La calidad en la educación superior implica, por un lado, procesos institucionales conducentes al desarrollo de los servicios ofrecidos por las instituciones, carreras y/o programas, y por otro lado las instancias de evaluaciones con fines de acreditación. En ambos escenarios la implementación de la IA, con sus ventajas y desafíos, constituye una aliada emergente. Esta investigación cualitativa de tipo documental con revisión sistemática según la metodología PRISMA analizó la implementación de la IA en estos procesos de aseguramiento de la calidad mediante el estudio de artículos científicos publicados en revistas arbitradas (Scopus, Web of Science, Scielo), y artículos argumentativos en Google Scholar, en el periodo 2020-2025.
El hallazgo principal refiere el uso de la IA en los procesos pedagógicos innovadores del docente y de los estudiantes: evaluaciones, tutorías personalizadas, didáctica, procesos administrativos como la predicción de desempeño académico, la aplicación de la ciencia de datos y las tecnologías de IA para la minería de datos educativos y el análisis del aprendizaje. Con las ventajas de la IA, su integración en el aseguramiento de la calidad en el desarrollo de las carreras y programas posibilita la gestión de datos y permite la automatización de las operaciones académicas, proyectando la eficacia en la toma de decisiones y la mejora de resultados académicos y administrativos. Sin embargo, es escasa la evidencia de IA en el monitoreo de los sistemas de calidad y control, en la elaboración y revisión de informes de autoevaluación, en la revisión de evidencias, en el cotejo de información cualitativa y cuantitativa con los indicadores y criterios de evaluación según los componentes de las modalidades de acreditaciones de carreras, programas e instituciones, conforme a los modelos nacionales e internacionales.
Ante la incipiente información sobre el uso de la IA en los procesos de acreditaciones de la educación superior, se proyecta profundizar en las posibilidades de las técnicas para la el análisis de conjuntos de datos educativos, como ser el análisis de grandes volúmenes de datos institucionales con las técnicas de ML, el desarrollo de técnicas de PLN en la automatización de la retroalimentación, el Método Basado en Ciencia de Datos para la extracción de la información y el conocimiento de los datos en la eficiencia y el rendimiento de las IES ante el cumplimiento de los estándares de calidad establecidos en los organismos de acreditación.