toda clasificación sea revisada. Las instituciones deben evitar que una predicción se convierta en destino y que los perfiles históricos restrinjan las oportunidades futuras.
En la asistencia, el diseño debe fortalecer capacidades. La inteligencia artificial puede apoyar la revisión, el contraste y la exploración, pero no debería ocupar de manera automática el lugar del primer razonamiento. Las actividades formativas y profesionales deben conservar momentos de elaboración propia, justificación y discusión. La eficiencia inmediata no puede ser el único indicador de éxito cuando están en juego la autonomía intelectual y la formación del criterio.
En las tres dimensiones, la gobernanza debe hacer visible la cadena de responsabilidad. Quien autoriza un sistema debe justificarlo; quien lo provee debe documentarlo; quien lo opera debe comprender sus límites; quien audita debe contar con independencia; y quien resulta afectado debe poder conocer, cuestionar y obtener reparación. Solo bajo estas condiciones las promesas de automatizar, personalizar y asistir pueden dejar de funcionar como argumentos de marketing y convertirse en compromisos institucionales evaluables.
El futuro de la inteligencia artificial en la educación y el trabajo no dependerá únicamente de modelos más precisos. Dependerá de la capacidad de construir instituciones que preserven el juicio, distribuyan el poder de manera legítima y respondan por los daños que sus decisiones tecnológicas puedan producir. La pregunta decisiva no es cuánto puede hacer la inteligencia artificial, sino cuánto control democrático están dispuestas a conservar las sociedades sobre las infraestructuras que organizan el aprendizaje, el trabajo y las oportunidades.
Las opiniones expresadas en este artículo son responsabilidad del autor y no representan necesariamente la posición institucional de UniCIEO.
Referencias
- Departamento Nacional de Planeación. (2025, 14 de febrero). Política nacional de inteligencia artificial (Documento CONPES 4144). https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3%B3micos/4144.pdf
- Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), Artículo 6. https://doi.org/10.3390/soc15010006
- Le, V. (2021). Algorithmic bias explained: How automated decision-making becomes automated discrimination. The Greenlining Institute. https://greenlining.org/publications/algorithmic-bias-explained/
- Loukina, A., Madnani, N., y Zechner, K. (2019). The many dimensions of algorithmic fairness in educational applications. En H. Yannakoudakis, E. Kochmar, C. Leacock, N. Madnani, I. Pilán y T. Zesch (Eds.), Proceedings of the Fourteenth Workshop on Innovative Use of NLP for Building Educational Applications (pp. 1–10). Association for Computational Linguistics. https://doi.org/10.18653/v1/W19-4401
- Milanez, A., Lemmens, A., y Ruggiu, C. (2025). Algorithmic management in the workplace: New evidence from an OECD employer survey (OECD Artificial Intelligence Papers, No. 31). OECD Publishing. https://oecd.ai/en/ai-publications/algorithmic-management-in-the-workplace
- Moluayonge, G. E. (2025). Cognitive offload as a mediator of AI usage and critical thinking development in Cameroonian higher education learners. [Pendiente: el autor debe completar revista, volumen, páginas y DOI antes de publicar.]
- Nazareno, L., y Schiff, D. S. (2021). The impact of automation and artificial intelligence on worker well-being. Technology in Society, 67, Artículo 101679. https://doi.org/10.1016/j.techsoc.2021.101679
- OECD. (2023). OECD Digital Education Outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en
- Parlamento Europeo y Consejo de la Unión Europea. (2024). Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial (Reglamento de Inteligencia Artificial). Diario Oficial de la Unión Europea, L 2024/1689. http://data.europa.eu/eli/reg/2024/1689/oj
- Tabassi, E. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1
- UNESCO. (2022). Recomendación sobre la ética de la inteligencia artificial. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000381137_spa
- Vorobyeva, K. I., Belous, S., Savchenko, N. V., Smirnova, L. M., Nikitina, S. A., y Zhdanov, S. P. (2025). Personalized learning through AI: Pedagogical approaches and critical insights. Contemporary Educational Technology, 17(2), ep574. https://doi.org/10.30935/cedtech/16108
