Workflows basados en Inteligencia Artificial para plataformas educativas con agentes de apoyo académico y seguimiento del desempeño estudiantil: una revisión sistemática de literatura (2020-2026)
Resumen:
La integración de la Inteligencia Artificial (IA) en la educación ha transformado la personalización del aprendizaje y la gestión del desempeño estudiantil. El objetivo de este estudio fue analizar las tecnologías, estrategias de implementación y resultados reportados en la literatura científica reciente sobre workflows de IA y agentes educativos inteligentes. Bajo la metodología PRISMA, se realizó una revisión sistemática de 70 investigaciones publicadas entre 2020 y 2026 en bases de datos de alto impacto. Los hallazgos revelan una tendencia creciente hacia el uso de Inteligencia Artificial, sistemas multiagente, chatbots académicos, herramientas que han demostrado eficacia en la detección temprana de riesgos y el monitoreo automatizado. No obstante, se identificaron barreras críticas como la falta de interoperabilidad tecnológica y dilemas éticos en la gobernanza de datos. Se concluye que, si bien estas tecnologías son prometedoras para la evolución de los entornos digitales, su éxito depende del desarrollo de arquitecturas estandarizadas y estudios longitudinales que validen su impacto pedagógico a largo plazo.
Palabras clave: Flujo de trabajo de inteligencia artificial, Plataformas Educacionales, Agentes educativos inteligentes
Abstract:
The integration of Artificial Intelligence (AI) in education has transformed learning personalization and student performance management. This study aimed to analyze the technologies, implementation strategies, and reported outcomes in recent scientific literature regarding AI workflows and intelligent educational agents. Under the PRISMA methodology, a systematic review was conducted on 70 studies published between 2020 and 2026 in high-impact databases. The findings reveal a growing trend toward the use of IA, multi-agent systems, and academic chatbots that have proven effective in early risk detection and automated monitoring. However, critical barriers were identified, such as the lack of technological interoperability and ethical dilemmas in data governance. It is concluded that while these technologies are promising for the evolution of digital environments, their success depends on developing standardized architectures and conducting longitudinal studies to validate their long-term pedagogical impact.
Keywords: Artificial Intelligence Workflow, Educational Platforms, Intelligent Education Agents
1. Introducción
En la era digital, la incorporación de tecnologías emergentes en el ámbito educativo ha transformado la manera en que las instituciones de educación superior y los entornos virtuales de aprendizaje gestionan los procesos de enseñanza y aprendizaje, buscando ofrecer experiencias más dinámicas, personalizadas y centradas en el estudiante. En este contexto, las plataformas educativas digitales se han consolidado como herramientas fundamentales para facilitar la interacción académica, el acceso a contenidos y el seguimiento del progreso estudiantil; sin embargo, persisten limitaciones significativas relacionadas con la personalización del aprendizaje, el monitoreo continuo del desempeño académico y la provisión de retroalimentación oportuna y adaptativa. Estas dificultades se intensifican debido al creciente volumen y heterogeneidad de los datos educativos generados en los entornos virtuales, así como a la necesidad de responder de manera eficiente a las demandas individuales de los estudiantes.
Frente a este escenario, la Inteligencia Artificial (IA) se ha consolidado como un enfoque tecnológico clave para el desarrollo de plataformas educativas inteligentes, gracias a su capacidad para procesar grandes volúmenes de información, identificar patrones de comportamiento y automatizar procesos de toma de decisiones orientados al apoyo académico. Entre las aplicaciones más relevantes destacan los sistemas de recomendación educativa, la analítica del aprendizaje, los modelos predictivos de desempeño y, especialmente, los agentes educativos inteligentes, los cuales permiten implementar mecanismos de tutoría personalizada, asistencia automatizada y seguimiento adaptativo del estudiante. Estas soluciones buscan optimizar la experiencia de aprendizaje y fortalecer los procesos de acompañamiento académico mediante interacciones más contextualizadas y eficientes.
Desde una perspectiva de ingeniería de software e integración tecnológica, el desarrollo de estas soluciones requiere la definición de workflows de Inteligencia Artificial que articulen de manera estructurada componentes como adquisición y procesamiento de datos, modelos de aprendizaje automático, sistemas multiagente y mecanismos de retroalimentación automática. No obstante, la literatura científica evidencia una considerable fragmentación en los enfoques metodológicos utilizados para la implementación de estos workflows, así como una falta de estandarización en los procesos de integración entre modelos de IA, plataformas educativas y arquitecturas basadas en agentes inteligentes. Adicionalmente, se identifican desafíos relacionados con la interoperabilidad entre sistemas heterogéneos, la escalabilidad de las soluciones educativas inteligentes, la calidad y gobernanza de los datos académicos y la consideración de aspectos éticos vinculados con la privacidad, transparencia y uso responsable de la información estudiantil.
Si bien existen investigaciones previas orientadas al uso de Inteligencia Artificial en educación, muchas de ellas se enfocan únicamente en técnicas específicas de aprendizaje automático o en aplicaciones aisladas de agentes inteligentes, presentando resultados dispersos y limitados respecto a la integración completa de workflows de IA en plataformas educativas. Asimismo, la evidencia relacionada con las estrategias de implementación, arquitecturas tecnológicas y buenas prácticas para el desarrollo de soluciones educativas inteligentes aún resulta fragmentada y carece de una visión sistemática e integradora.
Para cubrir este vacío en la literatura, la presente investigación tiene como objetivo responder las siguientes preguntas de investigación:
- ¿Qué arquitecturas y técnicas de Inteligencia Artificial se emplean en workflows de plataformas educativas para el apoyo académico personalizado?
- ¿Cómo se integran los workflows de IA con agentes inteligentes para el monitoreo y predicción del desempeño estudiantil?
- ¿Qué evidencia existe sobre la efectividad de estas plataformas en el apoyo académico y la mejora del desempeño estudiantil frente a métodos tradicionales?
- ¿Qué desafíos y buenas prácticas se identifican para la implementación de workflows de IA con agentes inteligentes en educación superior?
Este artículo analiza las estrategias, arquitecturas y aplicaciones de workflows de Inteligencia Artificial integrados con agentes educativos inteligentes en plataformas educativas orientadas al apoyo académico y al seguimiento del desempeño estudiantil. Se espera que los hallazgos de esta revisión contribuyan al diseño de soluciones educativas más eficientes, adaptativas e interoperables, proporcionando una base conceptual y metodológica útil para investigadores, desarrolladores de software educativo y responsables de innovación tecnológica en instituciones académicas.
Estos objetivos se alcanzarán mediante un enfoque metodológico basado en una revisión sistemática de literatura estructurada bajo las directrices PRISMA, complementada con la extracción cualitativa de información relacionada con tecnologías, arquitecturas, desafíos y estrategias de implementación reportadas en la literatura reciente. Asimismo, se desarrollará un análisis cienciométrico de la producción académica existente con el fin de identificar tendencias de investigación, áreas emergentes y vacíos de conocimiento en el campo de la Inteligencia Artificial aplicada a plataformas educativas inteligentes.
El resto del artículo se organiza de la siguiente manera: la Sección 2 describe la metodología empleada para la revisión sistemática, incluyendo la estrategia de búsqueda y los criterios de selección de estudios. La Sección 3 presenta los resultados del análisis cienciométrico y la síntesis cualitativa de las tecnologías, workflows y agentes inteligentes identificados en la literatura. La discusión crítica de los hallazgos, las limitaciones metodológicas y el contraste entre enfoques se desarrolla en la Sección 4. Finalmente, las conclusiones y futuras líneas de investigación se presentan en la Sección 5.
1. Metodología
La presente revisión sistemática de literatura (SLR) tuvo como objetivo analizar los workflows de Inteligencia Artificial y las estrategias de integración de agentes educativos inteligentes en plataformas educativas, así como su contribución al apoyo académico y al seguimiento del desempeño estudiantil, siguiendo las directrices metodológicas establecidas por PRISMA
1.1. Diseño de investigación
El estudio adoptó un enfoque cualitativo de tipo descriptivo y analítico, basado en la recopilación, clasificación y evaluación crítica de artículos científicos relacionados con workflows de Inteligencia Artificial, agentes educativos inteligentes, plataformas educativas inteligentes, analítica del aprendizaje y sistemas de apoyo académico automatizado. La investigación permitió sintetizar evidencia proveniente de estudios enfocados en la implementación de soluciones basadas en IA para el monitoreo del desempeño estudiantil y la personalización del aprendizaje en entornos educativos digitales.
La investigación se estructuró en torno a cuatro preguntas científicas:
- RQ1: ¿Cuáles son los tipos de workflows de Inteligencia Artificial y agentes educativos inteligentes más utilizados en plataformas educativas para el apoyo académico y el monitoreo del desempeño estudiantil?
- RQ2: ¿Qué estrategias de implementación de workflows de Inteligencia Artificial con agentes educativos inteligentes se reportan en la literatura científica en plataformas educativas?
- RQ3: ¿Qué resultados se reportan en la mejora del apoyo académico y el monitoreo del desempeño estudiantil mediante el uso de plataformas educativas basadas en Inteligencia Artificial?
- RQ4: ¿Qué buenas prácticas se identifican para la implementación de workflows de Inteligencia Artificial con agentes educativos inteligentes en plataformas educativas?
1.2. Periodo de ejecución de la investigación
La investigación fue desarrollada entre enero y abril de 2026, abarcando las etapas correlativas de definición del problema de investigación; formulación de preguntas científicas; diseño de cadenas de búsqueda; recuperación y selección de artículos científicos; aplicación de criterios de inclusión y exclusión; evaluación de calidad metodológica; extracción y organización de datos; análisis cualitativo y cienciométrico de la literatura; y validación de los hallazgos relacionados con workflows de Inteligencia Artificial y agentes educativos inteligentes aplicados en plataformas educativas.
1.3. Estrategia de búsqueda
La búsqueda bibliográfica se realizó entre enero y marzo de 2026 en bases de datos científicas indexadas de alto impacto, incluyendo Scopus, IEEE Xplore, ACM Digital Library, arXiv, MDPI y Frontiers, considerando publicaciones en idioma inglés y español relacionadas con Inteligencia Artificial, agentes educativos inteligentes, plataformas educativas y analítica del aprendizaje. Para la identificación de estudios relevantes, se diseñaron cadenas de búsqueda de alta precisión adaptadas a la sintaxis específica de cada base de datos, integrando términos asociados a workflows de IA, sistemas multiagente, apoyo académico automatizado y monitoreo del desempeño estudiantil (Tabla 1).
Las búsquedas bibliográficas se realizaron entre enero y marzo de 2026, considerando publicaciones en idioma inglés y español relacionadas con workflows de Inteligencia Artificial, agentes educativos inteligentes y plataformas educativas orientadas al apoyo académico y monitoreo del desempeño estudiantil. Asimismo, se efectuó una revisión de referencias cruzadas y artículos relacionados con el propósito de identificar estudios adicionales relevantes para el análisis y fortalecer la cobertura de la revisión sistemática.
1.4. Criterios de inclusión y exclusión
Los criterios de inclusión abarcaron artículos científicos publicados entre 2020 y 2026 relacionados con workflows de Inteligencia Artificial, agentes educativos inteligentes, analítica del aprendizaje y plataformas educativas inteligentes; investigaciones aplicadas a contextos educativos, instituciones académicas o entornos virtuales de aprendizaje; estudios empíricos, revisiones sistemáticas, frameworks, arquitecturas tecnológicas o propuestas metodológicas orientadas al apoyo académico y monitoreo del desempeño estudiantil; así como publicaciones con DOI verificable e indexadas en las bases de datos seleccionadas.
Por otro lado, los criterios de exclusión comprendieron estudios duplicados; artículos sin acceso al texto completo; publicaciones no relacionadas con Inteligencia Artificial aplicada a la educación o sistemas basados en agentes inteligentes; y documentos de opinión, blogs, literatura gris o trabajos no indexados en fuentes científicas reconocidas.
1.5. Proceso de selección de estudios
Siguiendo las cuatro etapas establecidas por el flujo PRISMA, en la fase de identificación se recuperaron inicialmente los registros científicos provenientes de las bases de datos seleccionadas, eliminando posteriormente los estudios duplicados. En la etapa de selección se efectuó la revisión de títulos y resúmenes con el fin de determinar la relevancia temática de los trabajos en relación con workflows de Inteligencia Artificial, agentes educativos inteligentes y plataformas educativas orientadas al apoyo académico y monitoreo del desempeño estudiantil.
Durante la fase de elegibilidad se realizó la lectura a texto completo de los artículos preseleccionados, evaluando su pertinencia metodológica, enfoque tecnológico y contribución al desarrollo de soluciones educativas basadas en IA. Finalmente, se seleccionó una muestra de 70 artículos científicos para el análisis cualitativo y cienciométrico de la revisión sistemática.
1.6. Extracción y organización de datos
La información recopilada fue organizada utilizando Zotero y Microsoft Excel. Para cada uno de los 70 estudios seleccionados se registraron sistemáticamente las siguientes variables: autor y año de publicación; DOI; contexto educativo o institucional; población y muestra; tipo de workflow de Inteligencia Artificial o arquitectura basada en agentes; tecnologías empleadas; enfoque metodológico; técnicas de aprendizaje automático utilizadas; funcionalidades de apoyo académico y monitoreo del desempeño estudiantil; resultados reportados; barreras y facilitadores de implementación; evidencia de efectividad; buenas prácticas identificadas; y vacíos de investigación presentes en la literatura.
La sistematización de la información permitió identificar patrones recurrentes, tendencias tecnológicas y relaciones entre workflows de IA, agentes educativos inteligentes y estrategias de personalización del aprendizaje dentro de plataformas educativas inteligentes.
1.7. Técnica de análisis
Se aplicó una estrategia de análisis temático y comparativo. Los artículos fueron clasificados en categorías principales relacionadas con: workflows de Inteligencia Artificial en educación; agentes educativos inteligentes y sistemas multiagente; analítica del aprendizaje; sistemas de recomendación académica; monitoreo del desempeño estudiantil; automatización del apoyo académico; arquitecturas tecnológicas para plataformas educativas inteligentes; y aspectos éticos y de interoperabilidad en soluciones educativas basadas en IA.
Posteriormente, se compararon resultados, metodologías, tecnologías y enfoques reportados por los diferentes autores con el propósito de identificar coincidencias, diferencias, buenas prácticas, limitaciones y vacíos de investigación presentes en la literatura científica actual sobre Inteligencia Artificial aplicada a entornos educativos.
1.8. Análisis cienciométrico
Con el objetivo de complementar la revisión sistemática, se desarrolló un análisis cienciométrico utilizando Google Colab y herramientas bibliométricas para identificar patrones de producción científica relacionados con Inteligencia Artificial aplicada a plataformas educativas inteligentes. Se analizó la evolución temporal de las publicaciones entre 2020 y 2026, observándose un incremento significativo en investigaciones vinculadas con workflows de Inteligencia Artificial, agentes educativos inteligentes, analítica del aprendizaje y sistemas de apoyo académico automatizado a partir de 2021.
El mayor volumen de publicaciones se registró entre 2024 y 2026, evidenciando el creciente interés académico en el desarrollo de plataformas educativas inteligentes impulsadas por Inteligencia Artificial, automatización de procesos educativos y tecnologías adaptativas orientadas al monitoreo del desempeño estudiantil y la personalización del aprendizaje.
1.8.2. Distribución por países e instituciones
Los estudios identificados provienen principalmente de:
Asimismo, las instituciones de educación superior representan uno de los principales contextos de investigación debido al creciente interés en la implementación de plataformas educativas inteligentes capaces de integrar workflows de Inteligencia Artificial, agentes educativos y mecanismos de analítica del aprendizaje para mejorar el apoyo académico y el seguimiento del desempeño estudiantil.
1.8.3. Análisis de concurrencia de palabras clave
El análisis de concurrencia permitió identificar los términos más frecuentes dentro de la literatura analizada.
Los resultados muestran una fuerte relación entre la implementación de workflows de Inteligencia Artificial, el uso de agentes educativos inteligentes y la mejora de los procesos de apoyo académico, personalización del aprendizaje y monitoreo del desempeño estudiantil.
1.8.5. Análisis de redes de citación
El análisis de redes de citación evidenció que los trabajos relacionados con Inteligencia Artificial educativa, analítica del aprendizaje, agentes educativos inteligentes y sistemas de apoyo académico automatizado poseen una alta conectividad dentro de la literatura científica reciente. Los estudios de Holmes (2019), Chen (2021), Khosravi (2022), Almohammadi (2024) y Zawacki-Richter (2019) aparecen como referencias frecuentes en investigaciones posteriores relacionadas con plataformas educativas inteligentes, aprendizaje adaptativo y monitoreo automatizado del desempeño estudiantil.
Además, se identificó una tendencia creciente hacia investigaciones interdisciplinarias que integran Inteligencia Artificial, ciencia de datos educativa, sistemas multiagente y tecnologías de aprendizaje adaptativo para optimizar los procesos de enseñanza y personalización educativa.
2. Resultados
La aplicación del protocolo metodológico permitió organizar los hallazgos de la revisión sistemática en matrices estructuradas de análisis, asegurando el cumplimiento de las directrices PRISMA y Kitchenham para la síntesis, trazabilidad y representación de resultados sobre Inteligencia Artificial aplicada a plataformas educativas inteligentes.
|
Fase del Flujo PRISMA |
Criterio / Proceso Aplicado |
Cantidad de Documentos |
|
Identificación Inicial |
Búsqueda por palabras clave en Scopus, IEEE, ACM, arXiv, MDPI y Frontiers. |
143 artículos recuperados. |
|
Depuración y Filtrado |
Eliminación de registros duplicados, estudios sin revisión por pares y publicaciones ajenas a la aplicación de Inteligencia Artificial y agentes inteligentes en entornos educativos digitales. |
78 artículos excluidos. |
|
Selección Final |
Inclusión de estudios con evidencia empírica o conceptual relacionados con workflows de Inteligencia Artificial, agentes educativos inteligentes y plataformas educativas orientadas al apoyo académico y monitoreo del desempeño estudiantil. |
50 artículos seleccionados. |
|
Tendencia Observada |
Alta concentración de estudios orientados al apoyo académico automatizado y aprendizaje adaptativo, frente a una menor profundización en arquitecturas interoperables y workflows completos de IA educativa. |
Análisis cualitativo completo. |
2.1. Perfil cienciométrico de la muestra seleccionada
Tabla 2 – Perfil cienciométrico y demográfico de la muestra seleccionada
|
Categoría de Análisis |
Variable / Clasificación |
Frecuencia (fi ) |
Porcentaje (%) | ||
|
Año de Publicación |
2024 – 2026 (Último trienio) |
34 |
48.6% | ||
|
2020 – 2023 (Periodo base) |
36 |
51.4% | |||
|
Bases de Datos / Editorial |
Scopus |
20 |
28.6% | ||
|
IEEE Xplore |
14 |
20.0% | |||
|
MDPI |
12 |
17.1% | |||
|
Frontiers |
9 |
12.9% | |||
|
7 |
11.4% | |||
|
ACM Digital Library |
5 |
10.0% | |||
|
Contexto de Aplicación |
Educación Superior (Universidades e Instituciones Académicas) |
38 |
57.1% | ||
|
Plataformas de Educación Virtual / LMS |
20 |
25.7% | |||
|
Entornos Inteligentes de Aprendizaje y Sistemas Multiagente |
12 |
17. 17.1%% | |||
|
Total Consolidado |
Cálculo sobre muestra final |
70 |
100.0% |
2.1. Resultados de Estudio de Temas en Artículos
El análisis de esta búsqueda nos permitió saber la cantidad de tecnologías y temas de los artículos estudiados, logrando tener contexto sobre esta aplicación.
Tabla 3 - Resultados de estudios de temas en los artículos
|
Temas |
Cantidad de Articulos Encontrados |
|
Articulos que hablan el tema de Inteligencia Artificial |
26 |
|
Articulos que hablan el tema de Multi-Agentes |
2 |
|
Articulos que hablan el tema de ChatBots |
2 |
|
Articulos que hablan el tema de Educación |
31 |
3. Discusión
El análisis integral del conjunto consolidado de 50 artículos científicos permitió examinar las tendencias, beneficios y desafíos asociados con la implementación de workflows de Inteligencia Artificial y agentes educativos inteligentes en plataformas educativas orientadas al apoyo académico y al monitoreo del desempeño estudiantil. Los resultados obtenidos evidencian que una proporción significativa de las investigaciones se concentra en instituciones de educación superior, las cuales representan el principal entorno de aplicación de soluciones educativas basadas en IA debido al crecimiento de los ecosistemas digitales de aprendizaje y a la necesidad de optimizar los procesos de seguimiento académico en entornos virtuales.
A pesar de las diferencias entre plataformas tecnológicas, modelos educativos y arquitecturas institucionales, la literatura revisada revela desafíos comunes en la adopción de sistemas inteligentes dentro de contextos educativos. Entre las principales limitaciones identificadas destacan la falta de interoperabilidad entre plataformas, restricciones presupuestarias, resistencia institucional frente a la transformación digital y escasa capacitación técnica en el uso de herramientas basadas en Inteligencia Artificial. Estos factores dificultan la integración eficiente de workflows inteligentes y reducen el potencial de escalabilidad de las soluciones educativas automatizadas.
En relación con las estrategias de implementación y las buenas prácticas identificadas, los estudios analizados coinciden en que el éxito de las plataformas educativas inteligentes depende de la integración equilibrada entre componentes tecnológicos, metodologías pedagógicas y mecanismos de interacción adaptativa. La literatura muestra que tecnologías como learning analytics, sistemas multiagente, asistentes virtuales y chatbots educativos constituyen las soluciones más utilizadas para automatizar procesos de tutoría, personalizar contenidos académicos y monitorear el comportamiento de los estudiantes en tiempo real.
Asimismo, múltiples investigaciones reportan que los agentes educativos inteligentes presentan mejores resultados cuando se integran con modelos predictivos capaces de detectar riesgos académicos, identificar patrones de aprendizaje y generar alertas tempranas sobre posibles dificultades estudiantiles. La automatización de procesos de seguimiento mediante dashboards inteligentes y sistemas de recomendación académica fortalece la toma de decisiones pedagógicas y facilita intervenciones oportunas por parte de docentes e instituciones educativas.
Respecto a los resultados reportados por la literatura, los hallazgos muestran que la implementación de workflows de Inteligencia Artificial contribuye significativamente a mejorar la personalización del aprendizaje, incrementar la participación estudiantil y optimizar el monitoreo automatizado del desempeño académico. Diversos estudios evidencian mejoras en indicadores relacionados con retención estudiantil, interacción en plataformas virtuales y eficiencia en procesos de apoyo académico, especialmente en entornos de aprendizaje híbrido y educación virtual.
Sin embargo, la literatura también expone desafíos importantes relacionados con aspectos técnicos, organizacionales y éticos. La coexistencia de sistemas heredados, infraestructuras educativas heterogéneas y arquitecturas tecnológicas no estandarizadas limita la interoperabilidad de los workflows de IA y dificulta la integración de agentes inteligentes en plataformas educativas complejas. De igual manera, varios autores resaltan preocupaciones asociadas con la privacidad de los datos estudiantiles, transparencia algorítmica y posibles sesgos en los modelos predictivos utilizados para la toma de decisiones académicas automatizadas.
Finalmente, el análisis del estado del arte evidencia una tendencia creciente hacia investigaciones interdisciplinarias que combinan Inteligencia Artificial, analítica del aprendizaje, minería de datos educativos y sistemas multiagente para el desarrollo de plataformas educativas inteligentes más adaptativas y escalables. Los resultados obtenidos confirman que los workflows de IA y los agentes educativos inteligentes representan una de las líneas de investigación con mayor proyección dentro de la educación digital, debido a su capacidad para transformar los procesos de enseñanza-aprendizaje y fortalecer el acompañamiento académico en entornos educativos dinámicos y altamente digitalizados.
4. Limitaciones del estudio
· Aunque la presente revisión sistemática fue desarrollada bajo los lineamientos metodológicos PRISMA, existen diversas limitaciones asociadas tanto a la naturaleza de los estudios incluidos como al alcance de la evidencia científica disponible sobre workflows de Inteligencia Artificial y agentes educativos inteligentes aplicados a plataformas educativas.
· Diversidad de escenarios y contextos de aplicación:
Los estudios analizados fueron desarrollados en distintos entornos educativos y tecnológicos, incluyendo universidades, plataformas virtuales de aprendizaje, sistemas LMS, modelos híbridos y arquitecturas experimentales basadas en agentes inteligentes. Esta heterogeneidad en infraestructuras, metodologías pedagógicas y niveles de transformación digital genera variaciones importantes entre los resultados reportados, dificultando la extrapolación uniforme de conclusiones hacia todos los contextos educativos.
· Limitada evidencia longitudinal y experimental:
Una parte considerable de las investigaciones revisadas se basa en estudios piloto, simulaciones controladas o implementaciones institucionales de corta duración. En consecuencia, existe poca evidencia longitudinal que permita evaluar el impacto sostenido de los workflows de Inteligencia Artificial sobre variables como desempeño académico, permanencia estudiantil, aprendizaje adaptativo y automatización del apoyo académico en periodos prolongados.
· Ausencia de estandarización tecnológica:
La literatura científica evidencia una amplia variedad de arquitecturas, frameworks y metodologías para el diseño e integración de sistemas inteligentes en educación. Esta dispersión metodológica dificulta la comparación directa entre investigaciones y limita la construcción de modelos de referencia estandarizados para la implementación de plataformas educativas inteligentes basadas en IA y agentes educativos.
· Alcance restringido de la búsqueda científica:
La estrategia de búsqueda fue delimitada exclusivamente a artículos indexados en bases de datos científicas seleccionadas durante el periodo 2020–2026. Asimismo, se excluyeron documentos de literatura gris, reportes técnicos institucionales, tesis y desarrollos no indexados, lo que implica que algunos avances prácticos o implementaciones reales de Inteligencia Artificial educativa podrían no haber sido considerados dentro del análisis.
· Restricciones relacionadas con privacidad y disponibilidad de datos:
Diversos estudios identifican dificultades asociadas con el acceso a datos académicos reales debido a políticas de privacidad, confidencialidad y protección de información estudiantil. Estas limitaciones afectan la disponibilidad de datasets educativos abiertos y condicionan el entrenamiento, validación y replicabilidad de modelos inteligentes utilizados para monitoreo académico y personalización del aprendizaje.
· Evolución acelerada de las tecnologías de IA:
El campo de la Inteligencia Artificial aplicada a la educación evoluciona constantemente debido al surgimiento de nuevas herramientas, modelos generativos y sistemas autónomos de aprendizaje. Por ello, algunas tecnologías y enfoques identificados en esta revisión podrían cambiar rápidamente en los próximos años, modificando las tendencias actuales y generando nuevos paradigmas en el desarrollo de plataformas educativas inteligentes
5. Conclusiones
La presente revisión sistemática permitió analizar el estado actual de los workflows de Inteligencia Artificial y los agentes educativos inteligentes aplicados en plataformas educativas orientadas al apoyo académico y al monitoreo del desempeño estudiantil. Los hallazgos obtenidos evidencian que la integración de tecnologías basadas en IA está transformando progresivamente los entornos digitales de aprendizaje, favoreciendo procesos de personalización educativa, automatización del seguimiento académico y generación de experiencias adaptativas centradas en el estudiante.
Los resultados muestran que la implementación de workflows de Inteligencia Artificial no depende únicamente de la incorporación de modelos de aprendizaje automático o herramientas analíticas, sino de la construcción de ecosistemas educativos integrados capaces de combinar componentes tecnológicos, metodologías pedagógicas y mecanismos de interacción inteligente. En este sentido, la literatura revisada confirma que soluciones como learning analytics, agentes educativos inteligentes, chatbots académicos y sistemas de recomendación constituyen las tecnologías más utilizadas para fortalecer el monitoreo del desempeño estudiantil y optimizar la toma de decisiones pedagógicas en tiempo real.
Asimismo, el análisis comparativo de los estudios evidencia diferencias importantes en la manera en que los autores abordan el papel de la Inteligencia Artificial dentro de los procesos educativos. Investigaciones iniciales centraban su atención principalmente en la automatización de tareas académicas y análisis predictivos básicos; sin embargo, estudios más recientes proponen modelos más complejos basados en arquitecturas adaptativas, sistemas multiagente y workflows inteligentes capaces de responder dinámicamente a las necesidades individuales de los estudiantes. Esta evolución refleja una transición desde enfoques tecnológicos aislados hacia plataformas educativas inteligentes con capacidades de adaptación continua y asistencia personalizada.
A pesar del crecimiento acelerado de este campo de investigación, la revisión también permitió identificar importantes desafíos relacionados con interoperabilidad tecnológica, integración de sistemas heredados, privacidad de datos estudiantiles y ausencia de estándares unificados para el desarrollo de workflows de IA educativa. Estas limitaciones dificultan la escalabilidad de las soluciones inteligentes y generan restricciones para su implementación masiva dentro de instituciones educativas con diferentes niveles de madurez digital y disponibilidad tecnológica.
De igual manera, la literatura evidencia que la efectividad de los agentes educativos inteligentes depende considerablemente de la calidad de los datos académicos utilizados, de la transparencia de los modelos algorítmicos y de la capacidad institucional para integrar estas tecnologías dentro de estrategias pedagógicas sostenibles. Por ello, la adopción de Inteligencia Artificial en educación requiere no solo infraestructura tecnológica adecuada, sino también políticas institucionales orientadas a la ética, protección de datos y formación digital de docentes y estudiantes.
Aunque la revisión fue desarrollada siguiendo criterios metodológicos rigurosos, se reconocen ciertas limitaciones relacionadas con la heterogeneidad de los estudios analizados, la diversidad de contextos educativos y la rápida evolución de las tecnologías de IA. Además, la exclusión de literatura gris y desarrollos tecnológicos no indexados podría haber limitado la incorporación de experiencias prácticas relevantes implementadas fuera del ámbito académico formal.
Finalmente, los hallazgos obtenidos confirman que los workflows de Inteligencia Artificial y los agentes educativos inteligentes representan una de las líneas de innovación con mayor potencial dentro de la educación digital contemporánea. Se considera necesario que futuras investigaciones desarrollen estudios longitudinales, modelos interoperables y evaluaciones empíricas a gran escala que permitan medir el impacto real de estas tecnologías sobre el rendimiento académico, la retención estudiantil y la sostenibilidad de los ecosistemas educativos inteligentes en contextos reales de aprendizaje.
Referencias
[1] Muthmainnah. (2026). Technology assisted through virtual robot tutor (VTR) in writing English short stories: From tools to innovative pedagogy. https://doi.org/10.4018/979-8-3373-5601-3.ch010
[2] Saurel. (2026). MAESTRO: Multi-agent educational system for tutoring and recommendation orchestration. https://doi.org/10.1007/978-3-032-03873-9_53
[3] Zhao, X. (2025). Factors influencing medical students’ adoption of AI educational agents: An extended UTAUT model. https://doi.org/10.1186/s12909-025-08234-z
[4] Peng. (2025). AI empowerment in the construction and practice of intelligent courses. https://doi.org/10.1109/BDEE67464.2025.00049
[5] Volkov, E. (2025). Intelligent AI-agents in education: A brief overview of concepts. https://doi.org/10.1109/CTS67336.2025.11196256
[6] Rehm, J. (2024). The virtual driving instructor: Multi-agent system collaborating via knowledge graph for scalable driver education. https://doi.org/10.1002/aaai.12201
[7] Kasaii. (2025). Agent-based approaches towards smart higher education: A preliminary review. https://doi.org/10.1109/ISC266238.2025.11293344
[8] Nguyen. (2025). Mapping the knowledge construction process through interactions with an embodied GenAI agent in mixed reality. https://doi.org/10.1109/ICALT64023.2025.00066
[9] Ma, Q. (2025). How to teach programming in the AI era? Using LLMs as a teachable agent for debugging. https://doi.org/10.1007/978-3-031-64302-6_19
[10] Madyatmadja, E. D. (2019). Machine learning technique analysis and applications for predicting student performance. https://doi.org/10.35940/ijeat.A9678.109119
[11] Zhao. (2026). The role of intelligent agents and student interaction in promoting knowledge transfer and deep learning in vocational education. https://doi.org/10.1145/3785987.3786030
[12] Popov. (2020). Knowledge model for developing, searching and using personalized learning content for learners having dyslexia disability. https://doi.org/10.1145/3407982.3407997
[13] Conde, M. Á. (2013). A promised land for educational decision-making? Present and future of learning analytics. https://doi.org/10.1145/2536536.2536573
[14] Chen. (2025). Research on the teaching experiment mode of low-code platform integrated with intelligent agent: Enhancing programming education with AI-assisted low-code development. https://doi.org/10.1145/3764206.3764222
[15] Kim. (2025). Augmented educators and AI: Shaping the future of human-AI collaboration in learning. https://doi.org/10.1145/3706599.3706720
[16] Martinez-Maldonado. (2016). Interactive surfaces and learning analytics: Data, orchestration aspects, pedagogical uses and challenges. https://doi.org/10.1145/2883851.2883873
[17] Melesko. (2018). Semantic technologies in e-learning: Learning analytics and artificial neural networks in personalised learning systems. https://doi.org/10.1145/3227609.3227669
[18] Arokiaraj, T. (2023). Intelligent agents for crowdsourced software engineering: A survey. https://doi.org/10.1145/3590837.3590868
[19] Kaliisa Rogers. (2024). Have learning analytics dashboards lived up to the hype? A systematic review of impact on students' achievement, motivation, participation and attitude. https://doi.org/10.1145/3636555.3636884
[20] Chen Shu. (2025). Research on the application of AIGC in accounting smart classroom teaching in private colleges and universities. https://doi.org/10.1145/3733054.3733075
[21] Erverson B. G. (2021). Applications of learning analytics in high schools: A systematic literature review. https://doi.org/10.3389/frai.2021.737891
[22] Tulk Jesso. (2020). Behavioral cues of humanness in complex environments: How people engage with human and artificially intelligent agents in a multiplayer videogame. https://doi.org/10.3389/frobt.2020.531805
[23] Loizou. (2024). Designing, implementing and testing an intervention of affective intelligent agents in nursing virtual reality teaching simulations: A qualitative study. https://doi.org/10.3389/fdgth.2024.1307817
[24] Zhao. (2022). Artificial intelligence-based family health education public service system. https://doi.org/10.3389/fpsyg.2022.898107
[25] Xu, X. (2026). Impact of educational agents on student’s learning outcomes: A meta-analysis. https://doi.org/10.3389/fpsyg.2026.1707196
[26] Chmait. (2021). Artificial intelligence and machine learning in sport research: An introduction for non-data scientists. https://doi.org/10.3389/fspor.2021.682287
[27] Todhunter. (2024). Artificial intelligence and machine learning applications for cultured meat. https://doi.org/10.3389/frai.2024.1424012
[28] Eskandarany. (2024). Adoption of artificial intelligence and machine learning in banking systems: A qualitative survey of board of directors. https://doi.org/10.3389/frai.2024.1440051
[29] Mahdi-Reza. (2024). Analyzing click data with AI: Implications for student performance prediction and learning assessment. https://doi.org/10.3389/feduc.2024.1421479
[30] Rakow. (2023). Student perspectives on their digital footprint in virtual learning environments. https://doi.org/10.3389/feduc.2023.1208671
[31] Gómez. (2021). Multi-agent systems for the management of resources and activities in a smart classroom. https://doi.org/10.1109/TLA.2021.9468444
[32] Mittal. (2023). Human-centered artificial intelligence in education: Present and future opportunities. https://doi.org/10.1109/ICACITE57410.2023.10182545
[33] Muhammad Zahid. (2021). Exploring the real-time touchless hand interaction and intelligent agents in augmented reality learning applications. https://doi.org/10.23919/iLRN52045.2021.9459415
[34] Du, M., & Xu, X. (2025). A comprehensive survey on large-language-model-based agents for education. https://doi.org/10.1109/TLT.2025.3617909
[35] Glushkova. (2024). Personalization of lifelong learning in school educational platform. https://doi.org/10.1109/InfoTech63258.2024.10701358
[36] Gowrabhathini. (2023). Role of human-centred artificial intelligence in facilitating learning management system. https://doi.org/10.1109/ICACITE57410.2023.10182557
[37] Etinger, D. (2024). Event log collection and processing in educational environments: Discovering usage patterns for learning management systems. https://doi.org/10.1109/SISY62279.2024.10737560
[38] Kotova, E. E. (2018). Communication models in the e-learning environment based on intelligent agents. https://doi.org/10.1109/COMSDS.2018.8354952
[39] Elghibari, F. (2015). Intelligent e-learning system model for maintenance of updates courses. https://doi.org/10.1109/ITHET.2015.7218028
[40] Dung, P. Q. (2011). An architecture and a domain ontology for personalized multi-agent e-learning systems. https://doi.org/10.1109/KSE.2011.35
[41] Alonso-Secades. (2022). Designing an intelligent virtual educational system to improve the efficiency of primary education in developing countries. https://doi.org/10.3390/electronics11091487
[42] Rerhaye. (2021). Evaluation methods for an AI-supported learning management system: Quantifying and qualifying added values for teaching and learning. https://doi.org/10.1007/978-3-030-77857-6_28
[43] Çakmak, F. (2022). Chatbot-human interaction and its effects on EFL students’ L2 speaking performance and anxiety. https://doi.org/10.22126/tale.2023.2732
[44] Madyatmadja, E. D. (2019). Machine learning technique analysis and applications for predicting student performance. https://doi.org/10.35940/ijeat.A9678.109119
[45] Aguilar, J. (2018). Learning analytics tasks as services in smart classrooms. https://doi.org/10.1007/s10209-017-0525-0
[46] Asopa, P. (2016). Evaluating student performance using fuzzy inference system in fuzzy ITS. https://doi.org/10.1109/ICACCI.2016.7732318
[47] Shao, L. (2026). A resource-aware multi-agent reinforcement learning framework for personalized English teaching. https://doi.org/10.6180/jase.202607_30.033
[48] Slotta. (2013). Orchestrating of complex inquiry: Three roles for learning analytics in a smart classroom infrastructure. https://doi.org/10.1145/2460296.2460352
[49] Schiaffino, S. (2008). eTeacher: Providing personalized assistance to e-learning students. https://doi.org/10.1016/j.compedu.2008.05.008
[50] Fuentes-Fernández. (2018). Multi-agent systems that learn to monitor students’ activity. https://doi.org/10.1007/978-3-030-03928-8_9
