Sophia 41: 2026.

https://doi.org/10.17163/soph.n41.2026.05

la Paradoja de la heutagogía y la inteligenCia artifiCial

The Paradox of Heutagogy and Artificial Intelligence

L A T L*

Universidad Pontificia Bolivariana, Medellín, Colombia

https://ror.org/02dxm8k93

luis.triana@upb.edu.co

https://orcid.org/0000-0003-4367-2977

Forma sugerida de citar: Triana Llano, Luis Alberto. (2026). La paradoja de la heutagogía y la inteligencia

artiﬁcial. Sophia, Colección de Filosofía de la Educación, (41), pp. 179-216.

Resumen

El estudio recapitulativo acá presentado examina la intersección entre el uso de inteligencia artiﬁcial (IA) y

la heutagogía, entendida como aprendizaje autodeterminado. Esta combinación puede devenir en la paradoja de

la autonomía frente a la dependencia. El análisis se justiﬁca en tanto la irrupción y el uso exponencial de la IA

en entornos educativos plantean la necesidad urgente de explorar cómo su integración transforma los procesos

de aprendizaje y los modos en que el sujeto construye su subjetividad cognitiva. El problema central reside en

la coexistencia entre el potencial emancipador de la IA en clave heutagógica y el riesgo de una nueva forma de

sujeción tecnológica que limite la autonomía cognitiva del estudiante. Se deﬁende que la IA no es, en sí misma, ni

emancipadora ni alienante: su impacto educativo depende de los marcos pedagógicos, éticos y epistemológicos

desde los cuales se integre. Se empleó una metodología cualitativa interpretativa que combina revisión sistemática

de literatura especializada con análisis de casos, usando matrices de análisis conceptual y rúbricas evaluativas.

Las conclusiones indican que la combinación de heutagogía e IA (denominada “heutagogIA”) promete

experiencias educativas innovadoras y emancipadoras; no obstante, exige diseñar sistemas que promuevan un

aprendizaje crítico y reﬂexivo, asegurando que los estudiantes desarrollen habilidades para cuestionar y analizar

la información recibida, condición fundamental para una educación verdaderamente emancipadora.

Palabras clave

Autoaprendizaje, autonomía educativa, ﬁlosofía de la educación, heutagogía, inteligencia artiﬁcial,

pensamiento crítico.

* Doctorando en Filosofía por la Universidad Pontiﬁcia Bolivariana (Medellín, Colombia), más-

ter en Filosofía para los Retos Contemporáneos por la Universitat Oberta de Catalunya (Espa-

ña), ﬁlósofo por la Universidad Nacional Abierta y a Distancia (UNAD, Colombia), ingenie-

ro en Seguridad e Higiene Ocupacional por el Politécnico Colombiano Jaime Isaza Cadavid

(PCJIC, Colombia) y estudiante de Derecho (UNAD). Sus líneas de investigación están relacio-

nadas con la educación en contextos de encierro, la ﬁlosofía, la ética y la gestión del riesgo.

Google Académico: https://scholar.google.es/citations?user=PezDolUAAAAJ&hl=es

Índice h: 2.

180

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

Abstract

is recapitulative study examines the intersection between the use of Artiﬁcial Intelligence

(AI) and heutagogy, understood as self-determined learning. is combination may give rise to

the paradox of autonomy versus dependence. e analysis is justiﬁed insofar as the emergence

and exponential use of AI in educational environments raise the urgent need to explore how its

integration transforms learning processes and the ways in which subjects construct their cognitive

subjectivity. e central problem lies in the coexistence between the emancipatory potential of AI

in a heutagogical key and the risk of a new form of technological subjection that limits the student’s

cognitive autonomy. e thesis defended is that AI is not, in itself, either emancipatory or alienating:

its educational impact depends on the pedagogical, ethical, and epistemological frameworks from

which it is integrated. A qualitative interpretive methodology was used, combining a systematic

review of specialised literature with case analysis, employing conceptual analysis matrices and

evaluative rubrics as instruments. e conclusions indicate that the combination of heutagogy and

AI (referred to here as heutagogAI) promises innovative and emancipatory educational experiences;

however, it requires designing systems that promote critical and reﬂective learning, ensuring that

students develop skills to question and analyse the information received, a fundamental condition

for a truly emancipatory education.

Keywords

Artiﬁcial Intelligence, Critical inking, Educational Autonomy, Educational Philosophy,

Heutagogy, Self-instruction.

Introducción

Las Ciencias de lo Articial no aspiran solo a comprender y explicar

fenómenos (en este caso, educativos), sino que buscan mejorar las cosas

al añadir nuevas posibilidades (Alonso Rodríguez, 2021, p. 132).

La educación contemporánea enfrenta quizás el mayor de sus desafíos

históricos: asistimos a una revolución educativa sin precedentes, impul-

sada de manera particular por la incursión y la rápida evolución de la

inteligencia artiﬁcial (IA), evolución que a partir de los últimos dos años

se ha potencializado con la irrupción de modelos de IA de aprendizaje

automático para procesar y generar texto de manera coherente, contex-

tual y con lenguaje natural tipo ChatGPT, Perplexity, CoPilot, Gemini,

entre otros que se han integrado rápidamente en el proceso de enseñan-

za-aprendizaje (Caldeiro et al., 2024; García Peñalvo, 2024; García Peñal-

vo et al., 2024; Peñalver Higuera et al., 2024). Esta integración no es un

fenómeno marginal ni prospectivo: es una realidad presente que interpela

a docentes, estudiantes, instituciones y ﬁlósofos de la educación por igual.

En este contexto, bajo los fundamentos de Knowles (1970) se apli-

ca la “heutagogía” como aprendizaje autodeterminado, en este proceso el

estudiante asume un rol activo en la planiﬁcación, dirección, ejecución y

evaluación de su propio proceso educativo. La heutagogía promueve la

autonomía del sujeto-estudiante en contraste con enfoques pedagógicos

181

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

tradicionales en los que el docente es el principal mediador. Sin embar-

go, la irrupción de la IA en este esquema introduce una tensión que no

puede ignorarse: si el estudiante heutagógico se apoya de manera cre-

ciente en sistemas algorítmicos para tomar decisiones sobre qué y cómo

aprender, ¿sigue siendo verdaderamente autónomo o transﬁere esa auto-

nomía hacia una lógica computacional opaca que él mismo no controla

ni comprende? De esta tensión emerge el problema central que orienta la

presente investigación: la coexistencia entre el potencial emancipador de

la IA en clave heutagógica y el riesgo de una nueva forma de sujeción tec-

nológica que limite la autonomía cognitiva del estudiante. En particular,

se problematiza si el uso creciente de sistemas de IA en educación favo-

rece efectivamente el aprendizaje autodeterminado, o si, por el contrario,

desplaza la toma de decisiones del sujeto hacia lógicas algorítmicas opa-

cas que condicionan el pensamiento, la creatividad y la reﬂexión crítica.

Esta pregunta no es retórica: implica consecuencias pedagógicas, éticas

y políticas de primer orden para el diseño de los sistemas educativos del

siglo XXI.

La investigación sostiene como tesis central que la IA no es, en

sí misma, ni emancipadora ni alienante, sino que su impacto educativo

depende de los marcos pedagógicos, éticos y epistemológicos desde los

cuales se integre. En este sentido, se deﬁende que, bajo un enfoque heuta-

gógico crítico-reﬂexivo, la IA puede conﬁgurarse como una herramienta

para potenciar la autodeterminación del aprendizaje, siempre que se di-

señen experiencias educativas orientadas al desarrollo del pensamiento

crítico, la conciencia ética y la capacidad del estudiante para cuestionar

tanto los contenidos como los propios sistemas algorítmicos que median

su aprendizaje. Esta postura evita tanto el entusiasmo acrítico hacia la tec-

nología como el rechazo reactivo, y apuesta por una apropiación reﬂexiva

y políticamente consciente de la IA en la educación.

La importancia y actualidad de este estudio resultan indiscutibles.

Desde 2022, con la masiﬁcación de los modelos de lenguaje generati-

vo, la discusión sobre la IA en educación ha dejado de ser prospectiva

para volverse urgente e inmediata. Organismos internacionales como

la UNESCO (2022) y el Parlamento Europeo (2024) han comenzado a

establecer marcos normativos y éticos para regular el uso de estas tec-

nologías, reconociendo explícitamente que su incorporación sin criterios

pedagógicos claros puede profundizar desigualdades, perpetuar sesgos y

erosionar la autonomía intelectual de las personas. En América Latina,

donde las brechas digitales y educativas son históricamente pronuncia-

das, este debate adquiere una dimensión adicional de justicia cognitiva y

182

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

equidad social. Analizar esta transformación desde la heutagogía resulta

especialmente pertinente, pues permite interrogar críticamente los dis-

cursos de innovación educativa y colocar en el centro la autonomía del

sujeto aprendiz frente a los riesgos de dependencia, homogeneización y

sujeción algorítmica.

El objetivo principal de este estudio es analizar críticamente la in-

tersección entre la heutagogía y la IA para determinar las condiciones bajo

las cuales esta última puede promover genuinamente el aprendizaje auto-

determinado en lugar de crear nuevas formas de dependencia tecnológica.

La reﬂexión se organiza en ocho apartados que avanzan de manera progre-

siva desde los fundamentos conceptuales hasta las propuestas concretas.

El primero describe la metodología cualitativa interpretativa em-

pleada. El segundo establece el marco teórico que articula autonomía, tec-

nología y aprendizaje autodeterminado como ejes analíticos del estudio.

A partir del tercer apartado, el análisis se despliega en profundidad: se

examina la heutagogía y su relevancia de cara a la IA, identiﬁcando las

tensiones que emergen cuando el aprendizaje autodeterminado se media

por sistemas algorítmicos; a continuación, se caracteriza la inteligencia

artiﬁcial como campo disciplinar y se analizan sus aplicaciones en con-

textos educativos. Estos dos apartados convergen en el quinto, dedicado

a la heutagogIA como neologismo y propuesta pedagógica que nombra

esa intersección.

Los tres apartados siguientes avanzan hacia la dimensión crítica y

propositiva: se exploran las formas de resistencia a la sujeción algorítmi-

ca bajo el título Liberarse de la AlgoritmIA; se articula una propuesta de

educación emancipadora heutagógica que sitúa la autonomía del sujeto

en el centro; y se formula un decálogo orientador para la implementación

de la heutagogIA con criterios éticos, inclusivos y reﬂexivos. El recorrido

ﬁnaliza con las conclusiones, en las que se da cuenta del objetivo, el pro-

blema de investigación, las diﬁcultades encontradas y las proyecciones

para futuras investigaciones.

Metodología

La investigación adopta un enfoque cualitativo interpretativo, orien-

tado a comprender los procesos, signiﬁcados e implicaciones asociados al

uso de la IA en contextos educativos, bajo la perspectiva heutagógica. Este

enfoque resulta apropiado dado que el objeto de estudio no admite cuan-

tiﬁcación directa: se trata de explorar relaciones conceptuales, tensiones

183

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

epistemológicas e implicaciones éticas que requieren análisis comprensivo

e interpretación fundamentada en marcos teóricos explícitos.

Las estrategias y técnicas de investigación combinaron la revisión

sistemática de literatura especializada con especial atención al análisis de

casos de uso de la IA en entornos educativos. La revisión documental se

realizó de manera comparativa, permitiendo identiﬁcar tendencias, vacíos

y aportes relevantes en la intersección entre IA y heutagogía, con particu-

lar atención a publicaciones de los últimos cinco años que reﬂejan la irrup-

ción de los modelos de lenguaje generativo en los contextos formativos.

El procedimiento de investigación se estructuró en tres fases se-

cuenciales. En la primera se realizó una revisión bibliográﬁca exhausti-

va para establecer el estado del arte y delimitar los principales debates y

perspectivas teóricas en torno a la heutagogía, la IA en educación y las

implicaciones éticas y políticas de los sistemas algorítmicos. En la segun-

da fase se identiﬁcaron y analizaron casos representativos de aplicación

de IA en educación que incorporan elementos heutagógicos, centrando el

análisis en los procesos de aprendizaje, la interacción humano-máquina

y las posibilidades de emancipación o sujeción tecnológica. En la tercera

fase se elaboró un marco conceptual integrador a partir de los hallazgos

de las fases anteriores, culminando en la formulación de un decálogo de

recomendaciones para el diseño de experiencias educativas críticas, re-

ﬂexivas y emancipadoras mediadas por IA.

Los instrumentos de recolección y análisis de datos incluyeron, en

primer lugar, matrices de análisis conceptual, diseñadas para sistematizar

y categorizar la literatura revisada a partir de cuatro dimensiones:

• Concepción del sujeto aprendiente.

• Rol asignado a la tecnología en el proceso educativo.

• Tensiones entre autonomía y dependencia identiﬁcadas en los

estudios.

• Propuestas o ausencias de enfoque emancipador.

Estas matrices permitieron comparar perspectivas provenientes de

tradiciones disciplinares distintas: pedagogía, ﬁlosofía de la educación,

ciencias de la computación y ética de la tecnología, para identiﬁcar con-

vergencias y divergencias sustantivas.

En segundo lugar, se emplearon rúbricas evaluativas para el aná-

lisis de los casos de implementación de IA en educación, organizadas en

torno a criterios como: grado de agencia del estudiante en el proceso,

transparencia del sistema algorítmico empleado, presencia o ausencia

de instancias de reﬂexión crítica sobre la herramienta, y alineación con

184

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

principios de equidad e inclusión. Estas rúbricas permitieron evaluar los

casos no solo desde su eﬁcacia instrumental, sino desde su coherencia

con los valores de una educación emancipadora.

Autonomía, tecnología y aprendizaje autodeterminado

La presente investigación se apoya en un marco teórico que articula tres

ejes conceptuales fundamentales: la autonomía del sujeto en el aprendiza-

je, la mediación tecnológica y la dimensión crítica de la educación. Estos

tres ejes no son independientes entre sí: se articulan de manera dialéctica,

generando tensiones productivas que constituyen el núcleo ﬁlosóﬁco del

problema investigado.

La autonomía del sujeto en el aprendizaje

El primer eje conceptual se construye sobre las tradiciones de la pedago-

gía crítica y la andragogía. Knowles (1970) identiﬁcó en el adulto apren-

diente una capacidad de autodirección que la educación tradicional tien-

de a suprimir en lugar de potenciar, argumento que sentó las bases para

repensar el rol del docente como autoridad epistémica y del estudiante

como receptor pasivo. Desde esta base, Hase y Kenyon (2001) formularon

la heutagogía como una superación del modelo andragógico: si en la an-

dragogía el docente facilita el aprendizaje del adulto dentro de un marco

curricular previamente deﬁnido, en la heutagogía el sujeto asume de ma-

nera plena la planiﬁcación, el diseño, el desarrollo y la evaluación de su

propio proceso formativo. Esta distinción no es meramente instrumen-

tal, sino epistemológica: supone una concepción del aprendiente como

agente capaz de deﬁnir sus propias preguntas, seleccionar sus propios

métodos y evaluar sus propios resultados, sin depender de un currículo

preestablecido ni de la mediación del docente.

Esta concepción resuena con la propuesta de Jacques Rancière

(1996) en El maestro ignorante, donde la emancipación intelectual no

proviene de la instrucción del maestro, sino del reconocimiento de la

igualdad de las inteligencias. Para Rancière, quien aprende no necesita

de un maestro que le transmita el saber: necesita de alguien que le exija

que use su propia inteligencia. El “maestro ignorante” no instruye porque

no sabe, interpela porque confía en la capacidad del otro. Esta arquitec-

tura relacional del aprendizaje resulta ﬁlosóﬁcamente fértil cuando se

introduce la IA en el escenario heutagógico: un sistema de IA no “sabe”

en el sentido pleno del término (no comprende, no tiene conciencia, no

185

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

experimenta el mundo), sin embargo, puede facilitar procesos de apren-

dizaje genuinos en quienes interactúan con él. En este sentido, la IA po-

dría funcionar como una suerte de “maestro ignorante” tecnológico: un

dispositivo que no posee el saber que aparentemente transmite, pero que

puede interpelar al estudiante de maneras que activen su propia inteli-

gencia crítica. El riesgo, sin embargo, es que esta analogía encubra una

diferencia fundamental: mientras el maestro ignorante rancièriano res-

peta y estimula la emancipación intelectual del estudiante, un sistema de

IA mal diseñado puede producir exactamente el efecto contrario, homo-

geneizando respuestas, desalentando la pregunta genuina y reforzando la

dependencia cognitiva.

Blaschke y Marín (2020) han precisado que la heutagogía no equi-

vale al aprendizaje autorregulado ni al aprendizaje autodirigido, con los

que frecuentemente se confunde. La diferencia fundamental radica en el

grado de agencia del sujeto: mientras que en el aprendizaje autorregula-

do el estudiante gestiona su proceso dentro de un marco curricular dado

—seleccionando estrategias, administrando tiempos, monitoreando su

desempeño— en la heutagogía ese marco mismo es deﬁnido por el estu-

diante. Es el sujeto quien decide qué vale la pena aprender, por qué vías y

bajo qué criterios de valoración. Esta distinción se vuelve crucial cuando

se introduce la IA, pues el riesgo consiste precisamente en que los siste-

mas algorítmicos impongan un marco curricular implícito, determinado

por los datos de entrenamiento y los objetivos del sistema, que el estu-

diante percibe como propio pero que en realidad ha sido diseñado por

otros. Esta reinstalación subrepticia de un currículo heterónomo bajo

la apariencia de la personalización constituye una de las tensiones más

profundas de la heutagogIA y exige una vigilancia ﬁlosóﬁca y pedagógi-

ca permanente.

La mediación tecnológica y la producción de subjetividades

El segundo eje conceptual parte de la premisa de que toda tecnología par-

ticipa en la producción de subjetividades. Esta aﬁrmación no debe leerse

como un determinismo tecnológico ingenuo, según el cual la tecnología

dictaría de manera inexorable las formas de pensar y actuar de los sujetos,

sino como un reconocimiento crítico de que los artefactos tecnológicos

no son neutros: incorporan valores, intereses y relaciones de poder que

condicionan, de maneras más o menos sutiles, las formas en que los suje-

tos se relacionan con el conocimiento y consigo mismos.

186

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

Foucault (2002) analizó, en el contexto de las instituciones disci-

plinarias, cómo los dispositivos de saber-poder producen sujetos dóciles

mediante la vigilancia, la norma y el examen. El poder no se ejerce solo

sobre el cuerpo, se inscribe en las prácticas, en las rutinas, en los mo-

dos de evaluar y ser evaluado. La escuela tradicional ha sido uno de los

espacios privilegiados de esta producción disciplinaria. Deleuze (2006),

por su parte, actualizó este análisis para las “sociedades de control”, en las

que los mecanismos regulatorios no operan ya mediante el encierro y la

vigilancia directa, sino mediante la modulación continua de los compor-

tamientos a través de redes, ﬂujos y sistemas informatizados. Lo relevante

de este desplazamiento es que la sujeción deja de ser visible y localiza-

ble: se difunde en las interfaces, en las recomendaciones algorítmicas, en

los sistemas de puntuación y gamiﬁcación que moldean silenciosamente

las decisiones del sujeto. Esta progresión histórica, del poder soberano al

disciplinario y de este al control modulado, adquiere una nueva dimen-

sión con la IA educativa: los sistemas algorítmicos no solo observan el

rendimiento del estudiante, sino que predicen sus trayectorias, sugieren

sus itinerarios y moldean sus expectativas, conﬁgurando lo que cabe de-

nominar una subjetividad algorítmica. En este escenario, la pregunta por

la autonomía heutagógica se vuelve ﬁlosóﬁcamente acuciante: ¿puede un

sujeto ser verdaderamente autónomo cuando sus decisiones de aprendi-

zaje son orientadas, ﬁltradas y retroalimentadas por un sistema que opera

bajo una lógica opaca?

Stiegler (2015), desde la ﬁlosofía de la técnica, ha argumentado

que toda exteriorización del pensamiento en soportes técnicos conlleva

el riesgo de lo que denomina “proletarización cognitiva”: la pérdida pro-

gresiva del saber-hacer y del saber-vivir cuando las funciones cognitivas

son delegadas a dispositivos que las realizan de manera más eﬁciente. Este

diagnóstico resulta especialmente pertinente en el contexto de la IA edu-

cativa: si el estudiante externaliza en el sistema la selección de qué apren-

der, la formulación de sus preguntas y la evaluación de sus respuestas, no

solo pierde práctica en esas capacidades, sino que puede perder la con-

ciencia de que alguna vez las tuvo. Winner (2008) y Collins y Pinch (1996)

han insistido, por su parte, en que los artefactos tecnológicos incorporan

elecciones políticas y morales que no son evidentes para el usuario. Un

sistema de IA entrenado con determinados conjuntos de datos, diseña-

do para optimizar determinadas métricas y desplegado en determinados

contextos institucionales no es una ventana transparente hacia el cono-

cimiento: es un artefacto que reﬂeja los intereses, los sesgos y los valores

de quienes lo han construido. Esta realidad obliga a una alfabetización

187

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

tecnológica crítica que vaya más allá del aprendizaje instrumental de he-

rramientas digitales para incluir la comprensión de los mecanismos de

poder que operan en los sistemas algorítmicos, lo que constituye, en sí

mismo, una tarea ﬁlosóﬁca y pedagógica de primer orden.

La educación crítica como emancipación

El tercer eje conceptual recupera la tradición de la pedagogía crítica y la

ﬁlosofía de la educación emancipadora. Garcés (2020) deﬁne la educa-

ción emancipadora como aquella que “entiende que la educación es un

camino de liberación no solo para unos cuantos escogidos sino para to-

dos” (p. 27). Esta deﬁnición tiene una dimensión política ineludible: la

emancipación no es un proceso individual de autorrealización, sino un

proceso colectivo de construcción de condiciones para la autonomía y

la dignidad de todos los sujetos. Emanciparse no signiﬁca solo liberarse

de restricciones externas, sino desarrollar la capacidad de reconocer las

condiciones de la propia sujeción y actuar sobre ellas con intencionalidad

y criterio.

En esta línea, Freire (1970) ya había advertido que la educación

bancaria: aquella que deposita contenidos en el estudiante sin implicarlo

en su construcción es una forma de opresión disfrazada de instrucción.

La crítica freireana cobra nueva vigencia frente a los sistemas de IA que

generan contenidos “personalizados” sin que el estudiante haya partici-

pado en la deﬁnición de lo que necesita aprender ni en la valoración de

lo que ha aprendido. El riesgo no es solo pedagógico: es político, en la

medida en que reproduce relaciones de dependencia bajo la apariencia

de la autonomía.

De Sousa Santos (2006) advierte que “contamos solo con instru-

mentos hegemónicos para intentar enfrentar todo eso, porque los concep-

tos para enfrentar lo nuevo, la discontinuidad, la ruptura, la revolución,

hoy no los tenemos” (p. 65). Esta advertencia es especialmente pertinente

en el contexto de la IA educativa: las herramientas disponibles son, en

su mayor parte, productos de corporaciones tecnológicas con lógicas de

mercado que no necesariamente coinciden con los objetivos emancipa-

dores de la educación. Sin embargo, ello no implica que no puedan ser

apropiadas de manera crítica y transformadora. La historia de la educa-

ción está llena de ejemplos de apropiación subversiva de instrumentos

hegemónicos: la imprenta, la radio, el video, internet; en cada caso, el ins-

trumento fue desarrollado con determinadas lógicas de poder y fue luego

apropiado por movimientos pedagógicos y sociales que lo usaron para

188

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

cuestionar esas mismas lógicas. El sujeto que aprende no es un receptor

pasivo de la tecnología: puede interrogarla, subvertirla, resigniﬁcarla.

Esta posibilidad de resigniﬁcación remite al concepto de “línea de

fuga” de Deleuze y Guattari (2002): los movimientos que escapan de las

territorialidades establecidas y abren nuevas posibilidades de existencia.

Pensar la heutagogIA como línea de fuga implica concebir la IA no solo

como herramienta de aprendizaje, sino como objeto de aprendizaje: el

estudiante que aprende a interrogar los sistemas algorítmicos que median

su formación está ejerciendo, en el acto mismo de esa interrogación, una

forma de emancipación tecnológica que trasciende el uso instrumental

de la herramienta.

La articulación de estos tres ejes —la autonomía del sujeto, la me-

diación tecnológica y la educación emancipadora— constituye el marco

teórico desde el cual se aborda la heutagogIA como propuesta educativa.

Este marco no resuelve la paradoja que da título al trabajo, pero ofrece

las categorías analíticas necesarias para pensarla con rigor y profundi-

dad, evitando tanto los entusiasmos tecnoutópicos como los pesimismos

luditas, y apostando, en cambio, por una apropiación reﬂexiva, crítica y

políticamente consciente de la IA en la educación.

La heutagogía y su relevancia de cara a la IA

El acto de conocer queda reejado que es una actividad

propia del ser en donde se vislumbra o mejor dicho adquiere

sentido su modo de ser, en función de llegar al conocimiento

de aquello que le parece desconocido (Obando et al., 2018, p. 96).

La heutagogía no nació como respuesta a la irrupción tecnológica, sino

como consecuencia de una insatisfacción profunda con los modelos edu-

cativos centrados en el docente. Hase y Kenyon (2001) la formularon

como una extensión y superación de la andragogía de Knowles (1970):

si en la andragogía el docente facilita un proceso de aprendizaje cuyo

currículo ha sido deﬁnido institucionalmente, en la heutagogía el sujeto

estudiante es quien planiﬁca, direcciona, diseña, desarrolla y evalúa su

aprendizaje. Esta diferencia no es de grado, sino de naturaleza: implica un

desplazamiento ontológico del sujeto educativo, que deja de ser objeto de

una acción pedagógica para convertirse en agente de su propio proceso

formativo.

Es importante, sin embargo, evitar la confusión entre la heutago-

gía y conceptos aﬁnes que con frecuencia se emplean como sinónimos.

Como señalan Narváez y Prada (2005), expresiones como “aprendizaje

189

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

autorregulado, aprendizaje autónomo, aprendizaje autoplaniﬁcado” (p.

118) guardan vínculos con la heutagogía pero no la deﬁnen ni la consti-

tuyen. La distinción central reside en el objeto de la autodeterminación:

mientras que el aprendizaje autorregulado o autodirigido opera dentro

de un marco curricular dado, gestionando recursos, tiempo y estrategias,

la heutagogía involucra la deﬁnición del propio marco, la elección de los

propios interrogantes y la construcción de los propios criterios de valora-

ción. Esta distinción cobra especial relevancia cuando se introduce la IA

como mediadora, pues el riesgo consiste precisamente en que el sistema

algorítmico reinstale subrepticiamente un currículo implícito que el estu-

diante percibe como propio sin haberlo elegido.

La heutagogía, si bien existe como práctica desde mucho antes de

su formalización conceptual, experimentó una expansión notable a partir

de la pandemia en 2020, cuando las instituciones educativas se vieron

compelidas a reconﬁgurar sus modelos de enseñanza en contextos de dis-

tancia y virtualidad. Hairi et al. (2022) documentan implementaciones

en “Reino Unido, Chipre, Nueva Zelanda, Alemania, Canadá, Ruanda y

Portugal” (p. 6693), entre otros. En el contexto hispanohablante, destacan

la Universitat Oberta de Catalunya (UOC) en España y la Universidad

Nacional Abierta y a Distancia (UNAD) en Colombia como instituciones

que han incorporado principios heutagógicos en sus propuestas pedagó-

gicas. Esta expansión geográﬁca revela que la heutagogía no es una pro-

puesta académica marginal, sino una tendencia educativa con creciente

respaldo institucional e investigativo.

Ahora bien, lo que otorga a la heutagogía una relevancia particular

en el contexto actual es precisamente la irrupción de la IA generativa.

Por un lado, los sistemas de IA parecen ofrecer condiciones ideales para

el aprendizaje autodeterminado: acceso ilimitado a información, retroa-

limentación inmediata, adaptación al ritmo y los intereses del usuario,

disponibilidad permanente. Por otro lado, estos mismos sistemas pueden

operar como mecanismos de sujeción que colonicen la autonomía del

sujeto: si el estudiante heutagógico delega en la IA la selección de qué

aprender, cómo aprenderlo y cómo evaluarlo, la autodeterminación se

convierte en una ilusión sostenida por algoritmos. Esta tensión es el nú-

cleo de la paradoja que da título a este trabajo.

Parafraseando a David Miller: “Que para lograr aprendizajes es ne-

cesario conocer algo y tener conocimientos previos, ya sea en el espacio

físico (presencial) o en el espacio intangible (virtual) o ciberespacio como

escenario donde es posible el debate epistemológico y educativo” (citado

en Hermann Acosta, 2011, p. 101), se tiene un argumento que va en direc-

190

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

ción opuesta al planteamiento ya mencionado de Rancière (1996), quien

indica que “se puede enseñar lo que se ignora” (p. 56): una oposición en la

que quizás puedan mediar la heutagogía y la IA.

Esta cuestión adquiere aún mayor profundidad si se la examina a

través del pensamiento rancièriano, proponiendo que el verdadero apren-

dizaje surge del reconocimiento de la igualdad de las inteligencias y no de

la transferencia de saber desde una autoridad epistémica hacia un recep-

tor pasivo. La aparente convergencia en el énfasis que pone Rancière en la

autonomía del estudiante, así como en su capacidad inherente para lograr

aprender por sí mismo con la heutagogía en la que el sujeto estudiante

asume el control sobre el qué y el cómo aprende, es defendida en los ar-

gumentos del ﬁlósofo galo cuando propone como verdadero aprendizaje

aquel que surge de la igualdad de las inteligencias en un proceso donde el

maestro no enseña en el sentido tradicional: el “maestro ignorante” actúa

como el facilitador de la emancipación intelectual del sujeto estudiante.

Tanto Rancière como la heutagogía rechazan la dependencia del

sujeto estudiante hacia la ﬁgura del maestro como aquella fuente de co-

nocimiento, promueven ambos el modelo de aprendizaje autodetermi-

nado del qué y el cómo se aprende, la reﬂexión crítica y la exploración

activa. Tanto la heutagogía como el pensamiento de Rancière ponen de

maniﬁesto que el aprendizaje signiﬁcativo no se impone, se construye

desde la voluntad y la capacidad del sujeto estudiante; ahora bien, nos

inquieta saber si lo que enseña eso que se ignora puede ser una IA, dado

que en esencia la IA no sabe lo que enseña, es algo así como un soﬁsti-

cado loro tecnológico que repite la información que le han suministrado

previamente y en ese sentido podría ser análoga al maestro ignorante de

Rancière, que enseñaría lo que stricto sensu no sabe, lo repite.

En este punto convergen la heutagogía y la IA (heutagogIA) para

los propósitos de este trabajo. Esta intersección representa una posibili-

dad transformadora para la educación emancipadora, pero también plan-

tea una paradoja fundamental: la tensión entre la autonomía heutagógica

y la potencial dependencia tecnológica (Morduchowicz, 2023). Como

advierten Mollick y Mollick (2023), el diseño algorítmico de los sistemas

de IA tiende a estandarizar procesos, lo que podría restringir la explora-

ción creativa propia del aprendizaje autodeterminado. Esto nos lleva a

preguntarnos: ¿qué mecanismos garantizarían que la IA funcione como

facilitadora y no como limitante de la agencia creativa del estudiante en

contextos heutagógicos?

Como advierten Mollick y Mollick: “la IA puede ser una herra-

mienta útil para promover las prácticas de enseñanza y aprendizaje cuan-

191

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

do se implementa con cautela y consideración en el aula” (2023, p. 24).

Esta cautela no debe entenderse como timidez ante la tecnología, sino

como rigor pedagógico y ﬁlosóﬁco: la misma herramienta que puede po-

tenciar la autonomía puede también erosionarla, dependiendo del marco

de valores, intenciones y prácticas en el que se despliegue.

Inteligencia artificial

La historia de la IA como campo multidisciplinario nutrido desde las ma-

temáticas, la lógica, la computación y la neurociencia ha evolucionado a

lo largo de varias décadas. Para los efectos de este artículo, conviene des-

tacar tres hitos fundamentales. El primero remite a 1842, cuando la ma-

temática Ada Lovelace programó lo que se considera el primer algoritmo

destinado a ser procesado por una máquina (Abeliuk y Gutiérrez, 2021, p.

15). El segundo corresponde al trabajo de Alan Turing en 1950, plasmado

en su artículo “Computing Machinery and Intelligence”, donde planteó

por primera vez la pregunta de si una máquina puede pensar, establecien-

do el marco conceptual que orientaría décadas de investigación. El tercer

hito ocurre en 1956, en la conferencia de Dartmouth, cuando Abeliuk y

Gutiérrez (2021) identiﬁcan el “momento fundacional de la ‘inteligencia

artiﬁcial’, tanto del término como del campo de estudio” (p. 15). Desde

entonces, la IA ha transitado por diversas etapas: los primeros sistemas

expertos basados en reglas, el invierno de la IA de las décadas de 1970 y

1980, el resurgimiento con las redes neuronales en los años noventa, y la

revolución del aprendizaje profundo (deep learning) en la década de 2010,

que hizo posibles aplicaciones como el reconocimiento facial, los asis-

tentes virtuales y más recientemente, los modelos de lenguaje generativo.

La IA ha avanzado signiﬁcativamente gracias al aumento de datos

disponibles y al desarrollo del hardware, lo que ha favorecido la aparición

de modelos avanzados de procesamiento del lenguaje natural. Entre ellos

destacan los modelos GPT (Generative Pre-trained Transformer), basa-

dos en redes neuronales profundas y capaces de generar texto y sostener

conversaciones naturales. Herramientas como ChatGPT, Perplexity, Co-

pilot o Gemini son ejemplos de esta evolución. En particular, ChatGPT

se ha convertido en uno de los sistemas más extendidos y conocidos, al

utilizar la arquitectura GPT para procesar y generar lenguaje humano,

ampliando así las aplicaciones de la IA en ámbitos como la educación, que

constituye el objeto de este trabajo.

192

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

Esta trayectoria histórica no es un mero telón de fondo: revela que

el desarrollo de la IA ha estado siempre condicionado por las capacidades

computacionales disponibles, los datos de entrenamiento utilizados y los

objetivos que los investigadores y las industrias han deﬁnido como prio-

ritarios. Comprender este condicionamiento es fundamental para evaluar

críticamente los sistemas de IA actuales en contextos educativos.

Entre las múltiples deﬁniciones de la IA, tomamos como referente

la indicada por la UNESCO en el texto de Morduchowicz (2023): “La IA

es la capacidad de un sistema para interpretar datos externos, utilizar es-

tos datos para lograr metas especíﬁcas y llevar a cabo acciones que maxi-

mizan las posibilidades de éxito en una tarea concreta” (p. 15). Esta de-

ﬁnición, deliberadamente funcionalista, permite identiﬁcar con claridad

tanto las posibilidades como los límites de la IA en educación. Así, si las

“metas especíﬁcas” que un sistema de IA optimiza no están alineadas con

los objetivos de una educación emancipadora —el desarrollo del pensa-

miento crítico, la autonomía intelectual y la capacidad de cuestionar— el

sistema puede alcanzar métricas de rendimiento satisfactorias y al mismo

tiempo producir resultados pedagógicamente empobrecedores.

En este sentido, la IA puede proporcionar acceso rápido a recursos

ayudando a los estudiantes a investigar temas de interés. Esto puede fo-

mentar la autonomía que permitiría a los estudiantes profundizar en áreas

especíﬁcas que resultan de su interés o que deban conocer para descubrir

sus intereses. La IA, en su conﬁguración actual, puede asumir múltiples

roles en el proceso educativo, como sintetizan Caldeiro et al. (2024, p. 8)

en una clasiﬁcación que abarca desde el rol de simulador y tutor hasta el

de evaluador dinámico y codiseñador (tablas 1 y 2). Cada uno de estos

roles comporta tanto beneﬁcios pedagógicos como la personalización, la

retroalimentación inmediata, la práctica deliberada; así mismo, represen-

ta riesgos signiﬁcativos: la “confabulación” o generación de información

falsa pero verosímil, la transferencia indebida del pensamiento al sistema,

la incompatibilidad entre el estilo de interacción del sistema y el del estu-

diante. Lo que estas clasiﬁcaciones revelan no es solo una taxonomía de

usos, sino un mapa de tensiones pedagógicas que requieren de una ges-

tión reﬂexiva por parte de docentes y estudiantes. Según sugieren Mollick

y Mollick (2023) “la IA puede ser una herramienta útil para promover las

prácticas de enseñanza y aprendizaje cuando se implementa con cautela

y consideración en el aula” (p. 24). Sobre esta idea, Caldeiro et al. (2024)

sintetizan algunos de los beneﬁcios y riesgos:

193

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

Tabla 1

Aproximaciones con prompts

Uso de IA Rol Benecio pedagógico Riesgo pedagógico

Simulador Práctica

deliberada

Practicar y aplicar

conocimientos ayuda

en su transferencia.

Fidelidad inapropiada.

Tutor Instrucción

directa

La instrucción directa

personalizada es muy

efectiva.

Base de conocimien-

to irregular de la IA.

Riesgos serios de

confabulación.

Mentor

Proporcionar

retroalimenta-

ción

La retroalimentación

frecuente mejora los

resultados de apren-

dizaje, incluso si no se

sigue todo el consejo.

No analizar crítica-

mente la retroalimen-

tación, la cual puede

contener errores.

Motivador Estimular la

metacognición

Creación de espacios

para el análisis intros-

pectivo y autorregu-

lación, lo cual eleva la

calidad del aprendizaje.

El tono o estilo de

entrenamiento puede

no coincidir con el del

estudiante. Riesgos de

consejos incorrectos.

Compañero

Mejorar el

rendimiento

del equipo

Proporcionar puntos

de vista alternati-

vos, ayuda a que los

equipos de aprendizaje

funcionen mejor.

Imprecisiones y

fabricación de datos.

Incompatibilidades de

interacción con otros

integrantes del grupo.

Estudiante Obtener

explicaciones

El acto de explicar a

otros constituye una

estrategia formativa de

gran impacto.

La invención de infor-

mación y las discusio-

nes pueden neutralizar

los beneﬁcios del

enfoque pedagógico.

Instrumento

Ejecutar

actividades

especíﬁcas

Permite a los apren-

dices lograr mayores

avances en idénticos

periodos temporales.

Delegar el pensamien-

to, en lugar del trabajo.

Fuente: adaptado de Caldeiro et al. (2024, p. 8).

De la tabla 1 se desprenden algunos usos que un programa heu-

tagógico con soporte en IA podría desarrollar, procurando que el sujeto

no quede sujetado a la IA, que logre discernir, criticar, analizar e incluso

emanciparse de la IA a través de la IA. Ahora bien, en el sector educativo,

194

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

¿puede usarse cualquier IA?, ¿la IA debería ser diseñada, programada, en-

trenada y optimizada para educación? Parece ser que la respuesta puede

estar implícita en la propuesta de Synthesis School, cuyo eslogan indica

“For kids who think for themselves” (Synthesis, 2024). Estos niños que

piensan por sí mismos serán educados mediante la IA usada en Synthesis

School para “desarrollar estudiantes cautivados por la complejidad y la

resolución de lo desconocido” (Synthesis, 2024).

Lo anterior, prima facie, pareciera alinearse con Rancière, sin embar-

go, de momento quizás no sea posible según se desprende de las declara-

ciones de Chomsky, Roberts y Watumull que publica e New York Times:

Su defecto más profundo es la ausencia de la capacidad más crítica que

posee cualquier inteligencia: decir no solo lo que ocurre, lo que ocurrió

y lo que ocurrirá —eso es describir y predecir—, sino también lo que no

ocurre y lo que podría y no podría ocurrir (Kuo, 2023).

Cabe destacar que esos son los necesarios ingredientes de una ex-

plicación, en tanto “la señal de una verdadera inteligencia” (Kuo, 2023).

Por ello, la capacidad de explicar lo ausente y considerar lo no evi-

dente es crucial para la toma de decisiones informada y la resolución de

problemas complejos. La verdadera inteligencia no se limita a lo superﬁcial,

implica profundidad y reﬂexión, cosa que de momento no se logra con las

IA por sí solas; además de correr el riesgo que se presenten “alucinaciones”.

Al respecto, Caldeiro et al. (2024) dicen que “puede producir respuestas que

parecen verosímiles o razonables, pero que son inexactas o irrelevantes por

no basarse en datos fácticos, o por la falta de habilidades especíﬁcas de la

herramienta como la resolución de problemas matemáticos” (p. 11). Este fe-

nómeno no es un fallo técnico menor: representa una amenaza directa para

la integridad epistémica del proceso de aprendizaje, especialmente cuando

el estudiante carece de criterios propios para evaluar la veracidad de la in-

formación que recibe. De aquí se desprende una conclusión pedagógica

fundamental: la integración de la IA en contextos heutagógicos no puede

hacerse sin una formación paralela en evaluación crítica de la información

y en comprensión de los límites y mecanismos de los sistemas algorítmicos.

Las alucinaciones representan uno de los mayores desafíos y cons-

tituyen un riesgo para el proceso de enseñanza-aprendizaje mediado por

la IA, pero no es el único, también está la incapacidad de equilibrar la

creatividad con la responsabilidad, en la medida en que en sus resultados

pueden surgir verdades y falsedades, argumentos sesgados que eventual-

mente respalden decisiones éticas y no éticas por igual (Kuo, 2023).

Ahora bien, la IA puede asumir roles como los indicados en la ta-

bla 1, pero estos roles pueden ampliarse aún más, por ejemplo:

195

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

Tabla 2

Aplicaciones de ChatGPT

Rol Descripción Ejemplo

Motor de

posibilidades

La IA genera alter-

nativas para expresar

una misma idea.

Los estudiantes pueden usar ChatGPT

y la función Regenerar Respuesta para

explorar diversas formulaciones.

Oponente

socrático

La IA desafía ideas y

argumentos, promo-

viendo el pensa-

miento crítico.

Los estudiantes pueden plantear pre-

guntas a ChatGPT estructurando la in-

teracción como un debate. Los docentes

pueden pedir a los estudiantes que usen

ChatGPT para preparar argumentos.

Coach de

Colaboración

La IA asiste a los

grupos en la inves-

tigación y resolu-

ción conjunta de

problemas.

En equipos, los estudiantes pueden em-

plear ChatGPT para buscar información

que les ayude a completar proyectos y

tareas.

Guía

complementaria

La IA sirve como

guía para explorar

espacios tanto físicos

como conceptuales.

Los docentes pueden utilizar ChatGPT

para crear materiales para las clases

(como preguntas para el debate) y soli-

citar sugerencias sobre cómo facilitar la

comprensión de temas especíﬁcos.

Tutor personal

La IA proporciona

orientación indivi-

dualizada y retroali-

mentación inmedia-

ta sobre el progreso

del estudiante.

ChatGPT puede ofrecer comentarios

personalizados a los estudiantes basán-

dose en información proporcionada por

ellos o por los profesores (por ejemplo,

resultados de evaluaciones).

Codiseñador

La IA colabora en

todo el proceso de

diseño.

Los docentes pueden solicitar a Chat-

GPT ideas para el diseño o la actualiza-

ción de planes de estudio (por ejemplo,

rúbricas de evaluación) o para abordar

objetivos concretos (por ejemplo, cómo

mejorar la accesibilidad del plan de

estudios).

Exploratorio

La IA proporciona

instrumentos para

la indagación y la

interpretación.

Los docentes pueden proporcionar

información básica a los estudiantes,

quienes luego realizan diferentes con-

sultas en ChatGPT para profundizar en

el tema. ChatGPT puede ser útil para

apoyar el aprendizaje de idiomas.

196

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

Rol Descripción Ejemplo

Compañero de

estudios

La IA ayuda al estu-

diante a reﬂexionar

sobre el material de

aprendizaje.

Los estudiantes pueden explicar a

ChatGPT su nivel de comprensión y

solicitar apoyo para estudiar el material.

ChatGPT también puede ayudar a los

estudiantes a prepararse para diversas

tareas (como entrevistas laborales).

Motivador

La IA propone

juegos y desafíos

para extender el

aprendizaje.

Los docentes y estudiantes pueden so-

licitar a ChatGPT ideas sobre cómo ex-

pandir el aprendizaje de los estudiantes,

proporcionando un resumen de su nivel

actual de conocimientos (por ejemplo,

cuestionarios o ejercicios).

Evaluador

dinámico

La IA ofrece a los

educadores un perﬁl

del conocimien-

to actual de cada

estudiante.

Los estudiantes pueden interactuar con

ChatGPT en un diálogo similar a una

tutoría y luego pedirle a ChatGPT que

elabore un resumen de su estado actual

de conocimientos para compartirlo con

el profesor para su evaluación.

Fuente: adaptado de Caldeiro et al. (2024, p. 9).

Los roles de la tabla 2 son más cercanos a una eventual combina-

ción de la IA con la heutagogía, por supuesto, han de considerarse los

efectos heutagógicos al momento de diseñar estos roles especíﬁcos, tanto

en el entrenamiento de la IA como en el uso por parte de los estudiantes.

Finalmente, entre los propósitos está que los estudiantes logren discer-

nir la información que entregue la IA de manera tal que logren también

cuestionar mediante preguntas más precisas lo que la IA devuelve en el

modelo. Es una suerte de espiral de aﬁnación de la información y el cono-

cimiento adquirido, en búsqueda de un enfoque reﬂexivo y analítico que

aliente la búsqueda de aspectos más profundos, esto último recuerda la

espiral hermenéutica de Gadamer (2003).

Heutagogía

La intersección entre IA y heutagogía que aquí hemos denominado heu-

tagogIA, no es simplemente la suma de dos enfoques, sino una articula-

ción que genera propiedades emergentes propias, tanto en términos de

posibilidades pedagógicas como de riesgos especíﬁcos. Así, la heutagogía

promete nuevas formas de interacción y potenciación del aprendizaje au-

197

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

todeterminado, que permite “optimizar la educación en función de las

necesidades únicas y la evolución de cada estudiante, lo que permitirá crear

o adaptar materiales y experiencias de aprendizaje de manera personali-

zada” (Aguilar, 2024). Esta personalización, en principio, es uno de los ob-

jetivos centrales de la heutagogía: que cada sujeto pueda trazar su propia

ruta formativa. Sin embargo, conviene examinar críticamente qué tipo de

personalización ofrecen realmente los sistemas de IA actuales.

La personalización algorítmica opera sobre la base de datos: el sis-

tema identiﬁca patrones en el comportamiento del usuario, los compara

con patrones de otros usuarios y genera recomendaciones optimizadas.

Pero este proceso tiene un límite epistemológico fundamental: solo puede

personalizar dentro del espacio de posibilidades que los datos de entrena-

miento han deﬁnido. Un sistema de IA no puede recomendar al estudian-

te aquello que nunca ha aparecido en sus datos, ni puede anticipar los in-

tereses que el estudiante aún no ha tenido, ni puede valorar la creatividad

que desafía las categorías preexistentes. En este sentido, la personalización

algorítmica es, paradójicamente, una forma de homogeneización: todos

los estudiantes son personalizados según las mismas lógicas, optimizados

según los mismos criterios, conducidos hacia territorios ya mapeados por

los datos. Como señala Morduchowicz (2023), “la IA es capaz de almace-

nar datos, organizarlos, procesarlos, ordenarlos y redactar textos, pero no

posee pensamiento crítico, carece de curiosidad e imaginación y no es

fuente de libre creatividad” (p. 36). Esta limitación no invalida el uso de la

IA en la heutagogía, pero sí exige que la personalización algorítmica sea

complementada y constantemente interrogada por la agencia genuina del

sujeto estudiante y no por el estudiante sujetado.

Esto es, que a pesar que la IA tiene el potencial de adaptar el con-

tenido y la metodología según las necesidades individuales del sujeto

usuario de la IA, esta autodeterminación med(IA)da puede permitir (o

no) tomar decisiones sobre su aprendizaje y participar activamente en su

proceso formativo, además de las posibilidades reﬂexivas, en tanto que

pueden fomentar la capacidad de cuestionar, analizar y construir conoci-

miento de manera crítica. Tal como concluye Lo (2023), “su uso plantea

varias preocupaciones, como la generación de información incorrecta o

falsa y la amenaza que representa para la integridad académica” (p. 12).

El plagio y la integridad académica constituyen otro frente de ten-

sión signiﬁcativo. El uso de la IA “se enfrenta a una fuerte resistencia cul-

tural en el ámbito académico, generando tensiones tanto en la práctica

docente como en las perspectivas futuras de la educación” (Delgado et

al., 2024, p. 144). Esta resistencia no es infundada: si un estudiante exter-

198

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

naliza en la IA la producción de textos, argumentos o soluciones, no solo

incurre en una deshonestidad académica, sino que, lo que es pedagógi-

camente más grave, renuncia al proceso de aprendizaje que esa produc-

ción estaba destinada a generar. Desde la perspectiva heutagógica, esto

representa una contradicción fundamental: el aprendiz que cede al siste-

ma algorítmico la tarea de pensar no está ejerciendo su autonomía, sino

abdicando de ella.

Sin embargo, la imagen opuesta también existe y merece atención,

Puente et al. (2024) reportan que “las investigaciones indican que los es-

tudiantes que utilizan estas plataformas muestran una mejor retención

del conocimiento y obtienen mejores caliﬁcaciones en comparación con

los métodos tradicionales” (p. 61). Esta evidencia sugiere que el problema

no es la IA en sí misma, sino el tipo de uso que se hace de ella. Un estu-

diante que usa la IA para contrastar perspectivas, para generar preguntas

que luego investiga por otras vías, para recibir retroalimentación sobre

sus propios argumentos y para explorar territorios del conocimiento que

de otro modo serían inaccesibles, está ejerciendo una forma de autono-

mía mediada tecnológicamente que es perfectamente compatible con la

heutagogía, e incluso puede potenciarla.

La clave interpretativa de esta distinción remite a la espiral herme-

néutica de Gadamer (2003), en tanto que el aprendizaje como proceso de

comprensión progresiva, cada nuevo horizonte de sentido modiﬁca y en-

riquece la comprensión anterior. La interacción con la IA puede funcio-

nar como un catalizador de este movimiento espiral, siempre que el sujeto

no se detenga en la primera respuesta del sistema, sino que la use como

punto de partida para nuevas preguntas, nuevas búsquedas, nuevas sínte-

sis. Desde esta perspectiva, la heutagogIA no es un estado que se alcanza,

sino un proceso que se construye: una práctica continua de apropiación

crítica y reﬂexiva de las herramientas tecnológicas disponibles.

Así las cosas, de una parte, están los entusiastas que ven en la heu-

tagogIA posibilidades casi inﬁnitas de avance y progreso como si de una

nueva ilustración se tratase y, de otra parte, están los escépticos que no

solo reconocen el riesgo del algoritmo subyacente en la IA y los resulta-

dos de un proceso educativo med(IA)do por la IA, que entre otras cosas

deviene como mecanismo de sujeción, de un sujeto sujetado algorítmica-

mente a la heutagogIA.

En este punto se debe precisar que el sujeto debería ser capaz de

criticar también el mismo modelo educativo, pero además permitiría una

educación contextual en la medida en que se puede relacionar el aprendi-

zaje con la realidad cotidiana y los retos en su entorno; esta combinación

199

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

promete una experiencia de aprendizaje más personalizada, relevante y

emancipadora. Esto plantea la siguiente pregunta: ¿cómo se relaciona la

heutagogIA con la educación emancipadora? La educación emancipa-

dora es “cuando entendemos que la educación es un camino de libera-

ción no solo para unos cuantos escogidos sino para todos” (Garcés, 2020,

p. 27). Con la IA se puede llegar a todos, al menos está entre las posibili-

dades, aunque de momento persisten desigualdades y diﬁcultades para el

acceso a las TIC y en consecuencia a la IA.

Este primer potencial de la IA no logra, en principio, una cobertura

global, pero en la medida que avanza el tiempo se esperaría que se rom-

pan barreras que no permiten el acceso universal a estas tecnologías, que

llegaron para quedarse. Un segundo potencial radica en la posibilidad

de la IA de actuar como un tutor personalizado que proporcione herra-

mientas y recomendaciones personalizadas, empoderando aún más a los

sujetos para que tomen decisiones informadas sobre su educación, claro

acá está presente el riesgo de la dependencia lo que directamente atenta

contra el propósito emancipatorio.

Sin embargo, la heutagogIA misma procura la autonomía emanci-

patoria al enfocarse en la autonomía del sujeto que se alinea con la idea de

que cada estudiante tiene diferentes intereses, ritmos y estilos de apren-

dizaje. Ahora bien, esto implica que la heutagogIA debe ir más allá de la

mera transmisión de contenidos y permitir el desarrollo integral de las

personas, fomentando su autonomía, el pensamiento crítico, la capacidad

para entender, relacionar y actuar, incluso sobre los mismos contenidos

educativos en el marco del contexto “glocal”, en tanto global y local. En

síntesis, es necesario ser cauto y no conﬁar, sino cuestionar la IA, ya que

la verdadera emancipación implica la capacidad de cuestionar y decidir

por uno mismo.

Liberarse de la algoritmIA

El funcionamiento de un algoritmo para el desarrollo de la heutagogIA

podría describirse mediante las siguientes etapas:

• En primer lugar, la recopilación de datos dinámicos. Esto es que,

en lugar de datos estáticos, la IA recopila información en tiem-

po real sobre el aprendizaje del sujeto, con lo que teniendo en

cuenta su programa, sus inquietudes, sus preferencias, sus es-

trategias, su interacción y su progreso adapta las estrategias de

enseñanza-aprendizaje.

200

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

• En segundo lugar, realiza el análisis adaptativo, es decir, los

datos son procesados mediante algoritmos de aprendizaje

profundo que identiﬁcan patrones no solo en el rendimiento,

sino también en el estilo y la motivación del aprendiz. Acá es

importante indicar el riesgo que implica el uso de algoritmos

del tipo black box, “cuyo funcionamiento interno es desconoci-

do, no puede ser explicado o no es comprensible. Esto signiﬁca

que el algoritmo toma sus decisiones y procesa la información

de manera oculta, incluso para su propio desarrollador” (Mo-

randín Ahuerma, 2023, p. 190). Estos algoritmos diﬁcultan la

comprensión y el cuestionamiento de sus decisiones, y plantean

problemas de responsabilidad y rendición de cuentas.

• En tercer lugar, la generación de rutas personalizadas. En este

paso, en vez de ofrecer una simple evaluación, se diseñan y pro-

ponen trayectorias educativas únicas que evolucionan con el su-

jeto, de nuevo en un algoritmo del tipo black box, dando paso a la

opacidad que surge dadas las decisiones del modelo que se basan

en millones de cálculos internos del algoritmo y las conexiones

que no se pueden interpretar fácilmente. Estas trayectorias son

fuente de recursos y retos especíﬁcos y probablemente singulares

que fomentan la autonomía y la reﬂexión crítica del estudiante.

• En cuarto lugar y de manera sucesiva y cíclica, la retroalimenta-

ción continua, ofreciendo un permanente feedback, inmediato

y contextualizado, optimizando el entorno de aprendizaje en

función del desarrollo y metas alcanzadas por el estudiante. Los

pasos indicados que, como se advierte, son cíclicos conllevan el

riesgo de sujeción algorítmica en tanto que el aprendizaje y las

decisiones del estudiante pueden quedar limitados por los ses-

gos inherentes al diseño del algoritmo; en especial con los mo-

delos de aprendizaje profundo (deep learning), dado que podría

ocurrir que el modelo refuerce patrones preexistentes, como

estilos de aprendizaje preferidos por el sistema, ignorando la

diversidad cognitiva o limitando la exploración autónoma.

Lo que este proceso revela, es que cada una de estas etapas pue-

de ser también una etapa de sujeción. La recopilación de datos perpetua

implica una vigilancia constante del sujeto. Esto genera preguntas en re-

lación con la agencia del individuo en su propio proceso educativo y el

peligro de una dependencia excesiva de sistemas que, aunque adaptativos,

distan de ser neutros. Por ello corresponde considerar que la codiﬁca-

201

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

ción de sesgos de entrenamiento de los algoritmos (García Peñalvo, 2024)

conlleva consecuencias perjudiciales, puesto que la IA tiene el potencial

de perpetuar y ampliﬁcar formas de discriminación, lo que justiﬁca la

necesidad de analizar críticamente las implicaciones éticas de la IA en la

educación para evitar perpetuar las desigualdades existentes.

Esta dinámica de sujeción no opera de manera visible. Se inscri-

be en lo que Foucault (2006) denominó “gubernamentalidad” (p. 96);

entendida como el conjunto de racionalidades, técnicas e instituciones

que conducen la conducta de los sujetos de manera sutil y continua. En

la versión digital y algorítmica de este concepto, la conducción no re-

quiere de instituciones físicas ni de vigilantes humanos: opera mediante

interfaces, notiﬁcaciones, recomendaciones personalizadas y sistemas de

gamiﬁcación que moldean comportamientos e incentivan determinadas

formas de relacionarse con el conocimiento. Así, Deleuze (2006) anticipó

esta dinámica cuando escribió que en las “sociedades de control nunca

se termina nada: la empresa, la formación o el servicio son los estados

metaestables y coexistentes de una misma modulación, una especie de

deformador universal” (p. 280). Los sistemas de IA educativa pueden fun-

cionar precisamente como ese deformador universal: nunca concluyen su

evaluación del estudiante, nunca declaran completo su aprendizaje, siem-

pre sugieren un siguiente paso, una siguiente optimización.

Como señalan López (s. f.), Collins y Pinch (1996), Vallès-Peris

(2022) y Winner (2008), la tecnología no es neutral. Puede reﬂejar y refor-

zar ciertos valores e intereses, una suerte de delegación tecnológica sobre

las vidas y las decisiones académicas, que si se automatizan sin una com-

prensión profunda de sus limitaciones y sesgos subyacentes conlleva un

impacto signiﬁcativo en la vida del aprendiz heutagógico y en la sociedad

en general. Por ello se reclama la necesidad de garantizar que estos siste-

mas sean justos, transparentes y no perpetúen la discriminación o sesgos

subyacentes de las opiniones de los programadores escritas en código.

Frente a este panorama, conviene identiﬁcar las principales preo-

cupaciones éticas y técnicas que la literatura especializada ha señalado en

relación con el uso de IA en educación:

• El sesgo algorítmico indicado ut supra en tanto que conlleva la

posibilidad de mantener, exacerbar y reproducir patrones su-

ministrados durante el entrenamiento de los algoritmos, au-

mentando la inequidad, en lugar de reducirla (Ramírez, 2023;

García Peñalvo, 2024). Si los datos con los que se ha entrenado

un sistema reﬂejan desigualdades históricas en términos de

raza, género, clase social o procedencia geográﬁca, el sistema

202

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

tenderá a perpetuarlas y en muchos casos, a ampliﬁcarlas, al

aplicarlas a una escala masiva y con una apariencia de objetivi-

dad técnica que diﬁculta su cuestionamiento.

• La falta de transparencia, al usar algoritmos tipo black box, lo

que diﬁculta la comprensión y el cuestionamiento de sus de-

cisiones y los eventuales problemas de responsabilidad y ren-

dición de cuentas (Morandín Ahuerma, 2023). Cuando un

sistema determina que un estudiante tiene mayor o menor

potencial, o cuando orienta su trayectoria hacia determinadas

áreas del conocimiento, esa decisión se produce mediante mi-

llones de cálculos internos que no son explicables ni auditables.

Esta opacidad es incompatible con una educación que aspire a

formar sujetos críticos y autónomos.

• El determinismo tecnológico, que representa la preocupación por

la excesiva conﬁanza en el algoritmo en detrimento del juicio

y criterio humano. Cuando docentes e instituciones delegan en

los sistemas de IA decisiones pedagógicas fundamentales sobre

qué aprender, a qué ritmo, con qué recursos, bajo qué criterios

de evaluación, abandonan la responsabilidad que les es propia y

transﬁeren a la máquina un poder de deﬁnición sobre la forma-

ción humana que ningún sistema técnico debería tener.

• La privacidad y protección de datos, en tanto surgen inquietudes

sobre la recopilación, almacenamiento, uso, acceso o ﬁltración

de datos personales de los estudiantes (UNESCO, 2022; Parla-

mento Europeo, 2024). Los sistemas de IA educativa requieren

cantidades masivas de datos para funcionar, y la recopilación

de esos datos sobre menores de edad o sobre adultos en situa-

ciones de vulnerabilidad plantea preguntas serias sobre el con-

sentimiento informado y sobre quién controla, en deﬁnitiva, la

información generada en los procesos de aprendizaje.

• Una preocupación ﬁnal está en relación con las desigualdades

en el acceso y disponibilidad de las tecnologías de IA, en la me-

dida en que el acceso limitado, por ejemplo, por la ubicación

geográﬁca, el nivel socioeconómico, el conocimiento previo de

las TIC o la edad puede agravar las desigualdades existentes

y representa una barrera estructural que puede agravar las in-

equidades educativas existentes (Morduchowicz, 2023). La heu-

tagogIA que no aborda este problema de acceso corre el riesgo

de ser una propuesta emancipadora solo para quienes ya tienen

garantizados los recursos básicos.

203

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

La identiﬁcación de estas preocupaciones no conduce a la conclu-

sión de que la IA deba rechazarse como herramienta educativa, sino a la

convicción de que su integración requiere de un trabajo crítico constante

que examine sus condiciones de posibilidad, sus efectos y sus límites. De-

leuze y Guattari (2002) introdujeron el concepto de “línea de fuga” para

referirse a los movimientos que escapan de las territorialidades estableci-

das y abren nuevas posibilidades de existencia. La pregunta que emerge

aquí es si es posible usar la misma IA como línea de fuga: diseñarla, en-

trenarla y usarla de manera tal que genere las condiciones para su propia

interrogación y superación.

Lo que parece ser un creciente uso y quizás una creciente depen-

dencia de la IA no solo evidencia las preocupaciones técnicas y éticas,

como el sesgo y la falta de transparencia; además reconﬁgura las diná-

micas de poder y control, en tanto que, al automatizar los procesos y las

decisiones, los algoritmos no solo perpetúan desigualdades y sesgos, se

conﬁguran en dispositivos de una nueva gubernamentalidad (Foucault,

2006), la “gubernamentalidad digital”. Este cambio supera la mera técnica

para inscribirse en una transformación sociopolítica, donde las relaciones

de poder se difuminan en redes algorítmicas que moldean subjetividades

de manera más sutil y continua, integrándose en la lógica de las socieda-

des de control descritas por Deleuze (2006) y Foucault (2002), y llevando

a una forma de sujeción menos visible pero preocupantemente efectiva.

Devenimos en un momento histórico en el que los mecanismos

regulatorios operan con ﬂuidez y persistencia mediante los entornos

tecnológicos contemporáneos; esta progresión histórica muestra un des-

plazamiento desde estructuras soberanas hacia sistemas disciplinarios

(Foucault, 2002), hasta llegar al paradigma actual de supervisión, como

señala Deleuze (2006), “las máquinas cibernéticas y los ordenadores de

las sociedades de control” (p. 274). Casi proféticamente, Deleuze (2006)

se anticipó e indicó que la observación y la regulación actual no requieren

de estructuras institucionales visibles, sino que operan mediante sistemas

automatizados, preﬁgurando la existencia del ecosistema digital interco-

nectado y sirviéndose de múltiples cuando no millares de cálculos mate-

máticos y procedimientos computacionales que hacen funcionar dispo-

sitivos de seguimiento e inﬂuencia sobre las personas. Esto genera una

reconﬁguración identitaria donde el individuo actual se encuentra ante

nuevos mecanismos de condicionamiento que moldean sus aspiraciones,

cogniciones y conductas de manera ininterrumpida.

Los entornos computacionales avanzados y los sistemas de proce-

samiento matemáticos y algorítmicos que, en ausencia de consenso, ter-

204

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

minamos por aceptar como “inteligentes”, han evolucionado hacia una

adaptación individualizada de interfaces y recursos digitales, caracteri-

zados por orientaciones inherentes, que intensiﬁcan las capacidades de

observación y debilitan la autodeterminación individual. Así emerge una

conﬁguración contemporánea con un nuevo tipo de sujeto, no identiﬁca-

do mediante clasiﬁcaciones numéricas tradicionales, sino como entidad

condicionada.

Un individuo cuya impronta personal se encuentra bajo constan-

te escrutinio, ajuste y manifestación en espacios digitales, creando una

identidad algorítmicamente mediada, que presenta interrogantes éticos

fundamentales sobre capacidad decisoria, independencia y posibilida-

des de preservar una construcción identitaria genuina en circunstancias

donde el control se maniﬁesta de manera inherente, imperceptible, tácita,

personalizada y posiblemente consensuada, al aceptar condiciones con-

tractuales al ingresar en espacios digitales, aplicaciones o sistemas cogni-

tivos artiﬁciales. Cabe preguntarse: ¿existe una verdadera comprensión

de estos acuerdos?

Con la IA en la educación se da un paso más en la lógica de control,

la IA está en la capacidad de monitorear y evaluar el rendimiento acadé-

mico, pero además puede predecir trayectorias, sugerir itinerarios, mol-

dear expectativas, en síntesis, crea un nuevo tipo de subjetividad, la subje-

tividad algorítmica, en la que la autonomía del sujeto queda en cuestión,

este aprendizaje personalizado mediado por la IA es una nueva forma

de las “tecnologías del yo” (Foucault, 1990). Además, puede interpretarse

como una nueva forma de lo que Foucault (2002) denominaba “poder in-

dividualizante” (p. 198), en un bucle de formación y consulta permanente,

a lo que sumamos el argumento de Deleuze (2006) “en las sociedades de

control nunca se termina nada: la empresa, la formación o el servicio son

los estados metaestables y coexistentes de una misma modulación, una

especie de deformador universal” (p. 280). Ahora bien, Deleuze y Guattari

(2002) introducen el concepto de “línea de fuga” ¿y si se usa la misma IA

como línea de fuga, una educación emancipadora de la misma IA?

Mezzadra (2014), desde el marxismo, ha explorado las formas en

que los individuos se constituyen y resisten a través de las luchas y prác-

ticas de emancipación, cosa que debe plantearse ante una algoritmia de

sujeción, la algoritmia desubjetiviza “la subjetividad del sujeto individual”

(p. 94). Los sujetos inmersos en la heutagogIA pueden buscar formas de

resistencia y organización para desaﬁar la subjetivización devenida de la

IA que no considera su perspectiva única y singular y que además per-

mite la gubernamentalidad digital. Este enfoque tiende a ignorar la sub-

205

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

jetividad y las particularidades individuales, lo que puede llevar a una

representación distorsionada de sus capacidades y potencialidades.

Educación emancipadora heutagógica

La educación emancipadora no puede ser solo un ideal ﬁlosóﬁco: debe

traducirse en prácticas concretas, en diseños institucionales especíﬁcos,

en modos de relacionarse con el conocimiento y con la tecnología que

materialicen sus principios. La heutagogIA ofrece en este sentido una

oportunidad singular: la posibilidad de diseñar sistemas que no solo per-

sonalicen el aprendizaje, sino que formen al sujeto en la capacidad de

interrogar las condiciones de esa personalización.

De Sousa Santos (2006) advierte la diﬁcultad de esta empresa:

“contamos solo con instrumentos hegemónicos para intentar enfrentar

todo eso” (p. 65). Las IA disponibles actualmente son, en su mayor parte,

productos de corporaciones tecnológicas con lógicas de mercado y de

optimización que no necesariamente coinciden con los objetivos de una

educación emancipadora. Sin embargo, esta constatación no clausura la

posibilidad de una apropiación crítica de estas herramientas. La histo-

ria de la educación está llena de ejemplos de apropiación subversiva de

instrumentos hegemónicos: la escritura, la imprenta, la radio, el video,

internet. En cada caso, el instrumento fue desarrollado con lógicas de po-

der determinadas y fue luego apropiado por movimientos pedagógicos y

sociales que lo usaron contra esas mismas lógicas.

La IA, al proporcionar datos y análisis rápidos, puede ser una he-

rramienta valiosa en este proceso, claro, debemos recordar que la eman-

cipación no es solo acceder a información, sino también cuestionar las

estructuras de poder y luchar por una sociedad más justa. La heutagogía

promueve la habilidad de aprender a aprender. Este aprender a aprender

puede ser guiado bajo parámetros disruptivos de los modelos e instru-

mentos hegemónicos, relacionando la capacidad de buscar, procesar y

evaluar información automatizada, pero de una manera crítica y eman-

cipadora de las ideologías, sensologías, biopolíticas, normalizaciones y

otros mecanismos de sujeción del sujeto sujetado.

La emancipación a través de la heutagogIA requiere de una revi-

sión crítica de los sistemas de evaluación. Cuando los indicadores de ca-

lidad educativa se reducen a métricas generadas por organismos como la

Organización para la Cooperación y el Desarrollo Económicos (OCDE),

“con criterios basados en la razón instrumental y eﬁcientista” (Habermas,

206

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

1999, p. 42), se produce una contradicción fundamental con los objetivos

de la educación emancipadora: el sistema que debería liberar al sujeto lo

somete a métricas estandarizadas que no capturan ni valoran los aspectos

más signiﬁcativos de su desarrollo. La heutagogIA debe, en consecuencia,

generar también sus propios modos de valoración, centrados no en la

eﬁciencia del rendimiento, sino en la profundidad de la comprensión, la

calidad del pensamiento crítico y la capacidad de actuar de manera autó-

noma y responsable en el mundo.

Con la heutagogIA, el sujeto autónomo y responsable de su pro-

pio proceso de aprendizaje toma decisiones sobre qué, cómo y cuándo

estudiar. Es allí donde puede usarse (saber usar) la IA, que como se ha

indicado, podría ser insuﬁciente o sesgada, pero ello no quiere decir que

sea siempre así, de hecho, se puede entrenar adecuadamente, pero ¿qué es

entrenarla adecuadamente?, y ¿quién debería hacerlo? Surgen más pre-

guntas sin resolver, puesto que cualquier sesgo se profundiza en las IA,

según Angwin et al.: “Encontraron historias que muestran cómo los sis-

temas inteligentes tergiversan los datos, aumentando los riesgos” (citado

en Ramírez, 2023, p. 12). En todo caso, a estas alturas, debe estar claro el

riesgo de un entrenamiento sesgado y por eso mismo se puede parametri-

zar el código de manera tal que sea lo suﬁcientemente amplio, incluyente

y antisesgos, con lo cual el sujeto tendrá la responsabilidad de discernir y

criticar lo que se le presenta.

Aún es una idea por aﬁnar, pero no deja de ser interesante, desa-

ﬁante y, sobre todo, prometedor, pensar en cómo combinarlas para lograr

una educación emancipadora, autónoma y heutagógica. A continuación,

se mencionan algunos elementos al respecto.

Considerar la necesidad del uso de la IA de una manera ética y li-

bre de sesgos, similar a lo que se expone en el documento de la UNESCO

(2022) y el reglamento del Parlamento Europeo (2024). Asimismo, se

puede recurrir a maniﬁestos y declaraciones de colectivos antisistema

que procuran unas TIC y un internet adecuados para todos; incluso usar

las mismas IA para detectar y solucionar los problemas éticos y de sesgos,

de manera tal que estén alineados con los valores éticos y las expectativas

sociales, pero sin caer en las censuras por corrección política.

La integración de la IA en la educación conﬁgura importantes

cuestiones éticas en tanto que deben ser consideradas en procura del uso

responsable y beneﬁcioso de estas tecnologías existentes y las emergentes,

centrándose en cómo las decisiones afectan a los estudiantes, pero tam-

bién a la sociedad en su conjunto. En particular, se han de abordar temas

207

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

como la privacidad de los datos, el sesgo algorítmico y la transparencia en

el uso de algoritmos.

La IA puede proporcionar acceso rápido a recursos y ayudar a los

estudiantes a investigar lo que consideran relevante. La heutagogIA fo-

menta la autonomía asistida que permite la exploración autónoma del co-

nocimiento y puede conﬁgurarse como un instrumento para trascender

las limitaciones de los paradigmas educativos hegemónicos. La heutago-

gIA no solo facilita el acceso al conocimiento, también fomenta el apren-

dizaje emancipador e inclusivo, empoderando a los sujetos, tomando el

control de su aprendizaje y equipándoles de la capacidad de cuestionar y

reconstruir las estructuras tradicionales del saber-poder (Foucault, 2002)

que conﬁguran una subjetividad sumisa ante lo hegemónico.

La IA puede automatizar tareas administrativas como la caliﬁca-

ción y el seguimiento del rendimiento. Esto libera tiempo para que los

docentes se centren en la interacción con los estudiantes. Sin embargo, se

debe procurar que la evaluación no se base únicamente en puntuaciones

cuantitativas generadas por IA, lo que nos devuelve a no caer en la razón

instrumental (Habermas, 1999) de los indicadores como los de la OCDE.

En una eventual educación como la propuesta con la heutagogIA,

es importante saber cómo equilibrar la automatización con la profun-

didad y el desarrollo del pensamiento crítico, lograr en el estudiante ese

“atrévete a pensar” kantiano, el sapere aude que según Kant (2003) es la

consigna de la Ilustración:

Si tengo una guía espiritual que tiene fe por mí, si tengo un médico que

juzga por mí la dieta y así por el estilo, entonces no necesito esforzarme

por mí mismo. No tengo necesidad de pensar, cuando solo puedo pagar

(p. 1).

La advertencia kantiana es perfectamente aplicable al contexto de

la IA educativa: el sistema que piensa por el estudiante, que selecciona

por él, que evalúa por él, reproduce exactamente la ﬁgura del tutor hete-

rónomo que la Ilustración procuró superar. La heutagogIA emancipadora

debe, por el contrario, usar la IA como condición para el pensamiento

autónomo, no como sustituto de él. Así pues, debemos garantizar que la

tecnología no reemplace la reﬂexión humana, que la IA no sea esa “guía

espiritual” ni el “así por el estilo” que indica Kant (2003) y, por el contrario,

que el estudiante se esfuerce por sí mismo, claro, puede valerse del me-

dio tecnológico para optimizar el proceso cognitivo, racional, pensante,

tal como se ha explorado con la educación virtual ﬁlosóﬁca en prisiones

(Sarmiento et al., 2024). En ese sentido, la heutagogIA puede ayudar y

208

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

empoderar a los estudiantes, claro, se ha de recordar que la verdadera

emancipación implica la capacidad de cuestionar y decidir por uno mis-

mo, incluso a la misma IA motor de la heutagogIA y a la heutagogía mis-

ma, como diría Kant (2003), sapere aude.

Decálogo para una heutagogIA

A manera de síntesis y cierre del presente trabajo, se proponen

unas ideas para una eventual implementación de la heutagogIA. Como

se ha mostrado, esta posibilidad educativa autodeterminada plantea la

necesidad de centrarse en fomentar la autonomía crítica, promover la

educación inclusiva y asegurar que la tecnología se utilice como un me-

dio para empoderar a los sujetos que, de ninguna manera, deberían ser

sujetos sujetados por la IA.

1. Priorizar el pensamiento humano como punto de partida. Si bien

con la heutagogIA se procura una educación autodeterminada,

deben priorizarse la creatividad y la reﬂexión crítica del sujeto

y mantenerse como horizonte irrenunciable, por encima de las

capacidades codiﬁcadas de cualquier sistema algorítmico. Una

posibilidad es fomentar el pensamiento “rizomático” (Deleuze y

Guattari, 2002), que ofrece un modelo productivo de resisten-

cia a la homogeneización cognitiva que tiende a producir la IA

mal gestionada, de manera que no obedezca a patrones jerár-

quicos ni lineales, se potencie la búsqueda y el establecimiento

de conexiones múltiples e inesperadas entre ideas y conceptos.

Con ello se busca que los estudiantes desarrollen nuevas posi-

bilidades creativas intelectuales, que no se limitan a reproducir

patrones preexistentes. Siguiendo a Foucault (1990, 2002), es la

resistencia al pensamiento homogeneizado como una forma de

subvertir los sistemas disciplinarios que conﬁguran subjetivi-

dades dóciles.

2. Posibilitar sinergias entre el sujeto y la tecnología en relación con

la IA y su uso. Este último debe basarse en la búsqueda de la

cocreación, no como instrucción unidireccional, valorando la

singularidad humana y con ello considerar, desde la perspectiva

de Sousa Santos (2006), una manera de reinventar las formas de

colaboración entre el ser humano y la cosa técnica, para que se

priorice el uso tecnológico en tanto ayude a eliminar las inequi-

dades y promueva una justicia cognitiva global. Se busca que la

209

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

inteligencia sincronizada, humana e IA, se interprete como un

ensamblaje de la máquina colectiva en la que cada parte aporta

lo que la otra no tiene (Deleuze y Guattari, 2002), bajo un plano

de consistencia ética y política priorizando el uso tecnológico

que amplía posibilidades antes que el que las restringe.

3. Fortalecer la autonomía en el acceso y evaluación de la informa-

ción. La formación en la autonomía crítica debe empezar por

reconocer y desnaturalizar las estructuras de poder que con-

dicionan la información y qué información es visible, válida o

permitida en los entornos digitales. Este acceso reﬂexivo a la

información debe ser parte del proceso educativo emancipa-

dor (Garcés, 2020), donde el sujeto navegue y se libere no solo

de los mecanismos sociales y digitales de sujeción, sino que no

quede atrapado ni perpetúe las burbujas digitales. Resulta clave

en este punto el acceso universal a las TIC y las IA, acompañado

de la alfabetización ya no solo digital, sino mediada por la IA,

ello mismo es un ejercicio de liberación y no de subordinación,

de emancipación.

4. Promover el aprendizaje autorregulado e intencional. La heuta-

gogIA fomenta la capacidad de los sujetos en tanto diseñan, pla-

niﬁcan, desarrollan, evalúan y retroalimentan su propio apren-

dizaje, en un permanente “devenir” (Deleuze, 2006). Un devenir

donde el aprendizaje no es un proceso cerrado ni predetermina-

do, está inmerso en una constante dinámica de transformación

en la que se usa la IA, sin que ello implique una dependencia,

sino, todo lo contrario, posibilidades de descubrir nuevas líneas

de fuga (Deleuze, 2006) que expandan su potencial.

5. Fomentar la argumentación ética y plural. El pensamiento plu-

ral es una condición para una sociedad democrática (Garcés,

2020). Un planteamiento que resuena con Deleuze y Guattari

(2002), en tanto se requiere aprender a argumentar éticamente,

lo que implica navegar en el plano del conocimiento, respetan-

do las diferencias y evitando la territorialización dogmática de

las ideas. Al respecto, De Sousa Santos (2006) refuerza la nece-

sidad de construir un conocimiento basado en el diálogo entre

epistemologías diversas, superando las visiones monocultura-

les y promoviendo lo plural del mundo.

6. Promover la creación con impacto transformador. La capacidad

para crear contenido debe procurarse con enfoque crítico y

emancipador, ello implica revelar cómo las tecnologías conﬁ-

210

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

guran subjetividades (Foucault, 1990, 2002), las cuales se de-

ben desaﬁar, puesto que estas subjetividades al ritmo de las TIC

condicionan y performan. Esta creación, en tanto acto político,

permite que el sujeto se libere en la medida en que no solo re-

produce información, también la resigniﬁca para desestabilizar

narrativas dominantes y construir alternativas.

7. Ampliar las oportunidades para la participación activa. La parti-

cipación en proyectos glocales, que conecten lo local con lo glo-

bal responde a la visión de Sousa Santos (2006) de la ciudadanía

activa y solidaria. Garcés (2020), por su parte, propone la parti-

cipación como herramienta de emancipación que refuerza la ca-

pacidad de los sujetos para incidir en sus realidades. Este proceso

puede entenderse como un ensamblaje deleuziano que articula

actores humanos y no humanos en redes de transformación.

8. Educar en los principios de la heutagogIA reexiva. Una vez es-

tablecida, la heutagogIA debe ser explicada, claro, a través de

la heutagogIA misma, superando la mera capacidad técnica

para enfocarse en una comprensión profunda de las estructu-

ras de poder que rigen las tecnologías. Debe analizarse cómo

los algoritmos perpetúan las desigualdades y cómo las plata-

formas digitales operan como dispositivos disciplinarios que

ya no solo controlan al individuo, lo producen: “La disciplina

fabrica así cuerpos sometidos y ejercitados, ‘cuerpos dóciles’”

(Foucault, 2002, p. 142). La heutagogIA debe empoderar a los

sujetos para desmantelar estas estructuras y construir alternati-

vas inclusivas, “explorar nuevas posibilidades para repensar las

herramientas existentes y usarlas como dispositivos de emanci-

pación” (Triana Llano, 2025).

9. Construir comunidades de aprendizaje inclusivas y horizontales.

Las comunidades educativas deben ser espacios de encuentro,

cuestionadoras de las estructuras y jerarquías tradicionales.

Estas comunidades deben promover una “ecología de saberes”

(De Sousa Santos, 2006), donde se reconozcan y valoren los

conocimientos marginados, se potencialicen las capacidades y

saberes deliberadamente ocultados o menospreciados. Con la

heutagogIA se puede facilitar este tipo de procesos integrándo-

la como mediadora ética y no como herramienta hegemónica.

10. Replantear los objetivos educativos frente a los desafíos emergen-

tes. Bajo la perspectiva de Deleuze y Guattari (2002), se ha de

procurar que los objetivos educativos sean abiertos, ﬂexibles y

211

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

adaptativos a las dinámicas cambiantes y complejas de la con-

temporaneidad, para ello se reclama la necesidad de formar su-

jetos estudiantes preparados para enfrentarse a lo desconocido

con creatividad y autonomía. Esto incluye una vigilancia crítica

hacia las formas en que la IA redeﬁne las relaciones de poder en

el ámbito educativo.

Conclusiones

El objetivo central de esta investigación consistió en analizar críticamente

la intersección entre la heutagogía y la IA, con el ﬁn de determinar las

condiciones bajo las cuales la IA puede promover genuinamente el apren-

dizaje autodeterminado en lugar de generar nuevas formas de dependen-

cia tecnológica. El recorrido realizado permite aﬁrmar que este objetivo

ha sido abordado en su complejidad, aunque no completamente resuelto,

lo que es coherente con la naturaleza paradójica del problema planteado.

Respecto al problema central de investigación: la coexistencia en-

tre el potencial emancipador de la IA en clave heutagógica y el riesgo

de sujeción tecnológica, el análisis muestra que esta coexistencia no es

una contradicción que deba resolverse en favor de uno de sus términos,

sino una tensión productiva que debe mantenerse activa y consciente en

cualquier propuesta de integración de la IA en contextos educativos. La

IA no es, en sí misma, ni emancipadora ni alienante: su carácter depende

de los marcos pedagógicos, éticos y epistemológicos desde los cuales se

integre, de los objetivos que se deﬁnan, de los sujetos que la usen y de las

condiciones institucionales en las que se despliegue. Esta conclusión cen-

tral tiene una consecuencia práctica inmediata: no es posible delegar la

responsabilidad pedagógica en el sistema tecnológico. El diseño de expe-

riencias educativas mediadas por IA exige un trabajo intelectual, ético y

político que los docentes, las instituciones y los propios estudiantes deben

asumir de manera activa.

El análisis ha permitido identiﬁcar también las principales diﬁcul-

tades que enfrenta cualquier propuesta de heutagogIA. En primer lugar,

las limitaciones epistémicas de los sistemas de IA actuales: su incapaci-

dad de razonamiento genuino, su tendencia a generar “alucinaciones”, su

dependencia de datos de entrenamiento que frecuentemente reproducen

sesgos históricos. En segundo lugar, el problema de la opacidad algorít-

mica, que diﬁculta el escrutinio crítico de las decisiones que los sistemas

toman sobre las trayectorias de aprendizaje de los estudiantes. En tercer

212

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

lugar, las desigualdades estructurales de acceso a las tecnologías digitales,

que hacen que la heutagogIA sea, en la práctica actual, una posibilidad

reservada a quienes ya cuentan con recursos y condiciones favorables.

En cuarto lugar, la resistencia cultural y la incertidumbre institucional

ante la integración de la IA en los sistemas educativos, que con frecuencia

conduce a regulaciones improvisadas o a prohibiciones que no abordan

el fondo del problema.

Frente a estas diﬁcultades, el decálogo propuesto no pretende ofre-

cer soluciones cerradas, sino orientaciones para un trabajo pedagógico

que reconozca y gestione la complejidad del problema. La heutagogIA

emancipadora es un proyecto en construcción, no un modelo acabado:

requiere de experimentación, evaluación crítica y ajuste permanente. Fu-

turas investigaciones deberían avanzar en al menos cuatro direcciones.

En primer lugar, la evaluación empírica de propuestas de heutagogIA en

contextos educativos especíﬁcos, en particular en América Latina, donde

las condiciones de acceso, las tradiciones pedagógicas y las dinámicas de

poder tienen características propias que las propuestas provenientes del

Norte Global no capturan plenamente. En segundo lugar, el desarrollo de

marcos éticos y jurídicos que regulen el uso de la IA en educación desde

los principios de la justicia cognitiva y la equidad, más allá de los criterios

de eﬁciencia instrumental que predominan actualmente. En tercer lugar,

la investigación sobre modalidades de formación docente que capaciten

a los educadores no solo en el uso técnico de herramientas de IA, sino

en la reﬂexión ﬁlosóﬁca y ética sobre sus implicaciones pedagógicas. En

cuarto lugar, el diseño y la experimentación de sistemas de IA especíﬁca-

mente orientados a la heutagogía, que hagan de la autonomía crítica del

estudiante su criterio de optimización principal, en lugar de las métricas

de rendimiento estandarizadas.

En síntesis, la heutagogIA representa una oportunidad genuina

para repensar la educación en un mundo algorítmicamente mediado.

Pero esta oportunidad solo puede realizarse si se asume con plena con-

ciencia de la paradoja que la deﬁne: la misma herramienta que puede

potenciar la autonomía puede también erosionarla, y la diferencia entre

uno y otro resultado no reside en la tecnología misma, sino en la calidad

del pensamiento crítico, ético y pedagógico con el que se la aborda. La

educación debe seguir siendo, en última instancia, un camino hacia la li-

bertad: y la tecnología, incluyendo la IA, debe ser siempre un medio hacia

ese ﬁn, nunca su sustituto.

213

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

Bibliografía

ABELIUK, Ariel & GUTIÉRREZ, Carolina

2021 Historia y evolución de la inteligencia artiﬁcial. Revista Bits de Ciencia, (21),

14-21. https://bit.ly/4iEDXf0

AGUILAR, Xavier

2024 Seis casos de uso de la IA en las aulas que cambiarán la educación en 2024.

Barcelona: Universitat Oberta de Catalunya. https://bit.ly/3OVSGUZ

ALONSO RODRÍGUEZ, Ana

2021 Objetividad y verdad en la ciencia de la educación como ciencia de dise-

ño. Sophia, Colección de Filosofía de la Educación, (31), 113-135. https://doi.

org/10.17163/soph.n31.2021.04

BLASCHKE, Lisa & MARÍN, Victoria

2020 Aplicaciones de la heutagogía en el uso educativo de e-portfolios. Revista de

Educación a Distancia, 20(64). https://doi.org/10.6018/red.407831

CALDEIRO, Gabriel, CHAMORRO, Florencia, GONZÁLEZ, Nicolás,

KVITCA, Ariel & MILILLO, Cristian

2024 Inteligencia articial y aprendizaje activo: investigación y diseño de estrate-

gias de enseñanza con IA en escuelas. Buenos Aires: Fundar; PENT-FLACSO.

https://bit.ly/4gBvXcM

COLLINS, Harry & PINCH, Trevor

1996 El Gólem: lo que todos deberíamos saber acerca de la ciencia. Barcelona: Crítica.

DELEUZE, Gilles

2006 Conversaciones. Valencia: Pre-Textos.

DELEUZE, Gilles & GUATTARI, Félix

2002 Mil mesetas: capitalismo y esquizofrenia. Valencia: Pre-Textos.

DE SOUSA SANTOS, Boaventura

2006 Renovar la teoría crítica y reinventar la emancipación social. Buenos Aires:

CLACSO.

DELGADO, Jorge, ALMANZA, Juan & MACÍAS, José

2024 Análisis bibliométrico de la inteligencia artiﬁcial como herramienta en la

enseñanza en la educación superior. LATAM Revista Latinoamericana de

Ciencias Sociales y Humanidades, 5(6), 141-153. https://doi.org/10.56712/

latam.v5i6.2997

FOUCAULT, Michel

1990 Tecnologías del yo y otros textos anes. Barcelona: Paidós.

2002 Vigilar y castigar: el nacimiento de la prisión. México: Siglo XXI.

2006 Seguridad, territorio, población. Buenos Aires: FCE.

FREIRE, Paulo

1970 Pedagogía del oprimido. México: Siglo XXI.

GADAMER, Hans-Georg

2003 Verdad y método (vol. 1). Salamanca: Sígueme.

GARCÉS, Marina

2020 El contratiempo de la emancipación. Recurso de aprendizaje. Barcelona:

FUOC.

214

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

GARCÍA PEÑALVO, Francisco

2024 Inteligencia artiﬁcial generativa y educación: un análisis desde múltiples

perspectivas. Education in the Knowledge Society (EKS), 25, e31942. https://

doi.org/10.14201/eks.31942

GARCÍA PEÑALVO, Francisco, LLORENS LARGO, Faraón & VIDAL, Javier

2024 La nueva realidad de la educación ante los avances de la inteligencia ar-

tiﬁcial generativa. Revista Iberoamericana de Educación a Distancia, 27(1).

https://doi.org/10.5944/ried.27.1.37716

HABERMAS, Jürgen

1999 Teoría de la acción comunicativa: racionalidad de la acción y racionalización

social. Madrid: Taurus.

HAIRI, Faisal, MOHAMAD, Siti, SAAD, Saiful & PINANDITA, Tauﬁq

2022 A ematic Review on the Implementation of Heutagogy in Universities.

Journal of eoretical and Applied Information Technology, 100(21), 6686-

6701. https://bit.ly/49EAQPZ

HASE, Stewart & KENYON, Chris

2001 From Andragogy to Heutagogy. University of Glasgow.

HERMANN ACOSTA, Andrés

2011 Pedagogía del ciberespacio: hacia la construcción de un conocimiento co-

lectivo en la sociedad red. Sophia, Colección de Filosofía de la Educación,

(11), 83-103. https://bit.ly/4lkQyEF

KANT, Immanuel

2003 Respuesta a la pregunta ¿qué es la Ilustración? https://bit.ly/3BCIo9a

KUO, Ryan

2023 Noam Chomsky: e False Promise of ChatGPT. e New York Times. 8 de

marzo. https://bit.ly/3ZQuklU

KNOWLES, Malcolm

1970 e Modern Practice of Adult Education: Andragogy versus Pedagogy. Nueva

York: Associated Press.

LO, Chin

2023 What Is the Impact of ChatGPT on Education? A Rapid Review of the

Literature. Education Sciences, 13(4), 410. https://doi.org/10.3390/educs-

ci13040410

LÓPEZ, Diego

s. f. Filosofía de la tecnología: entre lo humano y lo técnico. Recurso de aprendi-

zaje textual. Barcelona: FUOC.

MEZZADRA, Sandro

2014 La cocina de Marx: el sujeto y su producción. Buenos Aires: Tinta Limón.

MOLLICK, Ethan & MOLLICK, Lilach

2023 Using AI to Implement Eective Teaching Strategies in Classrooms: Five Stra-

tegies, Including Prompts. e Wharton School Research Paper. 17 de marzo.

https://doi.org/10.2139/ssrn.4391243

MORANDÍN AHUERMA, Fabio

2023 Principios normativos para una ética de la inteligencia articial. Méxi-

co DF: Consejo de Ciencia y Tecnología del Estado de Puebla. https://bit.

ly/41AXs1N

215

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

L A T L

MORDUCHOWICZ, Roxana

2023 La inteligencia articial: ¿necesitamos una nueva educación? UNESCO.

https://bit.ly/4iErNCA

NARVÁEZ, Margarita & PRADA, Andrés

2005 Aprendizaje autodirigido y desempeño académico. Tiempo de Educar, 6(11),

115-146. https://bit.ly/4frmOTe

OBANDO, Edwin, VILLAGRÁN, Norma & OBANDO, Edson

2018 La redeﬁnición del sujeto cognoscente: el acto de intelección en cuanto

conocimiento. Sophia, Colección de Filosofía de la Educación, (25), 89-109.

https://bit.ly/4kSmIHJ

PARLAMENTO EUROPEO

2024 Reglamento sobre la inteligencia articial. https://bit.ly/3OXoGs4

PEÑALVER HIGUERA, Manuel, GUERRA CASTELLANOS, Yetzy, RODRÍGUEZ,

Lino & LÓPEZ, Rosario

2024 Transformando la educación con inteligencia artiﬁcial: hacia un aprendiza-

je personalizado en la Era 4.0. Revista de Ciencias Sociales, 30(4), 416-430.

https://doi.org/10.31876/rcs.v30i4.43040

PUENTE, Sonia, BAJAÑA, Luis, SERRANO, Carlos & VALLEJO, Karina

2024 La inteligencia artiﬁcial como recurso educativo en la educación supe-

rior. Recimundo, 8(3), 48-67. https://doi.org/10.26820/recimundo/8.(3).ju-

lio.2024.48-67

RAMÍREZ, Rodrigo

2023 Sesgos y discriminaciones sociales de los algoritmos en inteligencia ar-

tiﬁcial: una revisión documental. Entretextos, 15(39), 1-17. https://doi.

org/10.59057/iberoleon.20075316.202339664

RANCIÈRE, Jacques

1996 El maestro ignorante. Barcelona: Laertes.

SARMIENTO, Ingrid, ESPARZA OVIEDO, Silvia & TRIANA LLANO, Luis

2024 Educación ﬁlosóﬁca virtual para la reinserción social de personas pri-

vadas de la libertad. EducaT, 5(1), 63-67. https://doi.org/10.22490/

unad.27452115.8932

SYNTHESIS

2024 Synthesis School. http://bit.ly/4ﬁduB0

STIEGLER, Bernard

2015 La société automatique 1: L’avenir du travail. París: Fayard.

TRIANA LLANO, Luis

2025 Deleuze en la era digital: poder, diferencia y subjetividad. Revista AION, 66.

https://lc.cx/gLzbMw

UNESCO

2022 Recomendación sobre la ética de la inteligencia articial. https://bit.

ly/3OSlKwK

VALLÈS-PERIS, Núria

2022 Retos tecnocientícos. Recurso de aprendizaje textual. Barcelona: FUOC.

WINNER, Langdon

2008 La ballena y el reactor: una búsqueda de los límites en la era de la alta tecno-

logía. Barcelona: Gedisa.

216

Sophia 41: 2026.

ISSN impreso:1390-3861 / ISSN electrónico: 1390-8626, pp. 179-216.

La paradoja de la heutagogía y la inteligencia articial

e Paradox of Heutagogy and Articial Intelligence

Declaración de autoría-taxonomía CRediT

Autor Contribuciones

Luis Alberto Triana Llano

Al tratarse de autoría única, la contribución total cor-

responde al mismo autor. El contenido presentado en

el artículo es de exclusiva responsabilidad del autor.

Declaración de uso de inteligencia articial

El autor Luis Alberto Triana Llano, declara que la elaboración del artículo titulado

“La paradoja de la heutagogía y la inteligencia artiﬁcial”, contó con el apoyo de inte-

ligencia artiﬁcial (IA).

Se utilizó el sistema de inteligencia artiﬁcial Claude Sonnet 4.6 (Anthropic) exclusi-

vamente como herramienta de asistencia editorial: mejora de redacción, organiza-

ción de secciones y desarrollo formal de ideas ya concebidas por el autor. La totalidad

de los argumentos, la tesis central, el marco teórico, el análisis crítico y las conclu-

siones son del propio autor. Asimismo, el autor asume plena responsabilidad por el

contenido del artículo y ha veriﬁcado y validado toda la información presentada.

Fecha de recepción: 14 de diciembre de 2024

Fecha de revisión: 20 de febrero de 2025

Fecha de aprobación: 20 de mayo de 2025

Fecha de publicación: 15 de julio de 2026