IMPACTO DE LA INTELIGENCIA ARTIFICIAL GENERATIVA EN LA FORMACIÓN DE
COMPETENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS EN EDUCACIÓN
SUPERIOR

THE IMPACT OF GENERATIVE ARTIFICIAL INTELLIGENCE ON THE
DEVELOPMENT OF ACCOUNTING, ECONOMIC, AND FINANCIAL SKILLS IN
HIGHER EDUCATION

Autores: ¹Yajaira Natali Luque Soriano, ²David Enrique Defás Rugel, ³Edison David Carrillo
Ramírez y ⁴Johana Yasmina Gallardo Otero.

¹
ORCID ID:
https://orcid.org/0009
-
0009
-
3665
-
6697

²ORCID ID:
https://orcid.org/0000
-
0003
-
2150
-
1034

³
ORCID ID:
https://orcid.org/0009
-
0000
-
2902
-
3159

⁴ORCID ID:
https://orcid.org/0000
-
0002
-
4214
-
5553

¹E-mail de contacto:
yluques@unemi.edu.ec

²E-mail de contacto:
ddefas@ups.edu.ec

³E-mail de contacto:
edisonc75@gmail.com

⁴E-mail de contacto:
jgallardoo@ecotec.edu.ec

Afiliación:
¹*Universidad Estatal de Milagro, (Ecuador).
2*
Universidad Politécnica Salesiana, (Ecuador). ³*Unidad Educativa Particular
Martim Cererê, (Ecuador). ⁴*Universidad Tecnológica Ecotec, (Ecuador).

Articulo recibido: 9 de Agosto del 2026.

Articulo revisado: 11 de Agosto del 2026.

Articulo aprobado: 11 de Agosto del 2026.

¹Ingeniera Comercial con mención en Administración Financiera, graduada de la Universidad Estatal de Milagro (Ecuador). Magíster en
Contabilidad y Auditoría con mención en Gestión Tributaria.

²Ingeniero Comercial, graduado por la Universidad Laica Vicente Rocafuerte, (Ecuador). Magíster en Auditoría Integral, graduado de la
Universidad Tecnica Particular de Loja, (Ecuador). Magíster en Educación Superior, graduado de la Universidad de Guayaquil, (Ecuador).

³Ingeniero en Marketing, graduado de la Universidad Tecnológica Equinoccial, (Ecuador). Magíster en Gestión del Talento Humano por
la Universidad Internacional SEK (UISEK).

⁴Economista, graduada por la Universidad de Guayaquil, (Ecuador). Máster en Planificacion Territorial y Gestion Ambiental , Universitat
de Barcelona (España).

Resumen

La
incorporación
de
inteligencia
artificial
generativa
en
la
educación
superior
planteó
tensiones
entre
automatización,
aprendizaje
disciplinar
y
autonomía
profesional,
especialmente
en
la
formación
contable,
económica y financiera. El objetivo general fue
analizar el impacto de la inteligencia artificial
generativa
en
la
formación
de
competencias
contables,
económicas
y
financieras
en
educación superior para determinar sus aportes
formativos.
Se
desarrolló
una
revisión
documental comparativa, de alcance descriptivo
y
enfoque
cualitativo;
la
muestra
comprendió
siete
estudios
seleccionados
por
pertinencia
temática, examinados mediante una matriz de
análisis
categorial.
Los
hallazgos
mostraron
mejoras
potenciales
en
precisión
técnica,
interpretación
de
información,
resolución
de
problemas y toma de decisiones, aunque el uso
ocasional, la preparación docente insuficiente,
el
acceso
desigual
y
la
débil
gobernanza
limitaron
su
alcance.
La
evidencia
fue
más
consistente en contabilidad que en economía y
finanzas.
Se
determinó
que
la
tecnología
fortaleció competencias cuando estuvo mediada
por
problemas
profesionales,
evaluación
auténtica,
verificación
crítica
y
criterios
pedagógicos, éticos e institucionales.

Palabras
clave:
Inteligencia
artificial
generativa,
Educación
superior,
Competencias
profesionales,
Formación
contable, Innovación curricular.

Abstract

The
incorporation
of
generative
artificial
intelligence
into
higher
education
raised
tensions
between
automation,
disciplinary
learning,
and
professional
autonomy,
particularly
in
accounting,
economics,
and
finance education. The overall objective was to
a
nalyze
the
impact
of
generative
artificial
intelligence on the development of accounting,
economics, and finance competencies in higher
education
to
determine
its
educational
contributions. A comparative literature review

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 251

was conducted, with a descriptive scope and a
qualitative
approach;
the
sample
comprised
seven
studies
selected
for
thematic
relevance,
which
were
examined
using
a
categorical
analysis matrix. The findings revealed potential
improvements
in
technical
accur
acy,
information
interpretation,
problem
-
solving,
and decision
-
making, although occasional use,
insufficient faculty preparation, unequal access,
and
weak
governance
limited
its
scope.
The
evidence
was
more
consistent
in
accounting
than
in
economics
and
fi
nance.
It
was
determined
that
technology
strengthened
competencies
when
it
was
mediated
by
professional
problems,
authentic
assessment,
critical
verification,
and
pedagogical,
ethical,
and institutional criteria.

Keywords: Generative artificial intelligence,
Higher
education,
Professional
skills,
Accounting
training,
Curriculum
innovation.

Sumário

A
incorporação
da
inteligência
artificial
generativa no ensino superior suscitou tensões
entre
a
automatização,
a
aprendizagem
disciplinar
e
a
autonomia
profissional,
especialmente
na
formação
em
contabilidade,
economia e finanças. O objetivo geral consistiu
em analisar o impacto da inteligência artificial
generativa
na
formação
de
competências
contabilísticas,
económicas
e
financeiras
no
ensino
superior,
a
fim
de
determinar
os
seus
contributos
formativos.
Foi
realizada
uma
revisão
documental
comparativa,
de
âmbito
descritivo
e
abordagem
qualitativa;
a
amostra
incluiu sete estudos selecionados com base na
pertinência temática, analisados através de uma
matriz
de
análise
categórica.
Os
resultados
revelaram
potenciais
melhorias
na
precisão
técnica,
na
interpretação
da
informação,
na
resolução
de
problemas
e
na
tomada
de
decisões,
embora
a
utilização
ocasional,
a
preparação
insuficiente
do
corpo
docente,
o
acesso
desigual
e
a
fraca
governação
tenham
limitado
o
seu
alcance.
As
evidências
foram
mais consistentes na área da contabilidade do
que
nas
áreas
da
ec
onomia
e
das
finanças.
Concluiu
-
se
que
a
tecnologia
reforçou
as
competências
quando
foi
mediada
por
problemas
profissionais,
avaliação
autêntica,
verificação
crítica
e
critérios
pedagógicos,
éticos e institucionais.

Palavras
-
chave:
Inteligência
artificial
generativa,
Ensino
superior,
Competências
profissionais,
Formação
em
contabilidade,
Inovação curricular.

Introducción

La
inteligencia
artificial
generativa
se
ha
conformado en una línea científica expansiva en
economía financiera, en educación superior, el
análisis
de
308
publicaciones
situó
el
aprendizaje automático como núcleo (Pereira et
al., 2025). Mientras que la formación contable
comenzó
a
desplazarse
del
registro
operativo
hacia el análisis, la supervisión inteligente y la
toma
de
decisiones
informadas
(Sánchez
y
Pincay, 2026).

Esta transformación avanza con mayor rapidez
que
la
preparación
universitaria,
de
150
estudiantes
de
Contabilidad
y
Auditoría
de
la
Universidad Estatal de Milagro, el 68 % cursaba
séptimo
u
octavo
semestre;
pese
a
ello,
el
conocimiento
sobre
inteligencia
artificial
alcanzó
una
media
de
3,61
y
la
presencia
curricular obtuvo 3,28, frente a una valoración
pedagógica
de
3,94.
La
distancia
entre
disposición, dominio y formación formal afecta
a quienes se aproximan al ejercicio profesional
contable (Sánchez y Pincay, 2026).

El
desfase
obedece
a
planes
de
estudio
sin
incorporación
sistemática
de
la
inteligencia
artificial,
preparación
docente
insuficiente,
restricciones
tecnológicas
y
métodos
formativos
alejados
de
la
automatización
profesional (Sánchez y Pincay, 2026). Además,
operan desigualdades de acceso y habilidades:
los usuarios experimentados aprovechan mejor
la
inteligencia
artificial
generativa,
mientras
quienes poseen menor experiencia profesional
reciben beneficios reducidos, situación capaz de
ampliar diferencias de desempeño en decisiones

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 252

financieras y debilitar la equidad educativa (Mo
y Ouyang, 2025). Esta insuficiencia formativa
es
grave,
los
modelos
generativos
producen
falsedades,
sesgos,
razonamientos
opacos
y
respuestas
variables
ante
cambios
mínimos,
riesgos incompatibles con la precisión contable
y financiera.

Aunque
una
intervención
con
IAG
y
realidad
aumentada en 80 estudiantes mejoró entre 23 %
y
28
%
destrezas
de
costos
y
decisión
empresarial,
falta
evidencia
universitaria
que
examine
conjuntamente
competencias
contables, económicas y financieras, junto con
juicio
crítico,
verificación
y
responsabilidad
profesional (López y Llerena, 2026). Bajo este
panorama, en estudiantes de educación superior
de
áreas
contables,
económicas
y
financieras
persiste
una
separación
entre
el
uso
de
inteligencia
artificial
generativa
y
su
incorporación sistemática; la evidencia estudia
dimensiones
aisladas,
poblaciones
o
inteligencia artificial general, sin esclarecer su
impacto conjunto sobre competencias técnicas,
analíticas, decisionales y críticas.

Es por ello que el planteamiento del problema
busca
resolver
¿Cómo
impacta
la
inteligencia
artificial
generativa
en
la
formación
de
competencias
contables,
económicas
y
financieras
de
los
estudiantes
de
educación
superior?
Para
este
fin,
se
han
planteado
las
siguientes
preguntas
complementarias
de
investigación: ¿Qué aplicaciones didácticas de
inteligencia artificial generativa se emplean en
la formación contable, económica y financiera
universitaria?;
¿Qué
competencias
técnicas,
analíticas, decisionales y críticas se fortalecen
mediante
su
utilización
educativa?;
¿Qué
riesgos
técnicos,
éticos,
pedagógicos
e
institucionales condicionan su incorporación en
los
procesos
formativos?
y
¿Qué
brechas
curriculares y científicas persisten en el estudio
de
su
incidencia
conjunta
sobre
estas
competencias profesionales? En este sentido, el
impacto de la inteligencia artificial generativa
alude
a
las
transformaciones
cognitivas,
operativas
y
decisionales
producidas
por
modelos
de
aprendizaje
automático
que,
entrenados
mediante
aprendizaje
auto
supervisado,
generan
contenidos
semejantes
a
elaboraciones
humanas
desde
instrucciones
lingüísticas y datos previos.

Parraga
y
Zambrano
(2026)
destacan
rapidez
evolutiva, aplicabilidad amplia, procesamiento
informativo,
predicción
y
simulación
de
razonamientos;
su
influencia
formativa
combina
automatización
y
apoyo
analítico,
aunque
depende
de
información
confiable,
indicaciones
precisas
y
verificación
experta,
crítica
y
permanente.
Además,
clasifican
sus
aplicaciones
en
tres
funciones:
herramienta
analítica,
perturbación
tecnológica
y
agente
económico.
La
primera
abarca
predicción,
extracción de información, análisis semántico,
automatización de tareas y generación de datos;
la
segunda
examina
cambios
en
mercados,
organizaciones y empleo; la tercera comprende
sistemas
capaces
de
pronosticar,
asesorar,
negociar
o
decidir
con
autonomía.
Esta
tipología revela que su impacto no constituye un
efecto uniforme, pues cambia según finalidad,
disciplina, usuario y decisión intervenida.

El alcance formativo de estas tecnologías está
condicionado por factores técnicos, humanos e
institucionales.
Alvarado
et
al.
(2026),
identifican
diferencias
derivadas
del
modelo
empleado,
acceso
a
datos,
experiencia
del
usuario,
transparencia,
privacidad,
sesgos,
alineación
y
estabilidad
de
las
respuestas;
Sánchez
y
Pincay
(2026)
incorporan
capacitación
docente,
equipamiento
técnico
y
diseño
curricular.
La
interacción
de
esas
condiciones
determina
si
la
IAG
amplía
el
razonamiento
profesional
o
introduce
dependencia,
errores
plausibles
y
decisiones

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 253

escasamente fundamentadas. La formación
de
competencias
contables,
económicas
y
financieras constituye un proceso mediante
el
cual
el
estudiante
integra
conocimientos,
procedimientos,
criterios
éticos
y
capacidades
decisionales
aplicables
a
problemas
profesionales. Obando et al. (2025) la relaciona
con
comprensión
de
procesos
complejos,
manejo
tecnológico
y
preparación
laboral;
su
carácter
integrador
exige
interpretar
datos,
producir
información
confiable,
valorar
alternativas, gestionar incertidumbre y justificar
decisiones,
sin
reducir
el
desempeño
competente
a
ejecutar
operaciones
automatizadas ni dominar una plataforma.

Las
competencias
pueden
ordenarse
por
su
objeto
disciplinar:
las
contables
comprenden
registro, clasificación, control, interpretación y
comunicación
de
información
económica;
las
económicas
explican
comportamientos,
incentivos, mercados y efectos de políticas; las
financieras
abarcan
valoración,
previsión,
inversión, financiamiento y gestión del riesgo.
Villagomez
(2025)
muestran
que
la
IAG
interviene
en
estas
áreas
mediante
análisis
textual,
pronósticos
y
asesoría,
mientras
Sánchez y Pincay (2026) subrayan comprensión
técnica,
decisión
informada
y
preparación
profesional crítica.

Otra
clasificación
distingue
dimensiones
cognitiva, procedimental, digital, ética y socio
ocupacional.
La
dimensión
cognitiva
reúne
conceptos
y
razonamiento
causal;
la
procedimental moviliza métodos para resolver
casos; la digital supone seleccionar, interrogar y
comprobar
herramientas;
la
ética
protege
integridad,
privacidad
y
responsabilidad;
el
socio
ocupacional
permite
colaborar
y
responder a cambios laborales. Clemente et al.
(2024),
comprobaron
mejoras
en
costos
y
decisiones
empresariales,
aunque
su
consolidación
depende
de
práctica
continúa
situada,
retroalimentación,
autonomía
y
evaluación
auténtica.
La
educación
superior
representa
el
nivel
formativo
especializado
encargado de producir conocimiento, preparar
profesionales
y
cultivar
autonomía
intelectual
mediante docencia, investigación y vinculación
social. Pereira et al. (2025) la conciben como un
sistema
donde
recursos
académicos,
tecnológicos y financieros inciden sobre acceso,
permanencia, aprendizaje y empleabilidad; bajo
esta
perspectiva,
su
calidad
no
depende
solamente
de
contenidos
avanzados,
sino
de
experiencias
rigurosas,
apoyo
institucional,
equidad,
pertinencia
laboral
y
capacidad
para
revisar
críticamente
transformaciones
científicas y tecnológicas.

Sus
dimensiones
comprenden
la
pedagógica,
curricular,
tecnológica,
organizativa
y
financiera.
La
primera
regula
enseñanza,
evaluación
y
acompañamiento;
la
segunda
selecciona saberes y resultados formativos; la
tercera garantiza acceso a plataformas, datos y
conectividad;
la
cuarta
dispone
liderazgo,
normativas
y
capacitación;
la
quinta
asigna
recursos
con
criterios
de
sostenibilidad
y
equidad. Macas et al. (2026), señalan que estas
dimensiones
operan
relacionadas,
pues
automatización
administrativa,
analítica
predictiva
e
inversión
educativa
repercuten
sobre
permanencia,
calidad
y
oportunidades
estudiantiles.

Entre los factores que modelan la experiencia
universitaria
figuran
capacidad
tecnológica,
preparación
docente,
diseño
de
actividades,
alfabetización digital, disponibilidad financiera,
protección
de
datos
y
políticas
de
integridad.
González
et
al.
(2025)
encontraron
alta
valoración
estudiantil
de
la
IA,
pero
menor
presencia
curricular,
junto
con
restricciones
pedagógicas
y
tecnológicas;
Pereira
et
al.
(2025),
añaden
desigualdad
económica,
asignación
de
recursos
y
riesgo
de
deserción.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 254

Estas condiciones explican resultados distintos
entre
instituciones
y
grupos
estudiantiles
específicos.
La
IAG
influye
sobre
las
competencias
cuando
convierte
información
disciplinar
en
experiencias
de
análisis,
simulación,
retroalimentación
y
decisión.
Al
generar
ejercicios,
explicar
variaciones,
comparar
escenarios
y
procesar
conjuntos
de
datos,
reduce
cargas
operativas
y
desplaza
la
atención
hacia
interpretación,
control
y
juicio
profesional;
Martín
y
Álamo
(2024),
evidenciaron mejoras en comprensión de costos
y
decisiones
empresariales.
El
mecanismo
formativo
aparece
cuando
el
estudiante
contrasta respuestas, explica procedimientos y
transfiere aprendizajes hacia problemas nuevos.

Ese
vínculo
admite
resultados
contrapuestos:
respuestas
inventadas,
sesgos,
opacidad
y
variabilidad
pueden
deteriorar
precisión,
independencia intelectual
y responsabilidad si
la
producción
algorítmica
reemplaza
la
argumentación.
Vera
et
al.
(2024),
advierten
que
experiencia,
datos
y
características
del
modelo
modifican
los
resultados,
mientras
Sánchez y Pincay (2026), señalan que currículo,
docencia
y
capacidad
tecnológica
median
su
aprovechamiento.
La
educación
superior
transforma entonces una herramienta disponible
en aprendizaje verificable mediante orientación,
evaluación crítica y normas profesionales.

La
teoría
sociocultural
de
Lev
Vygotsky
sostiene
que
el
aprendizaje
emerge
de
la
interacción
social
y
la
mediación
de
herramientas
culturales,
mientras
la
zona
de
desarrollo
próximo
delimita
aquello
que
el
estudiante
logra
con
apoyo
(Ledesma,
2024).
Desde
este
enfoque,
la
IAG
funciona
como
andamiaje
para
analizar
casos
contables,
económicos
y
financieros,
siempre
que
docentes y pares orienten la verificación; esta
lectura coincide con la demanda de estrategias
pedagógicas identificada por Sánchez y Pincay
(2026). La teoría del aprendizaje significativo
de
David
Ausubel
plantea
que
la
nueva
información
adquiere
sentido
cuando
se
relaciona con conocimientos previos (Schunk,
2012).
Aplicada
al
estudio,
la
IAG
puede
generar
ejemplos,
analogías
y
escenarios
que
enlacen
conceptos
de
costos,
mercados,
inversión
y
riesgo
con
experiencias;
el
aprendizaje
pierde
profundidad
si
solo
reproduce respuestas. López y Llerena (2026),
respaldan
su
pertinencia
al
mostrar
mejoras
cuando
la
tecnología
acompaña
actividades
interactivas
orientadas
a
la
aplicación
y
decisión.

La
teoría
ecológica
del
desarrollo
humano
de
Urie
Bronfenbrenner
explica
la
formación
mediante
relaciones
entre
microsistema,
mesosistema,
exosistema,
macrosistema
y
cronosistema
(Rosa
y
Tudge,
2013).
Su
pertinencia
permite
comprender
que
el
uso
estudiantil
de
la
IAG
depende
del
aula
y
los
pares,
de
la
relación
entre
asignaturas,
de
decisiones
universitarias,
de
normas
profesionales y del cambio tecnológico. Pereira
et al. (2025) respaldan esta lectura al vincular
recursos, gestión, equidad y empleabilidad con
las
oportunidades
educativas
ofrecidas
a
cada
estudiante.

Por lo tanto, el tema resulta importante porque
la inteligencia artificial generativa modifica el
procesamiento
de
información,
la
previsión,
asesoría
y
toma
de
decisiones
del
trabajo
contable,
económico
y
financiero;
su
empleo
acrítico
expone
al
profesional
a
falsedades,
sesgos
y
razonamientos
opacos.
Examinar
su
incidencia
permite
valorar
si
la
educación
superior
prepara
al
estudiantado
para
aprovechar capacidades analíticas sin debilitar
el
juicio
experto,
la
responsabilidad
ética
profesional
ni
la
confiabilidad
requerida
por
estas disciplinas (Mo y Ouyang, 2025). En el
plano
teórico,
el
estudio
integrará
aportes

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 255

dispersos
sobre
automatización
contable,
razonamiento económico, análisis financiero y
aprendizaje mediado por inteligencia artificial
generativa, construyendo una lectura común de
las competencias emergentes.

Metodológicamente,
organizará
la
evidencia
documental de la educación superior mediante
categorías
comparables
de
conocimientos,
habilidades,
actitudes,
riesgos
y
condiciones
institucionales. En términos prácticos, ofrecerá
criterios
para
revisar
contenidos,
experiencias
didácticas y procesos de evaluación, atendiendo
la
demanda
estudiantil
de
estrategias
universitarias y la diferencia comprobada entre
valoración pedagógica, conocimiento formal y
cobertura
curricular.
La
novedad
científica
consiste
en
examinar
las
competencias
contables,
económicas
y
financieras,
vinculando
rendimiento
técnico,
verificación
crítica y responsabilidad decisional. El enfoque
responde
a
vacíos:
la
ausencia
de
revisiones
integrales
sobre
los
efectos
de
la
inteligencia
artificial en las áreas financieras (Mo y Ouyang,
2025)
y
la
limitada
investigación
de
su
incidencia
educativa
desde
la
perspectiva
estudiantil
(Sánchez
y
Pincay,
2026).
Se
beneficiarán
estudiantes,
docentes,
responsables
curriculares,
universidades
y
empleadores
del
sector
financiero.
En
consecuencia,
el
objetivo
fue
analizar
el
impacto de la inteligencia artificial generativa
en
la
formación
de
competencias
contables,
económicas y financieras en educación superior
para determinar sus aportes formativos.

Materiales y Métodos

El
estudio
adoptó
una
perspectiva
cualitativa,
orientada
a
comprender
significados,
interpretaciones
y
relaciones
presentes
en
la
evidencia
científica
examinada
sobre
el
fenómeno
educativo
(Vizcaíno
et
al.,
2023).
Esta elección resultó coherente con el propósito
de
analizar
cómo
la
inteligencia
artificial
generativa
incidió
en
la
formación
de
competencias
contables,
económicas
y
financieras,
pues
permitió
interpretar
aportes,
tensiones, oportunidades y riesgos descritos en
estudios universitarios, sin reducir el fenómeno
a mediciones numéricas ni establecer relaciones
causales deterministas o lineales. Se empleó un
enfoque
descriptivo,
destinado
a
caracterizar
propiedades, manifestaciones y variaciones del
objeto
estudiado
mediante
su
representación
sistemática
y
fundamentada
(Romero
et
al.,
2021).

Su
pertinencia
respondió
a
la
necesidad
de
identificar
aplicaciones
educativas
de
la
inteligencia artificial generativa, competencias
promovidas,
riesgos
asociados
y
condiciones
institucionales
registradas
en
educación
superior,
lo
cual
facilitó
ordenar
hallazgos,
comparar
tendencias
y
reconocer
diferencias
entre áreas contables, económicas y financieras,
sin intervenir directamente sobre las realidades
previamente
analizadas.
La
investigación
bibliográfica consistió en localizar, examinar y
relacionar
conocimientos
publicados
para
construir una interpretación fundamentada del
problema desde fuentes académicas pertinentes
(Carazas et al., 2024).

Esta
modalidad
se
adecuó
al
estudio
porque
permitió
recuperar
discusiones,
hallazgos
y
perspectivas
sobre
usos
formativos
de
la
inteligencia
artificial
generativa
sin
requerir
experimentación
directa;
la
revisión
reunió
publicaciones
científicas
vinculadas
con
educación universitaria, contabilidad, economía
y
finanzas,
favoreciendo
una
comprensión
comparada
de
avances,
limitaciones
y
vacíos
investigativos
relevantes
y
persistentes.
El
método
teórico
interpretó
conceptos;
el
inductivo-deductivo
transitó
entre
hallazgos
particulares
y
proposiciones
generales;
el
analítico-sintético
descompuso
e
integró
la
evidencia
(Romero
et
al.,
2021).
Su
empleo

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 256

complementario permitió delimitar categorías,
derivar
regularidades,
contrastarlas
con
planteamientos conceptuales y reconstruir una
explicación
integral
del
fenómeno;
el
razonamiento teórico sostuvo la interpretación,
la
inducción
identificó
patrones,
la
deducción
examinó su consistencia y el análisis sintético
vinculó
aplicaciones,
competencias,
riesgos
y
condiciones
universitarias
dentro
de
una
secuencia lógica.

El análisis documental se utilizó como técnica
para examinar críticamente textos académicos,
extraer
información
relevante
y
organizarla
mediante categorías previamente definidas. Las
fuentes
se
seleccionaron
por
pertinencia
temática,
actualidad
científica,
relación
con
educación
superior,
claridad
metodológica,
disponibilidad
textual
y
procedencia
académica;
posteriormente,
se
clasificaron
según
aplicaciones,
competencias,
resultados,
riesgos y condiciones institucionales, mientras
su
interpretación
consideró
coincidencias,
diferencias,
alcances
metodológicos
y
vacíos,
procurando
mantener
fidelidad
al
sentido
original de cada publicación revisada.

Resultados y Discusión

La
denominación
IA
se
mantuvo
cuando
el
documento
no
diferenció
tecnologías
generativas;
las
aplicaciones
profesionales
se
presentaron
como
referentes
formativos
únicamente
cuando
la
fuente
no
evaluó
una
intervención educativa.

Tabla 1.
Aplicaciones didácticas de la IA generativa en las competencias contables, económicas y
financieras.

Autor y año

Formación contable

Formación económica

Formación financiera

Cualchi et al.
(2024)

Tutoría
inteligente,
chatbots
educativos
y
automatización
de
procesos
para
personalizar
la
enseñanza,
resolver
consultas
y
simular tareas contables.

No
examinó
asignaturas
económicas
independientes;
vinculó
analítica,
interdisciplinariedad
y
solución
de
problemas complejos con la preparación
laboral.

Análisis
predictivo
para
evaluar
riesgos
y
big
data
orientado
a
interpretar
información
financiera,
patrones y anomalías.

Mo y Ouyang
(2025)

La
IAG
apoyó
revisión
bibliográfica,
redacción
y
organización
de
información;
el
estudio
no
comprobó
su
utilización
en cursos contables.

Generó
hipótesis,
escenarios
comparativos
y
clasificaciones
de
datos
como
recursos
investigativos
transferibles,
sin
evaluación
económica
disciplinar.

Facilitó
borradores,
cuestionarios
piloto
y
síntesis
de
resultados;
no
midió
aplicaciones
financieras
universitarias específicas.

Pereira et al.
(2025)

Automatización
de
facturación,
control
presupuestario,
evaluación
documental y gestión administrativa
universitaria
mediante
RPA
y
plataformas digitales.

Analítica
para
valorar
inversiones
educativas,
costos,
empleabilidad,
asignación
de
recursos
y
tendencias
vinculadas con el sector productivo.

Personalización de becas, préstamos y
ayudas,
junto
con
modelos
predictivos
para
distribuir
fondos
y
prevenir deserción.

Chávez (2026)

Aprendizaje
basado
en
problemas,
laboratorios
virtuales,
simuladores,
sistemas ERP y casos empresariales
apoyados
por
tecnologías
emergentes.

Bases
dinámicas,
simulaciones
microcontables
y
macrocontables,
problemas tributarios e interpretación del
sentido económico de la información.

Plataformas
en
la
nube,
analítica
de
datos,
simuladores
financieros
y
registros
distribuidos
para
verificar
transacciones y detectar anomalías.

Alvarado et al.
(2026)

ChatGPT, QuickBooks, Xero, Booke
AI, software contable y herramientas
adaptativas para explicar contenidos,
modelar
operaciones
y
resolver
ejercicios.

Personalización de contenidos, ejercicios
y
evaluaciones vinculadas con
procesos
económico-administrativos,
ajustadas
al
ritmo estudiantil.

Simuladores,
DataRails
y
modeladores orientados a pronosticar
resultados,
analizar
información
y
reducir riesgos financieros.

González et al.
(2025)

Aplicaciones
profesionalizables:
RPA para registros y conciliaciones,
Kira
para
revisar
documentos
y
sistemas
ERP
para
gestionar
información.

Tableros de costos, análisis en tiempo real
y
reconocimiento
de
tendencias
para
convertir al contador operativo en analista
estratégico.

Modelos
predictivos,
detección
de
fraude, análisis de riesgos e informes
automatizados;
no
evaluó
una
intervención didáctica.

Parraga y
Zambrano (2026)

Copilot
para
reportes
y
hojas
de
cálculo, ChatGPT para casos, Claude
para
normas
y
gamificación
con
retroalimentación inmediata.

Simulación de escenarios empresariales,
análisis
del
efecto
económico
de
transacciones y resolución interactiva de
problemas complejos.

Análisis de liquidez, interpretación de
NIIF, valoración fiscal y desafíos que
situaron
al
estudiante
como
asesor
financiero.

Fuente: Elaboración propia.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 257

Las
aplicaciones
didácticas
examinadas
muestran un desplazamiento desde la enseñanza
centrada
en
procedimientos
repetitivos
hacia
experiencias
de
simulación,
análisis
y
resolución
de
problemas
profesionales.
Los
tutores
inteligentes,
asistentes
virtuales
y
programas
contables
favorecen
la
personalización
del
aprendizaje,
mientras
los
casos
interactivos,
laboratorios
virtuales
y
sistemas empresariales aproximan al estudiante
a decisiones propias del ejercicio laboral. En la
formación
contable
se
observa
mayor
diversidad
de
recursos
y
evidencia
educativa,
especialmente
en
clasificación
de
cuentas,
conciliación,
interpretación
normativa
y
elaboración de reportes. El ámbito económico
privilegia
la
comparación
de
escenarios,
el
análisis de costos y la comprensión de efectos
derivados
de
decisiones
organizacionales.
En
finanzas
predominan
los
modelos
predictivos,
la
evaluación
de
riesgos,
la
detección
de
anomalías
y
la
construcción
de
pronósticos,
actividades que trasladan la atención desde el
cálculo
rutinario
hacia
la
interpretación
fundamentada.
Algunas
herramientas
también
apoyan
la
investigación
y
la
gestión
universitaria,
pero
su
transferencia
al
aula
requiere
diseño
pedagógico
explícito.
En
conjunto,
la
evidencia
revela
una
innovación,
aunque
distribuida
de
manera
desigual
entre
disciplinas:
contabilidad
concentra
las
experiencias
más
verificadas,
mientras
economía
y
finanzas
todavía
dependen
de
aplicaciones profesionales adaptadas con fines
formativos.

Tabla 2.
Competencias desarrolladas mediante la IA generativa.

Autor y
año

Técnicas

Analíticas

Decisionales

Críticas

Cualchi et
al. (2024)

Manejo de tutoría inteligente,
automatización, chatbots, big
data y sistemas predictivos.

Comprensión
de
conceptos
complejos,
interpretación
financiera,
detección
de
patrones
y
evaluación
de
riesgos.

Selección
de
herramientas,
resolución
de problemas y adaptación
a exigencias profesionales
cambiantes.

Pensamiento
crítico,
adaptabilidad, ética profesional
y
valoración
responsable
de
resultados automatizados.

Mo y
Ouyang
(2025)

Búsqueda,
organización,
redacción,
formulación
de
hipótesis
y
preparación
de
instrumentos investigativos.

Comparación
de
perspectivas,
síntesis
de
información
y
clasificación
de
datos,
con
menor
efecto
en
análisis
estadísticos avanzados.

Selección
de
fuentes,
métodos
y
resultados
pertinentes
antes
de
utilizarlos
en
una
investigación.

Verificación,
autonomía
intelectual,
integridad
académica
y
reconocimiento
de
sesgos,
plagio
y
dependencia tecnológica.

Pereira et
al. (2025)

Analítica
de
datos,
aprendizaje automático, RPA,
sistemas
en
la
nube
y
seguimiento longitudinal.

Identificación
de
necesidades
financieras,
riesgo
de
abandono,
impacto
de
inversiones
y
demandas
laborales.

Asignación
de
presupuestos,
ayudas,
intervenciones académicas
y recursos según evidencia
institucional.

Evaluación de sesgos, equidad
distributiva,
transparencia,
privacidad
y
rendición
de
cuentas.

Chávez
(2026)

Dominio
de
ERP,
sistemas
automatizados,
plataformas
colaborativas,
nube
y
analítica de grandes datos.

Interpretación
de
informes,
identificación
de
anomalías
y
comprensión
de
algoritmos
contables.

Resolución
de
casos,
selección de alternativas y
decisiones
estratégicas
sustentadas
en
información financiera.

Validación
algorítmica,
pensamiento
estratégico,
adaptabilidad,
ética
y
cuestionamiento
de
resultados
automatizados.

Alvarado
et al.
(2026)

Uso
de
software
contable,
simuladores,
asistentes
virtuales
y
herramientas
de
análisis de datos.

Pronóstico
financiero,
lectura
de
información,
comparación
del progreso e identificación de
áreas de mejora.

Solución
de
problemas
contables
y
de
auditoría,
ajuste
de
estrategias
y
minimización del riesgo.

Autonomía,
evaluación
del
rendimiento y uso reflexivo de
tecnologías,
aunque
con
dominio estudiantil desigual.

González
et al.
(2025)

Automatización,
conciliación,
procesamiento
documental,
auditoría
digital
y gestión de datos.

Análisis
predictivo,
detección
de
anomalías,
evaluación
de
riesgos
e
interpretación
en
tiempo real.

Decisiones
estratégicas
apoyadas
en
información
precisa, oportuna, trazable
y verificable.

Supervisión
algorítmica,
ética
digital, gobernanza de datos y
control de sesgos.

Parraga y
Zambrano
(2026)

Precisión contable del 94,2 %,
formulación de instrucciones,
clasificación
de
cuentas
y
reducción
del
tiempo
operativo.

Interpretación
de
liquidez,
normas, impacto fiscal y causas
de
las
transacciones;
el
pensamiento
crítico
aumentó
50,6 %.

Selección
normativa,
solución
de
problemas
financieros
y
transición
hacia
funciones
de
asesoría.

Cuestionamiento
de
respuestas,
aprendizaje
desde
el error, autonomía cognitiva y
resiliencia académica.

Fuente: Elaboración propia.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 258

La tabla evidencia que la inteligencia artificial
favorece un sistema integrado de competencias
cuyo
desarrollo
supera
el
manejo
aislado
de
programas
y
plataformas.
Las
capacidades
técnicas
incluyen
automatización,
uso
de
sistemas contables, procesamiento documental,
análisis
de
datos
y
formulación
de
instrucciones;
estas
destrezas
adquieren
valor
profesional
cuando
permiten
interpretar
informes,
reconocer
patrones,
detectar
anomalías y anticipar riesgos.

La dimensión analítica transforma al estudiante
de
ejecutor
de
operaciones
en
examinador
de
información
automatizada,
capaz
de
comprender relaciones económicas y valorar la
consistencia de los resultados. El componente
decisional se expresa en la selección de normas,
comparación
de
alternativas,
asignación
de
recursos y solución de problemas financieros,
acciones
que
exigen
justificar
cada
elección
mediante
evidencia
pertinente.
Las
competencias
críticas
cumplen
una
función
reguladora,
pues
la
verificación,
autonomía
intelectual, ética digital, vigilancia de sesgos y
responsabilidad
profesional
impiden
que
la
rapidez algorítmica sustituya el juicio experto.
Los
hallazgos
también
advierten
que
conocer
una herramienta o utilizarla ocasionalmente no
garantiza
dominio,
profundidad
interpretativa
ni transferencia hacia situaciones nuevas.

La
formación
integral
surge
cuando
destreza
tecnológica, comprensión disciplinar, decisión
fundamentada y supervisión ética se desarrollan
conjuntamente
mediante
experiencias
deliberadas,
acompañamiento
docente
y
evaluación,
evitando
una
preparación
instrumental
desvinculada
de
las
exigencias
reales del desempeño profesional.

Tabla 3.
Brechas curriculares e incidencia profesional de la IA generativa.

Autor y año

Brechas curriculares persistentes

Incidencia sobre las competencias

Cualchi et al.
(2024)

Insuficiente alfabetización digital, resistencia al cambio y costos de
implementación.

Adaptación curricular incompleta y escasa integración de ética, IA
y habilidades blandas.

Aprovechamiento desigual de herramientas y menor
personalización del aprendizaje.

Debilitamiento del juicio profesional, la empleabilidad y la
respuesta ética ante sistemas automatizados.

Mo y Ouyang
(2025)

Uso estudiantil limitado, formación docente insuficiente y ausencia
de políticas institucionales claras.

Acceso desigual a conectividad y licencias, junto con normas
éticas todavía incipientes.

Menor desarrollo de análisis avanzado y autonomía
investigativa.

Riesgo de plagio, dependencia, aprendizaje superficial y
ampliación de desigualdades entre estudiantes.

Pereira et al.
(2025)

Brecha digital, infraestructura insuficiente, resistencia institucional
y débil preparación tecnológica.

Algoritmos susceptibles de sesgo y adopción universitaria
ecuatoriana todavía inicial.

Distribución injusta de becas, ayudas y oportunidades cuando
los datos reproducen desigualdades.

Menor permanencia, personalización y desarrollo profesional
en grupos con recursos limitados.

Chávez
(2026)

Predominio de ejercicios mecánicos y memorización normativa
frente a demandas tecnológicas.

Capacitación docente discontinua, recursos limitados y escasa
incorporación de IA, analítica y seguridad digital.

Egresados con menor empleabilidad y dominio de sistemas
automatizados.

Dificultades para interpretar información compleja, validar
algoritmos y adoptar decisiones estratégicas.

Alvarado et
al. (2026)

El 59 % del alumnado mostró conocimiento medio y el 60 %
empleó IA ocasionalmente.

Persistieron diferencias entre dominio docente, interacción
estudiantil, formación especializada e incorporación curricular.

El conocimiento no garantizó comodidad, frecuencia de uso
ni solución efectiva de problemas.

Las asociaciones débiles limitaron la consolidación de
capacidades analíticas, digitales y decisionales.

González et
al. (2025)

Formación profesional insuficiente en supervisión algorítmica,
ética digital y gestión de datos.

Evidencia educativa directa limitada y acceso tecnológico
concentrado en firmas con mayores recursos.

Preparación desigual para auditar algoritmos y aprovechar
análisis predictivos.

Mayor vulnerabilidad ante sesgos, dependencia tecnológica,
información opaca y decisiones financieras poco confiables.

Parraga y
Zambrano
(2026)

Desconexión entre enseñanza tradicional y exigencias laborales,
junto con una curva inicial de manejo de instrucciones.

Muestra reducida, intervención breve y ausencia de seguimiento
longitudinal.

El modelo tradicional mantuvo menor precisión, retención y
pensamiento crítico.

No pudo establecerse si la autonomía, fluidez digital y
eficiencia adquiridas persistieron después de la intervención.

Fuente: Elaboración propia.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 259

Las
brechas
curriculares
identificadas
no
se
limitan a carencias de equipos o conectividad,
pues
expresan
una
distancia
entre
los
contenidos universitarios, las prácticas docentes
y las exigencias de profesiones transformadas
por
la
automatización.
La
permanencia
de
ejercicios
mecánicos
y
memorización
normativa restringe el aprendizaje de analítica,
inteligencia
artificial,
seguridad
digital
y
validación
de
algoritmos,
mientras
la
capacitación del profesorado dificulta convertir
las
herramientas
disponibles
en
experiencias
formativas rigurosas.

La
ausencia
de
políticas
institucionales,
criterios
éticos
y
mecanismos
de
evaluación
amplía
el
problema,
dado
que
el
uso
improvisado
puede
favorecer
dependencia,
plagio,
aceptación
acrítica
de
respuestas
y
debilitamiento de la autonomía intelectual. Las
diferencias de acceso también repercuten en la
preparación profesional: quienes participan en
actividades tecnológicas sostenidas desarrollan
mejores
capacidades
para
interpretar
riesgos,
supervisar
sistemas
y
asesorar
decisiones;
quienes reciben formación ocasional conservan
habilidades
operativas
susceptibles
de
sustitución.

El conocimiento medio y el uso esporádico no
aseguran
apropiación
competente,
mientras
la
evidencia
obtenida
mediante
intervenciones
breves impide confirmar la permanencia de los
aprendizajes.
La
reducción
de
estas
brechas
exige renovación curricular, formación docente
continua,
acceso
equitativo,
gobernanza
y
evaluación del desempeño mediante situaciones
profesionales
verificables,
de
modo
que
la
innovación contribuya al aprendizaje profundo
sin
reproducir
desigualdades
académicas
ni
laborales.
Parraga
y
Zambrano
(2026)
registraron mayor precisión contable, reducción
del
tiempo
operativo
y
crecimiento
del
pensamiento
crítico
mediante
casos
gamificados
apoyados
por
IAG.
El
resultado
muestra
que
su
aporte
formativo
supera
la
automatización
cuando
exige
interpretar
normas
y
justificar
decisiones,
este
hallazgo
coincide con López y
Llerena (2026) quienes
vincularon las mejoras en costos y decisiones
empresariales
con
práctica
situada,
retroalimentación
y
evaluación
auténtica.
La
intervención confirma esa relación, aunque su
brevedad
impide
atribuir
permanencia
a
los
aprendizajes profesionales alcanzados.

Alvarado
et
al.
(2026)
encontraron
conocimiento intermedio, utilización ocasional
y
asociaciones
débiles
entre
dominio,
interacción y resolución de problemas, hallazgo
que
cuestiona
la
equivalencia
entre
acceso
tecnológico y competencia profesional. Según
Sánchez & Pincay (2026), este patrón reproduce
una valoración estudiantil elevada acompañada
por
menor
incorporación
curricular
y
restricciones
pedagógicas
y
tecnológicas.
Ambas
posturas
coinciden
porque
distinguen
aceptación de aprovechamiento formativo; sus
métodos
describen
percepciones
y
relaciones,
sin demostrar causalidad, el contraste sustenta
la
integración
curricular
sostenida
y
especializada.
Chasín
et
al.
(2025)
mostraron
que
la
IAG
apoyó
búsqueda,
organización,
redacción y formulación de hipótesis, aunque su
efecto
fue
menor
en
análisis
avanzados
y
coexistió con dependencia, plagio y sesgos.

Según modelo Mo y Ouyang (2025) la calidad
de los resultados varía según experiencia, datos
y
características.
Este
contraste
amplía
efectivamente el problema hacia la verificación
como competencia indispensable para preservar
autonomía
investigativa.
Chávez
(2026)
identificó
que
simuladores,
sistemas
ERP,
analítica
y
aprendizaje
basado
en
problemas
desplazan
la
enseñanza
contable
desde
la
memorización
hacia
la
interpretación

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 260

estratégica, aunque persisten recursos limitados
y
capacitación
docente
discontinua.
López
y
Llerena
(2026),
comprobaron
mejoras
en
comprensión
de
costos
y
decisiones
empresariales
bajo
práctica
interactiva
continua.
Los
aportes
se
complementan,
al
indicar que la revisión delimita herramientas y
exigencias
curriculares,
mientras
la
evidencia
muestra
condiciones
pedagógicas
de
eficacia.
Su comparación respalda un rediseño centrado
en desempeño profesional verificable.

Cualchi
et
al.
(2024)
señalaron
que
tutorías
inteligentes, chatbots, automatización y análisis
predictivo
favorecen
personalización,
interpretación
financiera
y
solución
de
problemas, pero la alfabetización insuficiente,
los costos y la resistencia restringen su alcance.
Sánchez y Pincay (2026) también encontraron
baja presencia curricular pese a la valoración de
la
IA.
La
coincidencia
consolida
que
la
disponibilidad
no
garantiza
aprendizaje;
diferencias de acceso y preparación median su
aprovechamiento.
El
hallazgo
aporta
criterios
institucionales
para
evitar
competencias
fragmentarias y desiguales.

Pereira et al. (2025), mostraron que la analítica
y
los
modelos
predictivos
pueden
orientar
presupuestos,
becas,
ayudas
y
alertas
de
abandono,
aunque
datos
sesgados
e
infraestructura
desigual
amenazan
la
distribución equitativa de oportunidades. Según
Sánchez
y
Pincay
(2026),
la
capacidad
tecnológica
y
la
preparación
pedagógica
también median el aprovechamiento estudiantil.
Ambas perspectivas son complementarias: una
examina gestión institucional y otra experiencia
formativa.
El
contraste
amplía
el
impacto
estudiado,
pues
vincula
competencias
con
condiciones
materiales
de
permanencia
universitaria
sostenible.
Vera
et
al.
(2026)
identificaron
automatización,
análisis
predictivo,
detección
de
fraude
y
auditoría
digital
como
referentes
para
formar
profesionales capaces de supervisar algoritmos,
aunque su revisión ofreció evidencia didáctica
limitada. Para Mo y Ouyang (2025), los datos,
la experiencia y las características del modelo
alteran los resultados generados. Las posturas se
complementan
porque
las
competencias
propuestas responden a esa variabilidad técnica.
El contraste modifica una lectura instrumental
de
la
IAG
y
sitúa
gobernanza,
trazabilidad
y
juicio ético como aprendizajes prioritarios.

Conclusiones

La evidencia examinada permite sostener que la
inteligencia
artificial
generativa
posee
capacidad
formativa
para
fortalecer
competencias
contables,
económicas
y
financieras cuando su incorporación supera el
uso
instrumental
y
se
vincula
con
problemas
profesionales,
interpretación
disciplinar,
toma
de
decisiones,
verificación
de
resultados
y
reflexión
ética.
Las
aplicaciones
identificadas
favorecen
la
automatización
de
tareas,
la
simulación
de
escenarios,
el
análisis
de
información, la elaboración de pronósticos y la
resolución de casos, mientras las competencias
promovidas
comprenden
dominio
técnico,
razonamiento
analítico,
criterio
decisional
y
vigilancia
crítica.
Esta
relación
responde
al
problema
estudiado
al
mostrar
que
el
valor
educativo de tales tecnologías no depende de su
disponibilidad,
sino
de
la
mediación
pedagógica,
la
pertinencia
curricular
y
las
condiciones
institucionales
que
orientan
su
empleo.

En
el
plano
teórico,
los
hallazgos
cuestionan
toda visión tecno céntrica del aprendizaje, pues
el
desempeño
competente
emerge
de
la
interacción
entre
saber
disciplinar,
práctica
situada,
acompañamiento
docente
y
control
reflexivo;
epistemológicamente,
también
advierten
que
la
producción
algorítmica
no
constituye
conocimiento
validado
mientras

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 261

carezca
de
examen
humano,
trazabilidad
y
contraste con fuentes confiables. Frente a estas
condiciones,
se
recomienda
renovar
los
programas
universitarios
mediante
secuencias
formativas
progresivas
que
integren
inteligencia
artificial
generativa,
software
especializado,
simulaciones,
casos
empresariales
y
evaluación
auténtica,
acompañadas
por
capacitación
docente
continua. Las instituciones deberían garantizar
acceso
equitativo,
protección
de
datos,
transparencia
algorítmica,
protocolos
de
integridad
académica
y
mecanismos
de
supervisión que prevengan dependencia, sesgos
y aprendizaje superficial.

La
evaluación
tendría
que
valorar
no
solo
rapidez o precisión operativa, sino la capacidad
para
explicar
procedimientos,
justificar
decisiones,
reconocer
errores
y
asumir
responsabilidad
profesional.
Las
investigaciones
futuras
requieren
diseños
comparativos,
longitudinales
y
multidisciplinares
que
examinen
la
permanencia
y
transferencia
de
las
competencias,
diferencien
efectos
según
herramienta,
área,
nivel
formativo
y
características
estudiantiles,
e
incorporen
universidades
con
capacidades
tecnológicas
diversas.
También
conviene
explorar
nuevas
interrogantes
sobre
autoría,
autonomía
intelectual,
equidad,
gobernanza
de
datos
y
transformación del juicio experto. Tales líneas
permitirían construir criterios pedagógicos más
sólidos,
ampliar
la
evidencia
económica
y
financiera
disponible
y
orientar
una
adopción
universitaria crítica, responsable y socialmente
pertinente en distintos territorios.

Referencias Bibliográficas

Alvarado, E., Patiño, Y., Cabrera, P., & Rueda,
L.
(2026).
La
inteligencia
artificial
en
la
educación
contable:
Una
mirada
desde
los
protagonistas.
Revista de Ciencias Sociales y
Económicas,
10
(1),
120–137.
https://doi.org/10.18779/csye.v10i1.1120

Carazas, R., Mayta, D., Ancaya, C., Tasayco,
S.,
&
Berrio,
M.
(2024).
Método
de
investigación científica: Diseño de proyectos
y elaboración de protocolos en las ciencias
sociales
.
Instituto
de
Investigación
y
Capacitación.
https://doi.org/10.53595/eip.012.2024

Chávez,
G.
(2026).
La
transformación
de
la
enseñanza
de
la
contabilidad
ante
la
era
digital:
Tecnología
y
pedagogía.
Revista
Científica
Portal
de
la
Ciencia,
7
(1),
152–
164.
https://doi.org/10.51247/pdlc.v7i1.713

Clemente,
A.,
Cabello,
A.,
&
Añorve,
E.
(2024).
La
inteligencia
artificial
en
la
educación:
Desafíos
éticos
y
perspectivas
hacia una nueva enseñanza.
LATAM Revista
Latinoamericana
de
Ciencias
Sociales
y
Humanidades,
5
(6),
464–472.
https://doi.org/10.56712/latam.v5i6.3019

Cualchi, R., Pasquel, L., & Arteaga, Y. (2024).
Impacto de la IA en la educación contable:
Nuevas
herramientas
y
habilidades.
Nexus:
Multidisciplinary
Research
Journal
(MIR),
3
(2),
164–181.
https://doi.org/10.62943/nrj.v3n2.2024.139

González, S., Almeida, F., Moreno, D., Onofre,
A.,
&
Romero,
G.
(2025).
Inteligencia
artificial y contabilidad financiera: Un nuevo
paradigma
para
las
empresas
ecuatorianas.
ASCE
Magazine,
4
(4),
1302–1324.
https://doi.org/10.70577/asce.v4i4.490

Ledesma, M. (2024).
Análisis de la
teoría de
Vygotsky
para
la
reconstrucción
de
la
inteligencia
social
.
https://www.researchgate.net/publication/31
1457520_Analisis_de_la_teoria_de_Vygots
ky_para_la_reconstruccion_de_la_inteligenc
ia_social

López, D., & Llerena, K. (2026). Inteligencia
artificial generativa como estrategia didáctica
para
mejorar
el
aprendizaje
de
costos
en
estudiantes
de
bachillerato
en
ciencias
en
emprendimiento
y
gestión.
Dominio
de
las
Ciencias,
12
(2),
1213–1225.
https://doi.org/10.23857/dc.v12i2.4857

Macas, C., Jara, K., & Ramón, R. (2026). La
inteligencia artificial y el valor insustituible
del
contador:
¿Alianza
o
reemplazo?

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 262
Licencia de Creative Commons

Enfoques.
Revista
de
Investigación
en
Ciencias
de la
Administración,
10
(38), 68–
81.
https://doi.org/10.33996/revistaenfoques.v10
i38.245

Martín,
E.,
&
Álamo,
C.
(2024).
Análisis
de
estrategias
innovadoras
para
retención
estudiantil
con
inteligencia
artificial:
Una
perspectiva
multidisciplinaria.
European
Public & Social Innovation Review, 9
, 1–20.
https://doi.org/10.31637/epsir-2024-440

Mo, H., & Ouyang, S. (2025). (Generative) AI
in
financial
economics.
Journal
of
Chinese
Economic and Business Studies, 23
(4), 509–
588.
https://doi.org/10.1080/14765284.2025.2569
006

Obando, C., Añazco, J., Toala, F., Livingston,
P., Moran, S., & Dia, A. (2025). El impacto
de la inteligencia artificial dentro del proceso
de
enseñanza-aprendizaje
de
la
educación.
Ciencia
Latina
Revista
Científica
Multidisciplinar,
9
(1),
7407–7424.
https://doi.org/10.37811/cl_rcm.v9i1.16416

Parraga,
D.,
&
Zambrano,
L.
(2026).
La
inteligencia
artificial
en
el
desarrollo
de
competencias
profesionales
en
el
área
de
contabilidad.
Revista
Científica
Multidisciplinaria
Arbitrada
YACHASUN,
10
(18),
1684–1704.
https://doi.org/10.46296/yc.v10i18.0890

Pereira, M., Granda, A., Carrión, A., & Chávez,
C.
(2025).
Inteligencia
artificial
y
financiación
de
la
educación
superior:
Optimización de recursos en los procesos de
enseñanza y aprendizaje.
REINCISOL, 4
(7),
4346–4370.
https://doi.org/10.59282/reincisol.V4(7)4346
-4370

Romero,
H.,
Real,
J.,
&
Ordoñez,
L.
(2021).
Metodología de la investigación
. Edicumbre.
https://www.gob.mx/cms/uploads/attachmen
t/file/133491/METODOLOGIA_DE_INVE
STIGACION.pdf

Rosa,
E.,
&
Tudge,
J.
(2013).
Urie
Bronfenbrenner’s
theory
of
human
development: Its evolution from ecology to
bioecology.
Journal
of
Family
Theory
&
Review,
5
(4),
243–258.
https://doi.org/10.1111/jftr.12022

Sánchez,
J.,
&
Pincay,
D.
(2026).
Educación
contable
universitaria
en
la
era
de
la
inteligencia
artificial
desde
la
perspectiva
estudiantil.
Polo
del
Conocimiento,
11
(3),
485–505.
https://doi.org/10.23857/pc.v11i3.11234

Schunk, D. (2012).
Teorías del aprendizaje
(6.ª
ed.).
Pearson.
https://ciec.edu.co/wp-
content/uploads/2017/06/Teorias-del-
Aprendizaje-Dale-Schunk.pdf

Vera, J., Veloz, M., Cedeño, L., Monserrate, J.,
&
Urquizo,
T.
(2024).
Aplicación
de
la
inteligencia
artificial
en
educación:
Una
revisión
sistemática
de
sus
beneficios,
desafíos
y
perspectivas
futuras.
Revista
de
Investigación Código Científico, 5
(2), 1780–
1804.
https://doi.org/10.55813/gaea/ccri/v5/n2/633

Villagomez,
A.
(2025).
El
impacto
de
la
inteligencia
artificial
en
la
sociedad:
Una
revisión
sistemática
de
su
influencia
en
ámbitos sociales, económicos y tecnológicos.
Ciencia
Latina
Revista
Científica
Multidisciplinar,
9
(1),
8150–8172.
https://doi.org/10.37811/cl_rcm.v9i1.16468

Vizcaíno,
P.
I.,
Cedeño,
R.,
&
Maldonado,
I.
(2023).
Metodología
de
la
investigación
científica:
Guía
práctica.
Ciencia
Latina
Revista
Científica
Multidisciplinar,
7
(4).
https://doi.org/10.37811/cl_rcm.v7i4.7658

Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Yajaira Natali Luque
Soriano David Enrique Defás Rugel, Edison David
Carrillo Ramírez, Johana Yasmina Gallardo Otero.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 263

Declaraciones éticas y editoriales del artículo

Contribución de los autores (Taxonomía CRediT).

Yajaira Natali Luque Soriano: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

David Enrique Defás Rugel: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de los
datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

Edison David Carrillo Ramírez: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

Johana Yasmina Gallardo Otero: conceptualización de la investigación, diseño metodológico, desarrollo del proceso investigativo, análisis formal de
los datos, redacción del borrador original del manuscrito, revisión crítica del contenido científico y supervisión general del estudio.

Declaración de conflicto de intereses

Los autores declaran que no existe conflicto de intereses en relación con la investigación presentada, la autoría del manuscrito ni la publicación del
presente artículo.

Declaración de financiamiento

La presente investigación no recibió financiamiento específico de agencias públicas, comerciales o de organizaciones sin fines de lucro. En caso de
existir financiamiento institucional o externo, este deberá ser declarado explícitamente por los autores en esta sección.

Declaración del editor

El editor responsable certifica que el proceso editorial del presente artículo se desarrolló conforme a los principios de integridad científica, transparencia
y buenas prácticas
editoriales. El
manuscrito
fue
sometido
a un proceso de
evaluación
mediante
revisión por
pares doble
ciego, garantizando
la
confidencialidad de la identidad de los autores y revisores durante todo el proceso de dictamen académico. Asimismo, el editor declara que el artículo
cumple con los criterios científicos, metodológicos y éticos establecidos por la revista.

Declaración de los revisores

Los revisores externos que participaron en la evaluación del presente manuscrito declaran haber realizado el proceso de revisión de manera objetiva,
independiente y confidencial. Asimismo, manifiestan que no mantienen conflictos de interés con los autores ni con la investigación evaluada, y que sus
observaciones y recomendaciones se fundamentan exclusivamente en criterios científicos, metodológicos y académicos.

Declaración ética de la investigación

Los autores declaran que la investigación se desarrolló respetando los principios éticos de la investigación científica, garantizando la confidencialidad
de los datos y el respeto a los participantes del estudio. En los casos en que la investigación involucre seres humanos, los procedimientos deben ajustarse
a los principios éticos establecidos en la Declaración de Helsinki y a las normativas institucionales correspondientes.

Declaración sobre el uso de inteligencia artificial

Los autores declaran que el uso de herramientas de inteligencia artificial, en caso de haberse utilizado durante el proceso de investigación o redacción
del manuscrito, se realizó únicamente como apoyo técnico para mejorar la claridad del lenguaje o el análisis de información, manteniendo siempre la
responsabilidad intelectual sobre el contenido del artículo. Las herramientas de inteligencia artificial no fueron utilizadas como autoras del manuscrito
ni sustituyen la responsabilidad académica de los investigadores.

Disponibilidad de datos

Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando las
normas éticas y de confidencialidad establecidas por la investigación.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 8
Agosto del 2026
Página 264