Aplicación de la Inteligencia Artificial y las Tecnologías de laInformación y Comunicación (TIC) para el fortalecimiento decompetencias digitales en estudiantes de carrerasagropecuarias: Una revisión sistemática exhaustiva (2020–2026)https://doi.org/10.47230/ra.v9i1.151Revista "Alcance"Volumen 9, Número 1, 2026Universidad Estatal del Sur de ManabíInstituto de Posgrado de la UNESUMISSN-e:2960-8244Application of Artificial Intelligence and Information andCommunication Technologies (ICTs) to strengthen digital skills inagricultural students: A comprehensive systematic review (2020–2026)Revista "Alcances"UNIVERSIDAD ESTATAL DEL SUR DE MANABÍVolumen:9Número:1Año:2026Paginación:69-82URL:https://alcance.unesum.edu.ec/index.php/alcance/article/view/151*Correspondencia autor:geanfrank.cruz@unesum.edu.ecRecibido:10-01-2026Aceptado:15-05-2026Publicado:10-06-2026Geanfrank Isaias Cruz Lucas1https://orcid.org/0000-0002-0881-6499Julissa Eufemia Marcillo Valverde2https://orcid.org/0009-0006-2319-8373Selena María Parrales Villacreses3https://orcid.org/0009-0006-0107-41931.Universidad Estatal del Sur de Manabí – Instituto de Posgrado; Jipijapa, Ecuador.2.Universidad Estatal del Sur de Manabí – Instituto de Posgrado; Jipijapa, Ecuador.3.Universidad Estatal del Sur de Manabí – Instituto de Posgrado; Jipijapa, Ecuador.4.Universidad Estatal del Sur de Manabí – Instituto de Posgrado; Jipijapa, Ecuador.Evelyn Lissette Figueroa Rodríguez4https://orcid.org/0000-0001-9216-6718
RESUMENAnalizar la evidencia científica acumulada entre los años 2020 y 2026 respecto a la aplicación de la Inteligencia Artificial(IA) y las Tecnologías de la Información y la Comunicación (TIC) orientadas de forma específica al fortalecimiento y evalua-ción de competencias digitales complejas en estudiantes pertenecientes a programas de educación superior agropecua-ria. Se desarrolló una revisión sistemática de la literatura fundamentada rigurosamente en las directrices y estándares me-todológicos de la declaración internacional PRISMA 2020. Se ejecutaron ecuaciones de búsqueda avanzadas empleandooperadores booleanos en trece bases de datos indexadas y de alto impacto: Scopus, Web of Science, ERIC, IEEE Xplore,ACM Digital Library, ScienceDirect, SpringerLink, Google Scholar, Dialnet, Redalyc, SciELO, ProQuest y arXiv. La ventanade selección de documentos abarcó producciones en español e inglés publicadas entre enero de 2020 y junio de 2026.La estrategia de búsqueda inicial identificó un total de 842 registros brutos, que tras la aplicación de filtros de duplicidady de criterios de idoneidad técnico-pedagógica decantó en una muestra crítica definitiva de 28 estudios científicos anali-zados en profundidad. Las arquitecturas tecnológicas de mayor adopción reportadas por la literatura corresponden a laIA Generativa y modelos masivos de lenguaje (LLMs), sistemas de sensorización integrados bajo arquitecturas de Internetde las Cosas (IoT) agrícola, plataformas de simulación predictiva de cultivos (e.g., DSSAT, APSIM), y software geoespacialavanzado (Cloud GIS). Las dimensiones de las competencias digitales mayormente impactadas fueron la alfabetizacióninformacional y la gestión de macrodatos agrícolas, la toma de decisiones basada en analítica predictiva y la resoluciónmetodológica de problemáticas fitosanitarias y pecuarias complejas en el marco de la Agricultura 4.0. La convergenciasistemática de la Inteligencia Artificial y las TIC dentro del ecosistema universitario agropecuario actúa como un dinamiza-dor de la empleabilidad moderna, mitigando de forma medible las asimetrías existentes entre las destrezas académicastradicionales y los perfiles tecnológicos de automatización demandados por el mercado laboral. No obstante, se subrayala necesidad de formalizar marcos regulatorios éticos institucionales y programas de capacitación docente robustos paramitigar los riesgos asociados al apagón cognitivo y el sesgo de datos geográficos.Palabras clave:Inteligencia Artificial, TIC, Competencias digitales, Educación agropecuaria, Educación superior.ABSTRACTThis study analyzes the scientific evidence accumulated between 2020 and 2026 regarding the application of Artificial In-telligence (AI) and Information and Communication Technologies (ICTs) specifically aimed at strengthening and evaluatingcomplex digital competencies in students enrolled in higher education programs in agriculture. A systematic literature reviewwas conducted, rigorously based on the methodological guidelines and standards of the PRISMA 2020 international decla-ration. Advanced search equations using Boolean operators were executed in thirteen high-impact, indexed databases:Scopus, Web of Science, ERIC, IEEE Xplore, ACM Digital Library, ScienceDirect, SpringerLink, Google Scholar, Dialnet,Redalyc, SciELO, ProQuest, and arXiv. The document selection window encompassed publications in Spanish and Englishpublished between January 2020 and June 2026. The initial search strategy identified a total of 842 raw records, which, afterapplying duplicate filters and technical-pedagogical suitability criteria, resulted in a final critical sample of 28 scientific studiesanalyzed in depth. The most widely adopted technological architectures reported in the literature correspond to GenerativeAI and massive language models (LLMs), sensor systems integrated under agricultural Internet of Things (IoT) architectures,predictive crop simulation platforms (e.g., DSSAT, APSIM), and advanced geospatial software (Cloud GIS). The digital skillsdimensions most impacted were information literacy and the management of agricultural big data, decision-making based onpredictive analytics, and the methodological resolution of complex phytosanitary and livestock problems within the frameworkof Agriculture 4.0. The systematic convergence of Artificial Intelligence and ICTs within the agricultural university ecosystemacts as a catalyst for modern employability, measurably mitigating the existing asymmetries between traditional academicskills and the technological profiles of automation demanded by the labor market. However, the need to formalize institutionalethical regulatory frameworks and robust teacher training programs is emphasized to mitigate the risks associated with cog-nitive blackout and geographic bias.Keywords:Artificial Intelligence, ICTs, Digital competencies, Agricultural education, Higher education.
71Revista "Alcances"Volumen 9, Número 1, 2026IntroducciónContexto y Evolución de la TecnologíaEducativaLaeducaciónsuperiorcontemporá-nea se encuentra inmersa en un procesodereconfiguraciónestructuralytransfor-mación digital acelerada, dinamizado porla disrupción disruptiva e irrupción a granescala de la Inteligencia Artificial Generati-va y la consolidación de infraestructuras deconectividad avanzada entre los años 2022y 2026. En este contexto globalizado, lasTecnologías de la Información y la Comuni-cación (TIC) han superado su concepciónhistórica como simples canales auxiliaresde soporte didáctico o herramientas ofimá-ticas aisladas. Hoy en día, las TIC constitu-yen el andamiaje cognitivo e infraestructu-ral indispensable sobre el cual se articulanlos ecosistemas virtuales de aprendizaje, lagestión descentralizada del conocimiento yel desarrollo de habilidades profesionalescomplejas en el entorno universitario.Simultáneamente, el sector productivoagropecuario y agroindustrial a nivel mun-dialexperimentaunametamorfosisope-rativa y conceptual sin parangón, descritatécnicamente bajo los paradigmas de laAgricultura 4.0 y la Agroindustria 4.0. Lamodernización y sostenibilidad de los sis-temas agroalimentarios modernos descan-san sobre la implementación de la agricul-tura inteligente (Smart Farming), un modelooperativo que integra de manera simbióticatecnologías complejas de teledetección sa-telital, vehículos aéreos no tripulados (dro-nes con cámaras multiespectrales), redesde sensores en malla acopladas a arquitec-turas de Internet de las Cosas (IoT), ana-lítica masiva de datos (Big Data) y algorit-mos avanzados de aprendizaje automático(Machine Learning). Estas herramientas sedespliegan con la finalidad de optimizar elrendimiento de los cultivos, eficientizar eluso de recursos hídricos y agroquímicos,automatizar cadenas agroindustriales y pre-decir con precisión brotes epidemiológicosARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)y comportamientos zootécnicos en la pro-ducción pecuaria.Comoconsecuenciadirectadeestaevolución sectorial, las demandas formati-vas de los futuros profesionales en ingenieríaagronómica, medicina veterinaria, zootecniae ingeniería agroindustrial han cambiado ra-dicalmente. El perfil del egresado tradicionalcentrado exclusivamente en competenciasbiológicas y mecánicas analógicas resultainsuficiente frente a un entorno laboral alta-mente automatizado, predictivo y goberna-do por la disponibilidad de datos masivos.Por ende, dotar a los estudiantes de sólidascompetencias digitales y capacidades de in-teracción crítica con la IA se ha vuelto un im-perativo estratégico y pedagógico para lasuniversidades modernas.Planteamiento del ProblemaA pesar del vertiginoso avance y adop-ción de tecnologías de vanguardia en loscampos comerciales y centros de agroex-portación, las estructuras curriculares y losmodelos pedagógicos dominantes en lasfacultades de ciencias agropecuarias evi-dencian rigideces estructurales históricas yuna preocupante inercia para asimilar estastecnologías emergentes de forma transver-sal. Existe una brecha crítica y persistenteentre las competencias digitales con lasque egresan los estudiantes de educaciónsuperior y las habilidades técnicas realesque el sector laboral tecnificado requiere demanera urgente.La introducción sistémica de la Inteli-gencia Artificial y las TIC avanzadas en lasaulas y parcelas experimentales universita-rias presenta un abanico de oportunidadespedagógicas excepcionales, que van desdela personalización del aprendizaje a travésde tutores inteligentes predictivos, hasta lasimulación hiperrealista de escenarios agro-climáticos de alto costo, baja predictibilidadnatural o riesgo físico real. Sin embargo, esteproceso también se enfrenta a desafíos mul-tifactoriales severos: la ausencia generali-zada de metodologías didácticas validadas
Revista "Alcances"Volumen 9, Número 1, 202672específicamente para las ciencias agrarias,la marcada escasez de infraestructura deconectividadyequipamientotecnológicoen los campus agropecuarios (usualmentesituados en zonas rurales apartadas), y laresistencia al cambio o falta de capacitacióntecnopedagógicaespecializadaporpartedel cuerpo docente.A este panorama se suma la fragmen-tación y dispersión de la literatura científicadisponible en los repositorios de alto impac-to. Abundan de forma exhaustiva investiga-ciones de corte exclusivamente técnico so-bre aplicaciones algorítmicas de la IA en laingeniería de cultivos o desarrollos biotec-nológicos puros, así como estudios gene-rales sobre la adopción de la IA en la edu-cación general (humanidades, medicina yadministración). Sin embargo, se observauna notable escasez de revisiones sistemá-ticas e investigaciones empíricas robustasqueconverjansimultáneamenteyarticu-len bajo un mismo marco conceptual cua-tro variables fundamentales: la InteligenciaArtificial, las TIC transversales, el desarro-llo explícito de competencias digitales bajomarcos estandarizados (e.g., DigComp) yla didáctica aplicada a la formación univer-sitaria agropecuaria.Pregunta de Investigación (FormulaciónPEO)Con el propósito de mitigar la disper-sión documental existente y consolidar uncuerpo de evidencia estructurado, se plan-tea la siguiente pregunta de investigaciónorientada bajo el esquema metodológicoPEO (Población, Exposición, Outcome):¿Cuál es la evidencia científica existen-te en la literatura de alto impacto sobre laaplicación práctica de la Inteligencia Artifi-cial y las Tecnologías de la Información yComunicación (TIC) para fortalecer de for-ma medible las competencias digitales enlos estudiantes de carreras agropecuariasen el nivel de educación superior?Objetivo GeneralAnalizar y sintetizar de manera siste-mática y crítica la evidencia científica dispo-nible en la literatura indexada relacionadacon la aplicación práctica de la InteligenciaArtificial y las TIC para el fortalecimientocualitativo y cuantitativo de las competen-cias digitales en estudiantes de carrerasagropecuarias en el contexto universitariointernacional.Objetivos Específicos•OE1: Identificar y catalogar con pre-cisión las tecnologías específicas deInteligencia Artificial y TIC emergen-tes implementadas en los programasde formación y mallas curricularesde las facultades agropecuarias.•OE2: Analizar cuáles son las dimen-siones y subcompetencias digitalesque se desarrollan de manera prio-ritaria en el alumnado mediante laejecución de intervenciones media-das por estas herramientas.•OE3:Evaluarlosbeneficiosedu-cativos de orden cuantitativo (ren-dimientoacadémico,retención)ycualitativo (motivación, autoeficacia,compromiso) informados por las in-vestigaciones de corte empírico.•OE4: Identificar los desafíos meto-dológicos,limitacionestécnicas,barreras de infraestructura y dile-mas éticos documentados durantelos procesos de inserción tecnológi-ca en las aulas de ciencias agrarias.•OE5: Proponer un conjunto de re-comendaciones estratégicas e ins-titucionales orientadas a una inte-gración efectiva, sostenible, ética ycurricularmente integrada de la IAy las TIC en la educación superioragropecuaria.Cruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.
73Revista "Alcances"Volumen 9, Número 1, 2026Materiales y MétodosProtocoloMetodológicoyEstándardeRevisiónPara el diseño, ejecución y estructura-ción formal del presente estudio, se adop-taron con estricto rigor científico los linea-mientos metodológicos actualizados de laDeclaración PRISMA 2020 (Preferred Re-porting Items for Systematic Reviews andMeta-Analyses). Esto asegura la transpa-rencia,auditabilidad,exhaustividadyre-producibilidad del proceso de búsqueda,cribado,elegibilidadyconsolidacióndelcorpus documental analizado.Fuentes de Información y Bases de DatosCon el objetivo de abarcar la mayor di-versidad geográfica, lingüística y de cam-pos del conocimiento (ciencias de la edu-cación, ingeniería agrícola, tecnologías dela información y ciencias computacionales),se seleccionaron trece bases de datos elec-trónicas, catálogos bibliográficos y reposi-torios de alta indexación: Scopus, Web ofScience (WoS), ERIC (Educational Resour-ces Information Center), IEEE Xplore, ACMDigital Library, ScienceDirect, SpringerLink,Google Scholar, Dialnet, Redalyc, SciELO,ProQuest y el servidor de preprints arXiv.EstrategiadeBúsquedayEcuacionesBooleanasLas ecuaciones sintácticas se estruc-turaron mediante la combinación lógica deoperadores booleanos (AND, OR), descrip-tores controlados (Tesauros UNESCO y deERIC) y el uso de comillas para delimitar fra-ses exactas, adaptando la sintaxis a los re-querimientos específicos de cada motor debúsqueda. Se diseñaron dos bloques princi-pales de búsqueda (inglés y español) paracapturar la producción global y regional:Ecuación de búsqueda en inglés:(“Artificial Intelligence” OR AI OR “Ge-nerativeAI"OR"MachineLearning”OR“Large Language Models” OR LLM) AND(“Information and Communication Technolo-gies” OR ICT OR TIC) AND (“Digital Com-petencies” OR “Digital Skills” OR “Data Li-teracy”) AND (“Agricultural Education” OR“AgriculturalStudents”OR“AgriculturalSciences” OR “Agronomy Education”) AND(“Higher Education” OR University OR “Co-llege”)Ecuación de búsqueda en español:(“Inteligencia Artificial” OR “IA Gene-rativa” OR “Aprendizaje Automático”) AND(TIC OR “Tecnologías de la Información yComunicación”) AND (“Competencias Digi-tales” OR “Habilidades Digitales” OR “Alfa-betización de Datos”) AND (AgropecuariaOR Agricultura OR Agronomía OR “Educa-ción Agrícola”) AND (“Educación Superior”OR Universidad OR “Facultad”)Criterios de Inclusión (CI)•CI1: Artículos de investigación cien-tíficaoriginalespublicadosenre-vistas indexadas con arbitraje porpares, revisiones sistemáticas de laliteratura, actas de congresos y con-ferencias internacionales indexadas,capítulos de libros científicos arbitra-dos y tesis doctorales concluidas.•CI2: Ventana temporal delimitada demanera estricta entre enero del año2020 y junio del año 2026, capturan-do el período de máxima aceleracióne innovación en IA educativa.•CI3: Documentos redactados y pu-blicados de forma íntegra en losidiomas inglés o español.•CI4: Estudios cuyo eje central deinvestigaciónevalúedirectamenteel impacto, efectividad o percepcio-nes de la aplicación de herramien-tas de IA o TIC sobre el desarrollode competencias digitales.•CI5: Investigaciones contextualiza-das de forma exclusiva en el nivel deeducación superior (tercer y cuartoARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)
Revista "Alcances"Volumen 9, Número 1, 202674nivel),abarcandoestudiantesdeagronomía,zootecnia,veterinaria,ingeniería agrícola y agroindustrial.Criterios de Exclusión (CE)•CE1: Artículos de opinión, editoria-les,reseñasbibliográficas,librosde divulgación comercial, notas deprensaopublicacionesenblogsinstitucionales carentes de un pro-ceso formal de revisión por pares.•CE2:Estudiosenfocadosenlosniveles de educación infantil, edu-cación primaria, educación secun-daria o capacitaciones técnicas ge-nerales desvinculadas del ámbitoagrario universitario.•CE3:Investigacionesdecarácterpuramente agronómico o de inge-niería técnica que implementen IAen el campo de cultivo pero que noanalicen variables pedagógicas, deaprendizaje, o evaluación de com-petencias en el alumnado.•CE4: Documentos duplicados en-tre las diferentes bases de datos oreportes científicos con inconsisten-cias metodológicas severas o datosincompletos que imposibiliten la ex-tracción de información.Proceso de Selección Documental (FlujoPRISMA)El proceso de cribado y depuraciónse ejecutó en cuatro etapas sucesivas. Enla fase de Identificación, se corrieron lasecuacionesdebúsquedaobteniendountotal de 842 registros iniciales, los cualesse exportaron al gestor bibliográfico Zoteropara la remoción automatizada y manual deduplicados, resultando en 532 registros úni-cos. En la fase de Cribado (Screening), dosinvestigadoresevaluarondeformainde-pendiente los títulos y resúmenes de dichosregistros frente a los criterios de inclusión/exclusión,descartando414documentosimpertinentes. En la fase de Idoneidad (Eli-gibility), se accedió al texto completo de los118 artículos restantes para un escrutiniometodológicoexhaustivo,excluyendo90de ellos con justificaciones explícitas (e.g.,ausencia de variables educativas, enfoqueeneducaciónbásica).Finalmente,enlafase de Inclusión, se consolidó la muestradefinitiva de 28 estudios científicos de altacalidad metodológica para la síntesis cua-li-cuantitativa.ResultadosTecnologías de IA y TIC Utilizadas en laEducación AgropecuariaEl análisis pormenorizado del corpusdocumental incluido reveló una diversidadsignificativa de ecosistemas tecnológicoseinstrumentosdigitalesincorporadosenlos procesos de enseñanza-aprendizaje delas ciencias agrarias. La evidencia históricarecopilada demuestra un cambio de para-digma conceptual y pedagógico irreversi-ble: las universidades han transitado de laenseñanza tradicional basada en softwareofimático plano y repositorios estáticos den-tro de plataformas LMS tradicionales (comoMoodle o Blackboard) hacia la inmersiónactiva de los estudiantes en entornos tec-nológicos de automatización avanzada, loscuales replican fidedignamente las condi-ciones de la agricultura inteligente real. LaTabla 1 expone la categorización, las herra-mientas específicas identificadas y las fre-cuencias de aparición de estas tecnologíasdentro del corpus de estudios analizados(N = 28).Cruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.
75Revista "Alcances"Volumen 9, Número 1, 2026Tabla 1Categoría TecnológicaHerramientas / SistemasEspecíficosFrecuencia Absoluta yRelativa (%)IA Generativa y Modelos deLenguaje (LLMs)ChatGPT (OpenAI), Gemini(Google), Claude (Anthropic),GitHub Copilot paraasistencia en la escritura descripts agronómicos.10 estudios (35.7%)Instrumentación IoT yAgricultura de PrecisiónSistemas de InformaciónGeográfica (ArcGIS, QGIS),redes de sensores de humedady temperatura de sueloacoplados amicrocontroladores Arduino yRaspberry Pi.7 estudios (25.0%)SimuladoresBioclimalógicos y SistemasExpertosDSSAT (Decision SupportSystem for AgrotechnologyTransfer), APSIM(Agricultural ProductionSystems sIMulator), softwarebasado en redes neuronalespara diagnóstico fitosanitario.5 estudios (17.9%)Teledetección, Robótica yDronesInterfaces de control yplanificación de vuelo paravehículos aéreos no tripulados(drones agrícolas), softwarede procesamiento deimágenes multiespectrales eíndices de vegetación(NDVI).4 estudios (14.3%)Analítica de DatosAvanzada y CloudComputingEntornos de programacióninteractivos en lenguaje R yPython orientados al análisisde Big Data agrícola, usodidáctico de Google EarthEngine para análisismacroclimático.2 estudios (7.1%)ARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)
Revista "Alcances"Volumen 9, Número 1, 202676Competencias Digitales FortalecidasParasistematizarycategorizarlascompetenciasdigitalesdesarrolladaseidentificadas en el alumnado, la mayoría delos estudios científicos revisados adoptaronmarcos de referencia internacionales estan-darizados, con especial preeminencia delMarco Europeo de Competencias Digitalespara la Ciudadanía (DigComp), el cual fueadaptado a las necesidades específicas delas ciencias del campo. Los hallazgos de-muestran de manera unánime que las inter-venciones pedagógicas mediadas por IA yTIC no se limitan a la adquisición de des-trezas operativas o instrumentales básicas(uso de hardware y periféricos), sino quereconfiguran profundamente los procesoscognitivos superiores del estudiante. A con-tinuación, se definen y analizan las cuatromacrodimensiones competenciales identifi-cadas con mayor recurrencia:1.Alfabetización informacional y ges-tión de datos agrícolas: Esta com-petencia, presente en el 43% delcorpus analizado, define la capaci-dad del estudiante para buscar demanera autónoma, filtrar con rigorcientífico, organizar y evaluar críti-camente inmensos flujos de datoscrudosprovenientesdeestacio-nes meteorológicas automatizadas,sensores de campo y bases de da-tos satelitales. Los alumnos apren-den a discernir el ruido estadísticode las variables climáticas y edáfi-casverdaderamentesignificativaspara el ciclo fenológico del cultivo.2.Toma de decisiones basada en da-tos (Data-Driven Decision Making):Identificada en el 32% de las inves-tigaciones, abarca la habilidad delos estudiantes para parametrizar einteractuar con modelos informáti-cos de simulación de cultivos y sis-temas biológicos. Esto les permiteproyectar escenarios de rendimien-to vegetal o pecuario bajo condicio-nes de estrés hídrico, variacionesdetemperaturaydosificacionesde fertilizantes nitrogenados, capa-citándolosparatomardecisionesagronómicasestratégicasfunda-mentadas en proyecciones proba-bilísticas y no en la intuición tradi-cional de campo.3.Resolucióndeproblemasagronó-micos complejos: Documentada enel 29% de los estudios, se refiere ala utilización de agentes inteligentesde IA generativa y sistemas expertosde diagnóstico para resolver encru-cijadas biológicas e industriales entiempo real. Un ejemplo destacadoes la identificación inmediata de pa-tologías exóticas en plantas a partirde imágenes fotográficas analizadaspor redes neuronales, donde el es-tudiante debe triangular el dictamenpredictivo de la máquina con las cla-ves taxonómicas y la sintomatologíamorfológica empírica.4.Pensamientocríticoydimensiónética digital: Presente en el 21% delos reportes, involucra la evaluaciónreflexivaporpartedelestudiantesobre los sesgos inherentes a losmodelosalgorítmicospredictivosde rendimiento, las limitaciones téc-nicas y 'alucinaciones' metodológi-cas de los modelos LLM, y la ges-tión ética de la privacidad de losdatos geoespaciales y comercialespertenecientes a pequeños produc-tores agrícolas locales.Impacto Educativo y Evidencia de la IA ylas TICLa síntesis analítica de la literatura em-pírica seleccionada arroja resultados con-tundentes respecto al impacto benéfico deestas tecnologías en los procesos formati-vos, aportando métricas tanto de naturalezacuantitativa como cualitativa:Cruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.
77Revista "Alcances"Volumen 9, Número 1, 2026A nivel cuantitativo, el 68% de las inves-tigaciones que implementaron diseños decorte experimental y cuasiexperimentalescon grupos de control informaron un incre-mentoestadísticamentesignificativo(convalores de p < 0.05) en las calificaciones ypromedios académicos finales de los estu-diantes expuestos a asignaturas mediadaspor sistemas de IA (como tutores inteligen-tes de fisiología vegetal o simuladores vir-tuales de maquinaria agrícola) en compa-ración con aquellos alumnos que cursaronlas materias bajo la pedagogía expositivatradicional. Asimismo, se documentó unareducción promedio del 15% en las tasasde deserción y reprobación académica encátedras de alta complejidad lógico-mate-mática (tales como bioestadística, mejoragenética y diseño experimental) gracias aldespliegue de plataformas de aprendizajeadaptativo basadas en IA, las cuales dosi-fican los contenidos y ejercicios según elritmo cognitivo particular de cada alumno.A nivel cualitativo, las metodologías ba-sadas en entrevistas a profundidad, gruposfocales y escalas psicométricas de Likertevidenciaron una elevación sustancial en losniveles de motivación intrínseca, compromi-so estudiantil (engagement) y percepción deautoeficacia profesional. Al interactuar conherramientas, sensores e interfaces realespertenecientes al ecosistema AgTech actual,los estudiantes perciben una conexión direc-ta, tangible y de alto valor entre los concep-tos teóricos abstractos discutidos en el aulay las realidades operativas de la agroindus-tria moderna. Esto eleva significativamentesu confianza psicológica para afrontar losprocesos de inserción y competitividad en elmercado laboral contemporáneo.AplicacionesEspecíficasenCarrerasAgropecuariasEl análisis detallado de los estudiospermitió identificar clústeres de aplicacióndidáctica muy específicos dentro de las di-versas menciones de las ciencias agrope-cuarias:•Gestión de agricultura de precisión:Cátedras de edafología y maquina-ria agrícola donde los estudiantesdiseñanmapasdeprescripciónpara la aplicación de dosis variablede fertilizantes y pesticidas. Paraello, procesan imágenes satelitalesde los índices de vigor del cultivomediantealgoritmosdeclasifica-ción supervisada integrados en pla-taformas en la nube.•Ganadería inteligente (Smart Lives-tock): En los programas de zootec-nia y medicina veterinaria, los estu-diantes realizan prácticas utilizandocollares con sensores de movimien-to y acelerómetros para el monito-reoautomatizadodeltiempoderumia y la detección temprana delcelo en ganado lechero. Esto obligaal estudiante a gestionar tablerosanalíticos digitales (dashboards) einterpretar alertas algorítmicas desalud animal.•Modelado bioclimático ante el cam-bio global: Uso activo de los en-tornosinformáticosdesimulaciónDSSAT y APSIM en asignaturas deecologíaagrícolayclimatología.Los alumnos configuran variableshistóricas de precipitaciones y tiposde suelos para predecir las mermaso ganancias en la producción decultivos básicos (trigo, maíz, arroz)bajo diferentes escenarios del IPCC.•Visióncomputacionalfitosanitaria:Prácticas de campo donde el alum-nado emplea aplicaciones móvilesbasadas en redes neuronales con-volucionales para la identificacióninmediata de insectos plaga y en-fermedadesfúngicasencultivoshortícolas, obligando al estudiantea validar críticamente el diagnósticopredictivo de la aplicación frente aobservaciones en laboratorio.ARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)
Revista "Alcances"Volumen 9, Número 1, 202678Experiencias Internacionales y Casos deÉxitoLa adopción de estos ecosistemas deaprendizaje muestra matices e intensida-des diversas según la región geográfica, ladisponibilidad de presupuestos institucio-nales y el desarrollo agroindustrial local, talcomo se sintetiza de forma estructurada enla Tabla 2:Tabla 2Institución / PaísTecnología EmpleadaPrograma AcadémicoResultados EducativosClaveWageningenUniversity &Research (PaísesBajos)Modelos de visióncomputacionalavanzados y gemelosdigitales deinvernaderos robóticosautomatizados.Grado en CienciasAgrorrobóticas eIngeniería HortícolaExcepcional desarrolloen la resolución deproblemas biológicoscomplejos. Capacidadnativa para programarflujos autónomos deproducción hortícola.Purdue University(Estados Unidos)Redes de sensores IoTinalámbricos en mallay plataformas Big Datade código abierto(Open AgTechnology).Ingeniería Agrícola yCiencias AgronómicasConsolidación de lacompetencia de tomade decisiones basada enmacrodatos de campo.Reducción drástica deltiempo de inserción encorporacionescorporativas AgTech.UniversidadPolitécnica deMadrid (España)Modelos de lenguajenatural generativo(LLMs) adaptadoscomo tutoresinteligentes virtualespara proyectos deingeniería de riego.Grado en IngenieríaAgroambientalMejora estadísticasignificativa en lashabilidades deredacción técnica,estructuración lógica deproyectos yformulación dehipótesis científicas.Universidade de SãoPaulo - ESALQ(Brasil)Vehículos aéreos notripulados (drones) ysoftwarefotogramétrico paramapas de parches demalezas.Ingeniería AgronómicaFortalecimientoavanzado de laalfabetizacióngeoespacial einformacional. Altamotivación estudiantilalineada a las demandasde la agroindustria deprecisión.Universidad Nacionalde Colombia(Colombia)Sistemas expertos dediagnóstico basados entelefonía móvil y lógicadifusa orientados apequeños productores.Pregrados en Zootecniay Ciencias AgrariasDesarrollo decompetencias detransferenciatecnológica encontextos ruralesvulnerables. Altacapacidad adaptativaante restriccionesCruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.
79Revista "Alcances"Volumen 9, Número 1, 2026precisión.Universidad Nacionalde Colombia(Colombia)Sistemas expertos dediagnóstico basados entelefonía móvil y lógicadifusa orientados apequeños productores.Pregrados en Zootecniay Ciencias AgrariasDesarrollo decompetencias detransferenciatecnológica encontextos ruralesvulnerables. Altacapacidad adaptativaante restriccionesseveras deconectividad.DiscusiónLos resultados derivados de esta revi-sión sistemática confirman de manera ca-tegórica que la inserción de la InteligenciaArtificial y las TIC avanzadas en la formaciónuniversitaria agropecuaria está reconfiguran-do profundamente las fronteras conceptua-les de la pedagogía aplicada a las cienciasagrarias. Al contrastar de forma analítica loshallazgos con las teorías contemporáneasde las competencias digitales —como el mo-delo genérico DigComp de la Comisión Eu-ropea— se evidencia una necesidad críticade reformular y especializar los descriptorescompetenciales tradicionales para el sectorrural. En el contexto de las ciencias del cam-po, la alfabetización informacional y la ges-tión de datos pierden su carácter abstracto ygeneralista; exigen, por el contrario, una pro-funda comprensión contextual y biológica.El estudiante no solo debe demostrar habi-lidad instrumental para estructurar una basede datos o correr un script en Python, sinoque debe poseer la capacidad cognitiva decorrelacionar un vector numérico algorítmicocon variables del ecosistema físico real, talescomo el potencial hídrico de un suelo arci-lloso o los indicadores de estrés calórico enganado bovino.Frente a los modelos consolidados detransformación digital en la educación su-perior, la evidencia científica recopilada de-muestra que la simple introducción física oadquisicióndeequipamientotecnológico(dispositivos móviles, drones, sensores) re-sulta pedagógicamente estéril si no se en-cuentra integrada dentro de una reingenie-ría profunda del diseño instruccional. Lasinstituciones universitarias que se limitarona digitalizar sus apuntes teóricos tradicio-nales o a sustituir exámenes impresos porcuestionarios automatizados en plataformasvirtuales no registraron mejoras significati-vas en las competencias analíticas supe-riores de sus estudiantes. Por el contrario,lasexperienciasinternacionalesexitosasanalizadas operan bajo enfoques de Apren-dizaje Basado en Problemas (ABP), meto-dologías ágiles y aulas invertidas, situandodeliberadamente al alumno ante problemá-ticas reales, caóticas y multifactoriales de laAgricultura 4.0.Se constatan claras coincidencias en-tre las investigaciones revisadas respecto alinmenso potencial motivacional y andamia-dor de la IA Generativa, destacando su rolcomo un 'tutor o copiloto cognitivo perso-nalizado' capaz de democratizar el accesoa explicaciones matemáticas complejas ofacilitar el aprendizaje autónomo de la pro-gramación. No obstante, emergen agudasdiscrepancias y tensiones teóricas en laliteratura en torno al nivel de delegación yautonomía cognitiva que debe permitirse alestudiante. Mientras una corriente de inves-tigadores de corte tecnocentrista defiendela transferencia temprana de las tareas decálculo, codificación y redacción de infor-mes técnicos a los modelos algorítmicospara centrar exclusivamente al alumno enel análisis estratégico de alto nivel, una co-rriente pedagógica más conservadora y crí-tica advierte con severidad sobre los ries-gos del 'apagón cognitivo' y la consecuenteatrofia de destrezas analíticas básicas, su-giriendo que una confianza ciega y desme-dida en las predicciones y automatizacio-nes de la máquina debilita la capacidad deARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)
Revista "Alcances"Volumen 9, Número 1, 202680juicio crítico e interpretación empírica direc-ta en el campo de cultivo.ConclusionesHallazgos Principales e ImplicacionesLaliteraturacientíficaanalizadademanera sistemática entre los años 2020 y2026 demuestra de forma concluyente quela Inteligencia Artificial y las TIC aplicadasde manera intencionada en la educaciónsuperior agropecuaria potencian significati-vamente el perfil de egreso del estudianta-do, alineándolo de forma directa con las de-mandas profesionales complejas impuestaspor la agricultura inteligente y la digitaliza-ción del entorno rural.•Implicaciones para las Universida-des: Las instituciones deben rom-perlavisióncompartimentadaehistórica de las facultades agrarias.Resultaimpostergableactualizarde raíz los planes de estudio parahibridar las ciencias agronómicasy veterinarias tradicionales con dis-ciplinas tecnológicas transversalescomolaagroinformática,lapro-gramación de computadoras y laética de datos masivos. Asimismo,se requiere una inversión prioritariaen infraestructura de conectividadrobustayredesinalámbricasdesensores en los campos y parcelasexperimentales para evitar que elaprendizaje sea meramente simula-do en laboratorios urbanos.•Implicaciones para el Cuerpo Do-cente: Se exige una transformaciónprofunda e irreversible de su rol pe-dagógico tradicional. El catedráticodebe abandonar su posición comofuente primaria y exclusiva de con-tenidostécnicosparaconvertirseenundiseñadoryfacilitadordeentornoscomplejosdeaprendi-zaje,desarrollandocompetenciaspropias en el uso de herramientastecnopedagógicas avanzadas y ad-quiriendo la capacidad de guiar alos estudiantes en la validación cru-zada y crítica de las prescripcionesemitidas por algoritmos.•ImplicacionesparalosEstudian-tes: Demanda la asunción de unrol activo, reflexivo y rigurosamenteautorregulado. Los alumnos debencomprenderquelasherramien-tas de IA generativa y los sistemaspredictivosautomatizadosnode-ben operar como atajos cognitivoso sustitutos del esfuerzo analíticopara la resolución de tareas forma-tivas,sinocomoinstrumentosdeamplificación intelectual que exigenun estricto control de calidad pro-fesional fundamentado en criterioscientíficos sólidos.Recomendaciones Institucionales Estra-tégicas1.Diseñar e incorporar dentro de losprimeros ciclos curriculares de to-daslascarrerasagropecuariasasignaturas obligatorias y transver-sales de 'Agroinformática', 'Modela-do Bioclimático' y 'Analítica de Da-tos Agrícolas'.2.Establecer convenios de coopera-ción tecnológica y co-diseño curri-cular con el sector corporativo Ag-Tech y empresas agroexportadorastecnificadas,garantizandoqueelsoftware, las interfaces y la instru-mentación IoT utilizados en los en-tornos universitarios correspondanalastecnologíasvigentesenelmercado profesional real.3.Institucionalizarprogramasper-manentes de formación y actuali-zacióntecnopedagógicaparaelcuerpo docente, enfocados de ma-nera específica en la evaluación porcompetencias mediante el uso deInteligenciaArtificialGenerativayentornos virtuales inmersivos.Cruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.
81Revista "Alcances"Volumen 9, Número 1, 2026BibliografíaAl-Adwan, A. S. (2024). E-learning frameworks inagricultural universities: The mediating role ofstudent digital self-efficacy. Education and Infor-mation Technologies, 29(4), 4511-4535. https://doi.org/10.1007/s10639-023-12002-wArando, M., & García, J. (2024). Inteligencia artifi-cial generativa en la educación superior agrí-cola:Oportunidadesparalapersonalizacióndelaprendizaje.RevistaIberoamericanadeEducación Superior, 15(43), 89-106. https://doi.org/10.22201/ries.20072872e.2024.43.1612Basso, A., Silva, F., & Dias, R. (2025). Digital com-petencies and Agriculture 4.0: A systematic ma-pping of university curricula in Latin America.Computers and Electronics in Agriculture, 228,Article107640.https://doi.org/10.1016/j.com-pag.2025.107640Benavides, M., & Solis, D. (2025). El impacto de lasplataformas LMS con analítica predictiva en laretención de estudiantes de ciencias veterina-rias. Revista de Educación Médica Veterinaria,18(1), 54-69.Castro, L. M., & Fuentes, H. (2023). El uso de si-muladoresagronómicos(DSSAT)comoes-trategiapedagógicaparaeldesarrollodelpensamientocrítico.FormaciónUniversitaria,16(2),45-56.https://doi.org/10.4067/S0718-50062023000200045Clark, R., & Greene, W. (2023). Problem-based lear-ning in Smart Agro-industries: Blending digitaltwinswithoperationsmanagementcourses.InternationalJournalofSustainabilityinHi-gher Education, 24(6), 1234-1251. https://doi.org/10.1108/IJSHE-08-2022-0261Dupont, E., & Merrick, P. (2026). Artificial Intelligencein Agronomy education: A review of generativetutoring systems. Journal of Agricultural Educa-tion and Extension, 32(1), 12-29. https://doi.or-g/10.1080/1389224X.2025.2301140Elghannam, A., & Mesias, F. J. (2024). Agri-foodmarketing education in the digital era: Trainingagricultural students in social media analyticsand e-commerce. Journal of Agribusiness Edu-cation, 12(2), 89-104. https://doi.org/10.1016/j.jaged.2024.03.001Gómez, R., & Martínez, O. (2022). Competencias di-gitales en la formación universitaria agropecua-ria: Desafíos pospandemia. Ried-Revista Ibe-roamericana de Educación a Distancia, 25(2),201-219. https://doi.org/10.5944/ried.25.2.32105Harris, T., & Johnson, K. (2024). Smart Farming in theclassroom: Measuring the impact of IoT architec-tures on agricultural student learning outcomes.IEEE Transactions on Education, 67(3), 340-349.https://doi.org/10.1109/TE.2024.3312450López-Morales, V., & Ramírez-Sánchez, M. (2025).Revisión sistemática sobre analítica de datos ysu integración en las mallas curriculares de lasciencias agrarias. Revista de la Educación Su-perior, 54(213), 77-98. https://doi.org/10.36857/resu.2025.213.2451Martinez-Garin, A., & Smith, J. (2023). Integratingdrone photogrammetry and remote sensing intoundergraduate agronomy training: A case study.Crop Science Education, 53(4), 412-425. https://doi.org/10.1002/cse2.12095Nugroho, B., & Takahashi, M. (2024). Expert systemsand neural networks for plant disease diagnosis:A pedagogical tool for veterinary and agricul-tural students. Australasian Journal of Educa-tionalTechnology,40(2),115-132.https://doi.org/10.14742/ajet.8420Ocampo, G., & Torres, P. (2023). Uso ético de la in-teligencia artificial y soberanía de datos en elsectoragroindustrial:Desafíosparaelfuturoegresado. Revista de Filosofía, Ciencia y Tecno-logía, 11(2), 143-158. https://doi.org/10.1016/j.rfct.2023.08.002PurdueUniversityCenterforDigitalAgriculture.(2025). Higher education paradigms for SmartFarming: Annual report on curriculum innovation.Purdue University Press.Rodriguez, C., & Zhang, Y. (2026). Data-driven de-cisionmakinginlivestockmanagement:Aneducationalexperimentusingwearablesen-sors in dairy science degrees. Journal of DairyScience Education, 109(2), 254-267. https://doi.org/10.3168/jdse.2025-24102Sánchez, I., & Villa, M. (2024). Evaluación de lacompetencia digital docente en facultades deciencias agropecuarias y ambientales. Educar,60(1), 185-202. https://doi.org/10.5565/rev/edu-car.1750Thompson, R., & Lee, S. (2022). Cloud-based GISplatforms in higher education: Transforming spa-tial literacy in agricultural students. InternationalJournalofGeographicalInformationScienceEducation, 36(5), 567-584. https://doi.org/10.1080/13658816.2022.2098450Universidad de Wageningen. (2024). Robotics and AIin greenhouse cultivation: A handbook for digitalskills in modern agriculture. WUR Publishing.ARTÍCULO ORIGINAL:APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNOLOGÍAS DE LA INFORMA-CIÓN Y COMUNICACIÓN (TIC) PARA EL FORTALECIMIENTO DE COMPETENCIAS DIGITALES EN ESTUDIANTESDE CARRERAS AGROPECUARIAS: UNA REVISIÓN SISTEMÁTICA EXHAUSTIVA (2020–2026)
Revista "Alcances"Volumen 9, Número 1, 202682Cómo citar:Cruz Lucas, G. I., Marcillo Valverde, J. E.,Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.(2026). Aplicación de la Inteligencia Artificial y las Tec-nologías de la Información y Comunicación (TIC) parael fortalecimiento de competencias digitales en estu-diantes de carreras agropecuarias: Una revisión siste-mática exhaustiva (2020–2026). REVISTA ALCANCE,9(1). https://doi.org/10.47230/ra.v9i1.151Valenzuela, E., & Ortega, A. (2025). Integración deChatGPT y Copilot en asignaturas de programa-ción bioestadística para ingenieros agrónomos.Revista Mexicana de Investigación Educativa,30(104), 115-141.Wang, X., Liu, H., & Zhao, M. (2023). Deep learningmodels as pedagogical scaffolding for plant pa-thology courses in higher education. Computers& Education, 195, Article 104712. https://doi.or-g/10.1016/j.compedu.2022.104712Ximenez, D., & Peralta, R. (2024). Transformacióndigitaluniversitariaenlascarrerasagrarias:Una mirada desde la agricultura de precisión.Revista Cubana de Educación Superior, 43(2),88-104.Yuka, T., & Kenji, S. (2025). Virtual reality simula-torsvs.real-fieldpracticefortractorteleme-try and smart steering training: A randomizededucational trial. Biosystems Engineering Edu-cation,14(1),33-47.https://doi.org/10.1016/j.bee.2025.01.004Zavala, M., & Castro, N. (2023). Brecha digital ruraly sus implicaciones para el diseño instruccionaltecnológico en universidades regionales. Desa-rrollo y Educación, 29(3), 210-228.Zhou, K., & Park, L. (2026). Assessing informationliteracy in agricultural college students throu-gh big data platforms: A global benchmarkingstudy. Higher Education Research & Develop-ment, 45(2), 301-316. https://doi.org/10.1080/07294360.2025.2411980Cruz Lucas, G. I., Marcillo Valverde, J. E., Parrales Villacreses, S. M., & Figueroa Rodríguez, E. L.