RELACIÓN ENTRE LA INTELIGENCIA
ARTIFICIAL Y PROCRASTINACIÓN EN
EDUCACIÓN SUPERIOR: UNA REVISIÓN
NARRATIVA DE LA LITERATURA
ASSOCIATION BETWEEN ARTIFICIAL INTELLIGENCE
AND PROCRASTINATION IN HIGHER EDUCATION:
A NARRATIVE LITERATURE REVIEW
Javier Asunción Puchuri Apcho
Universidad Continental, Perú
Williams García Ramos
Investigador independiente, Perú
pág. 5508
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26405
Relación entre la Inteligencia Artificial y Procrastinación en Educación
Superior: Una Revisión Narrativa de la Literatura
Javier Asunción Puchuri Apcho1
jpuchuri@continental.edu.pe
https://orcid.org/0009-0005-6707-0817
Universidad Continental
Perú
Williams García Ramos
correowilliams37@gmail.com
https://orcid.org/0009-0006-4910-9930
Investigador Independiente
Perú
RESUMEN
El uso de herramientas basadas en inteligencia artificial se ha intensificado en la educación superior,
generando debate sobre su valor de cara a la procrastinación, Estos instrumentos se pueden considerar
parte de un andamiaje cognitivo que puede minimizar la postergación de actividades complejas, aunque
también podría favorecer la dependencia tecnológica, minando la autorregulación. El objetivo fue la
revisión y análisis de literatura acerca de la posible asociación entre inteligencia artificial y
procrastinación en estudiantes universitarios. Se realizó una búsqueda sistemática en bases de datos
bibliográficas: Web of Science, Scopus, Scielo y Google Académico, de acuerdo a los criterios de
elegibilidad especificados al inicio de la investigación. Identificándose 178 artículos, los que al pasar
por los filtros fueron resumidos en 19 trabajos organizados temáticamente para su análisis. Los
resultados fueron organizados en 04 ejes: inteligencia sustitutoria de procesos cognitivos,
procrastinación producto de delegación, factores motivacionales asociados, e intervención tecnológica
para disminuir la procrastinación. Se halló ambivalencia, mientras que algunas investigaciones vinculan
la inteligencia artificial con el incremento de la procrastinación por dependencia tecnológica, otros
concluyen que puede reducirse por el acompañamiento, capacitación o diseños pedagógicamente
estructurados. Concluyendo, la relación entre inteligencia artificial y procrastinación va a depender de
variables motivacionales, del contexto disciplinar, además de la pedagogía utilizada, lo cual supera la
sola disponibilidad del recurso tecnológico.
Palabras clave: inteligencia artificial, procrastinación, autorregulación
1 Autor principal.
Correspondencia: jpuchuri@continental.edu.pe
DOI: https://doi.org/10.37811/cl_rcm.v10i5.26405
Relación entre la Inteligencia Artificial y Procrastinación en Educación
Superior: Una Revisión Narrativa de la Literatura
Javier Asunción Puchuri Apcho1
jpuchuri@continental.edu.pe
https://orcid.org/0009-0005-6707-0817
Universidad Continental
Perú
Williams García Ramos
correowilliams37@gmail.com
https://orcid.org/0009-0006-4910-9930
Investigador Independiente
Perú
RESUMEN
El uso de herramientas basadas en inteligencia artificial se ha intensificado en la educación superior,
generando debate sobre su valor de cara a la procrastinación, Estos instrumentos se pueden considerar
parte de un andamiaje cognitivo que puede minimizar la postergación de actividades complejas, aunque
también podría favorecer la dependencia tecnológica, minando la autorregulación. El objetivo fue la
revisión y análisis de literatura acerca de la posible asociación entre inteligencia artificial y
procrastinación en estudiantes universitarios. Se realizó una búsqueda sistemática en bases de datos
bibliográficas: Web of Science, Scopus, Scielo y Google Académico, de acuerdo a los criterios de
elegibilidad especificados al inicio de la investigación. Identificándose 178 artículos, los que al pasar
por los filtros fueron resumidos en 19 trabajos organizados temáticamente para su análisis. Los
resultados fueron organizados en 04 ejes: inteligencia sustitutoria de procesos cognitivos,
procrastinación producto de delegación, factores motivacionales asociados, e intervención tecnológica
para disminuir la procrastinación. Se halló ambivalencia, mientras que algunas investigaciones vinculan
la inteligencia artificial con el incremento de la procrastinación por dependencia tecnológica, otros
concluyen que puede reducirse por el acompañamiento, capacitación o diseños pedagógicamente
estructurados. Concluyendo, la relación entre inteligencia artificial y procrastinación va a depender de
variables motivacionales, del contexto disciplinar, además de la pedagogía utilizada, lo cual supera la
sola disponibilidad del recurso tecnológico.
Palabras clave: inteligencia artificial, procrastinación, autorregulación
1 Autor principal.
Correspondencia: jpuchuri@continental.edu.pe
pág. 5509
Association Between Artificial Intelligence and Procrastination in Higher
Education: A Narrative Literature Review
ABSTRACT
The use of artificial intelligence-based tools has intensified in higher education, sparking debate
regarding their impact on procrastination. These tools can be viewed as a form of cognitive scaffolding
that minimizes the postponement of complex tasks, though they may also foster technological
dependency and undermine self-regulation. This study aimed to review and analyze the literature
concerning the potential link between artificial intelligence and procrastination among university
students. A systematic search was conducted across bibliographic databases—Web of Science, Scopus,
SciELO, and Google Scholar—based on eligibility criteria established at the outset of the research.
From an initial pool of 178 articles, 19 were selected after screening and organized thematically for
analysis. The results were categorized into four key areas: AI as a substitute for cognitive processes,
procrastination resulting from task delegation, associated motivational factors, and technological
interventions to reduce procrastination. Mixed findings emerged while some studies link artificial
intelligence to increased procrastination due to technological dependency; others conclude that
procrastination can be reduced through guidance, training, or pedagogically structured designs.
Ultimately, the relationship between artificial intelligence and procrastination depends on motivational
variables, the disciplinary context, and the pedagogical approach employed—factors that extend beyond
the mere availability of the technological resource.
Keywords: artificial intelligence, procrastination, self-regulation
Artículo recibido 20 agosto 2026
Aceptado para publicación: 20 setiembre 2026
Association Between Artificial Intelligence and Procrastination in Higher
Education: A Narrative Literature Review
ABSTRACT
The use of artificial intelligence-based tools has intensified in higher education, sparking debate
regarding their impact on procrastination. These tools can be viewed as a form of cognitive scaffolding
that minimizes the postponement of complex tasks, though they may also foster technological
dependency and undermine self-regulation. This study aimed to review and analyze the literature
concerning the potential link between artificial intelligence and procrastination among university
students. A systematic search was conducted across bibliographic databases—Web of Science, Scopus,
SciELO, and Google Scholar—based on eligibility criteria established at the outset of the research.
From an initial pool of 178 articles, 19 were selected after screening and organized thematically for
analysis. The results were categorized into four key areas: AI as a substitute for cognitive processes,
procrastination resulting from task delegation, associated motivational factors, and technological
interventions to reduce procrastination. Mixed findings emerged while some studies link artificial
intelligence to increased procrastination due to technological dependency; others conclude that
procrastination can be reduced through guidance, training, or pedagogically structured designs.
Ultimately, the relationship between artificial intelligence and procrastination depends on motivational
variables, the disciplinary context, and the pedagogical approach employed—factors that extend beyond
the mere availability of the technological resource.
Keywords: artificial intelligence, procrastination, self-regulation
Artículo recibido 20 agosto 2026
Aceptado para publicación: 20 setiembre 2026
pág. 5510
INTRODUCCIÓN
La inclusión de recursos tecnológicos basados en la inteligencia artificial —asumidos como la
capacidad para lograr con éxito un objetivo a través de algoritmos computacionales (Gignac & Szodorai,
2024)— evidenciados en sus distintas variantes tales como sistemas automáticos de escritura, tutorias
digitales y agentes de conversación automatizados, se vienen popularizando de forma considerable en
los entornos académicos, modificando de forma significativa el modo en que los estudiantes de
educación superior planifican, ejecutan y en determinadas coyunturas postergan sus deberes
académicos. A la par, la procrastinación, comprendida como el retraso voluntario de una actividad
intencionada e importante a pesar de esperar posibles consecuencias negativas que superan las
consecuencias positivas del retraso (Klingsieck, 2013), es en la actualidad uno de los principales
obstáculos para la autorregulación, siendo una variable referenciada en diversos estudios desde la
psicología educativa.
La relación entre ambas variables es ambivalente, el uso de inteligencia artificial podria disminuir la
procrastinación al sintetizar actividades consideradas difíciles y que retrasan o desaceleran el arranque,
articulándose como un “andamio cognitivo”. Una especie de estructura provisional suministrada por el
docente para apoyar al estudiante durante su aprendizaje y que podria ser retirado cuando el estudiante
sea capaz de funcionar independientemente (Delmastro, 2008). A la vez, podría considerarse como un
factor con el potencial suficiente para reforzar la postergación, ello a medida que el exceso de la
delegación reemplace el esfuerzo cognitivo dando origen a la dependencia hacia las herramientas
basadas en inteligencia artificial, ello en desmedro del desarrollo e incorporación de estrategias para la
autorregulación que el estudiante en su etapa formativa debiera interiorizar. Esta duplicidad se evidencia
en la literatura reciente, ya que se registran estudios que afirman que la facilidad para el acceso y uso
de herramientas tecnológicas basadas en inteligencia artificial se vincula con mayores índices de
procrastinación, mientras que otras investigaciones documentan un efecto distinto, afirmándose que las
herramientas tecnológicas autogenerativas ayudarían a la reducción de los índices de postergación
gracias a la intervención de variables de carácter motivacional o de asistencia pedagógica debidamente
capacitada.
INTRODUCCIÓN
La inclusión de recursos tecnológicos basados en la inteligencia artificial —asumidos como la
capacidad para lograr con éxito un objetivo a través de algoritmos computacionales (Gignac & Szodorai,
2024)— evidenciados en sus distintas variantes tales como sistemas automáticos de escritura, tutorias
digitales y agentes de conversación automatizados, se vienen popularizando de forma considerable en
los entornos académicos, modificando de forma significativa el modo en que los estudiantes de
educación superior planifican, ejecutan y en determinadas coyunturas postergan sus deberes
académicos. A la par, la procrastinación, comprendida como el retraso voluntario de una actividad
intencionada e importante a pesar de esperar posibles consecuencias negativas que superan las
consecuencias positivas del retraso (Klingsieck, 2013), es en la actualidad uno de los principales
obstáculos para la autorregulación, siendo una variable referenciada en diversos estudios desde la
psicología educativa.
La relación entre ambas variables es ambivalente, el uso de inteligencia artificial podria disminuir la
procrastinación al sintetizar actividades consideradas difíciles y que retrasan o desaceleran el arranque,
articulándose como un “andamio cognitivo”. Una especie de estructura provisional suministrada por el
docente para apoyar al estudiante durante su aprendizaje y que podria ser retirado cuando el estudiante
sea capaz de funcionar independientemente (Delmastro, 2008). A la vez, podría considerarse como un
factor con el potencial suficiente para reforzar la postergación, ello a medida que el exceso de la
delegación reemplace el esfuerzo cognitivo dando origen a la dependencia hacia las herramientas
basadas en inteligencia artificial, ello en desmedro del desarrollo e incorporación de estrategias para la
autorregulación que el estudiante en su etapa formativa debiera interiorizar. Esta duplicidad se evidencia
en la literatura reciente, ya que se registran estudios que afirman que la facilidad para el acceso y uso
de herramientas tecnológicas basadas en inteligencia artificial se vincula con mayores índices de
procrastinación, mientras que otras investigaciones documentan un efecto distinto, afirmándose que las
herramientas tecnológicas autogenerativas ayudarían a la reducción de los índices de postergación
gracias a la intervención de variables de carácter motivacional o de asistencia pedagógica debidamente
capacitada.
pág. 5511
La justificación de esta revisión narrativa de literatura científica se basa en la exposición de los
argumentos que sustentan y evidencian en la actualidad dicha ambivalencia, ello en un escenario - como
el de la educación superior latinoamericana y/o peruana - donde el uso la inteligencia artificial se viene
masificando de forma exponencial, ello sin que exista hasta el momento un criterio integrador que
oriente la práctica docente y defina las normas de interacción con el alumnado.
El formato PECO (Población, Exposición, Comparación y Resultados) se utilizó como punto de inicio
para la revisión de la literatura, ello con el objetivo de evidenciar en primer lugar ¿Cómo se relaciona
la inteligencia artificial y la procrastinación?, y en segundo lugar ¿Qué mecanismos y/o variables
psicológicas son mediadoras y/o intervinientes entre la inteligencia artificial y la procrastinación?,
ambos cuestionamientos direccionados a conocer su influencia sobre una población específica como el
de la educación superior representada por estudiantes y/o docentes universitarios. Resumiendo ambas
preguntas procedimos a formular un cuestionamiento central: “En estudiantes universitarios y/o
docentes de educación superior, ¿el uso de herramientas de inteligencia artificial, en comparación con
un bajo o nulo uso de inteligencia artificial, se asocia con la procrastinación reportada en la literatura?”
El objetivo de esta investigación fue analizar, a través de la literatura científica existente, las evidencias
de una posible relación entre la inteligencia artificial y la procrastinación en la educación superior,
descubriendo que mecanismos y/o variables psicológicas pueden mediar dicha relación. La
investigación se estructura en torno a cuatro capítulos: la metodología utilizada en la selección, el
cribado y síntesis de los artículos científicos; los resultados presentados en los ejes de trabajo; las
conclusiones articuladas en base a los resultados y finalmente la lista de referencias.
METODOLOGÍA
El presente estudio es de naturaleza narrativa, con enfoque cualitativo del tipo exploratorio –
descriptivo, del mismo que se orienta al estudio de los fenómenos sociales desde el punto de vista de
los participantes o(Creswell & Creswell, 2018). No se aplicaron instrumentos de medición a
participantes ni se formularon análisis en base a resultados. Sin embargo, se optó por la inclusión de
elementos propios de investigaciones de naturaleza sistemática (formato PECO, revisión en base de
datos científicas y evaluación de calidad MMAT) con el objetivo de elevar la rigurosidad del proceso y
la calidad de los resultados y conclusiones.
La justificación de esta revisión narrativa de literatura científica se basa en la exposición de los
argumentos que sustentan y evidencian en la actualidad dicha ambivalencia, ello en un escenario - como
el de la educación superior latinoamericana y/o peruana - donde el uso la inteligencia artificial se viene
masificando de forma exponencial, ello sin que exista hasta el momento un criterio integrador que
oriente la práctica docente y defina las normas de interacción con el alumnado.
El formato PECO (Población, Exposición, Comparación y Resultados) se utilizó como punto de inicio
para la revisión de la literatura, ello con el objetivo de evidenciar en primer lugar ¿Cómo se relaciona
la inteligencia artificial y la procrastinación?, y en segundo lugar ¿Qué mecanismos y/o variables
psicológicas son mediadoras y/o intervinientes entre la inteligencia artificial y la procrastinación?,
ambos cuestionamientos direccionados a conocer su influencia sobre una población específica como el
de la educación superior representada por estudiantes y/o docentes universitarios. Resumiendo ambas
preguntas procedimos a formular un cuestionamiento central: “En estudiantes universitarios y/o
docentes de educación superior, ¿el uso de herramientas de inteligencia artificial, en comparación con
un bajo o nulo uso de inteligencia artificial, se asocia con la procrastinación reportada en la literatura?”
El objetivo de esta investigación fue analizar, a través de la literatura científica existente, las evidencias
de una posible relación entre la inteligencia artificial y la procrastinación en la educación superior,
descubriendo que mecanismos y/o variables psicológicas pueden mediar dicha relación. La
investigación se estructura en torno a cuatro capítulos: la metodología utilizada en la selección, el
cribado y síntesis de los artículos científicos; los resultados presentados en los ejes de trabajo; las
conclusiones articuladas en base a los resultados y finalmente la lista de referencias.
METODOLOGÍA
El presente estudio es de naturaleza narrativa, con enfoque cualitativo del tipo exploratorio –
descriptivo, del mismo que se orienta al estudio de los fenómenos sociales desde el punto de vista de
los participantes o(Creswell & Creswell, 2018). No se aplicaron instrumentos de medición a
participantes ni se formularon análisis en base a resultados. Sin embargo, se optó por la inclusión de
elementos propios de investigaciones de naturaleza sistemática (formato PECO, revisión en base de
datos científicas y evaluación de calidad MMAT) con el objetivo de elevar la rigurosidad del proceso y
la calidad de los resultados y conclusiones.
pág. 5512
La interrogante inicial se organizó en torno al formato PECO, a detallar: Población, estudiantes del pre
y postgrado universitario y/o docentes de educación superior; Exposición, al uso de las herramientas
tecnológicas basadas en la inteligencia artificial tales como chatbots educativos, asistentes de escritura
basados en inteligencia artificial y tutores digitales; Comparación, expresado como el bajo y/o nulo uso
de herramientas de inteligencia artificial; y Resultados, referenciado como la asociación entre el uso de
inteligencia artificial y la procrastinación. Las pautas utilizadas para determinar la elegibilidad
permitieron la inclusión de estudios del tipo cuantitativo, cualitativo y mixto, asimismo la aceptación
de revisiones tanto sistemáticas como narrativas. En cuanto al idioma, se utilizaron estudios publicados
tanto en inglés como español, los mismos que fueron hallados en bases de datos bibliográficas indexadas
a revistas académicas: Web of Science, Scopus, Scielo y Google Académico; en cuanto al factor
temporal, no se consideraron periodos de publicación que fungieran como restricción, también se
excluyeron estudios centrados en educación regular, así como recursos tecnológicos educativos que no
sustentaron su funcionamiento elemental en la inteligencia artificial, artículos científicos no publicados
(literatura gris) y/o aquellos que no fueron revisados por pares.
Para la selección de los artículos académicos se procedió a hacer búsquedas utilizando ecuaciones
booleanas en las principales bases de datos bibliográficas, utilizando tanto las variables principales
como otros conceptos directamente vinculados durante la búsqueda con el objetivo de incrementar la
efectividad. El proceso dio como resultado: 92 en Scopus, 43 en Web of Science, 37 en Scielo y 06 en
google académico. Dando un total de 178 datos bibliográficos catalogados como relevantes para el
estudio.
Los artículos recuperados fueron exportados en el formato RIS al gestor de referencias Mendeley para
la deduplicación automática quedándonos con 132 registros, a continuación, los articulos no duplicados
fueron filtrados en concordancia a los criterios de elegibilidad (inclusión y exclusión) determinados
para el estudio. Se procedió a evaluar nuevamente la disponibilidad del texto completo y registrando,
si así fuera el caso, las causales de las exclusiones.
El resultado final arrojó un total de 67 estudios dentro del marco del cumplimiento de los criterios de
elegibilidad, de ese total, fueron 21 las investigaciones que explícitamente se ocuparon de investigar la
relación entre la inteligencia artificial y la procrastinación en la educación superior, los mismos que
La interrogante inicial se organizó en torno al formato PECO, a detallar: Población, estudiantes del pre
y postgrado universitario y/o docentes de educación superior; Exposición, al uso de las herramientas
tecnológicas basadas en la inteligencia artificial tales como chatbots educativos, asistentes de escritura
basados en inteligencia artificial y tutores digitales; Comparación, expresado como el bajo y/o nulo uso
de herramientas de inteligencia artificial; y Resultados, referenciado como la asociación entre el uso de
inteligencia artificial y la procrastinación. Las pautas utilizadas para determinar la elegibilidad
permitieron la inclusión de estudios del tipo cuantitativo, cualitativo y mixto, asimismo la aceptación
de revisiones tanto sistemáticas como narrativas. En cuanto al idioma, se utilizaron estudios publicados
tanto en inglés como español, los mismos que fueron hallados en bases de datos bibliográficas indexadas
a revistas académicas: Web of Science, Scopus, Scielo y Google Académico; en cuanto al factor
temporal, no se consideraron periodos de publicación que fungieran como restricción, también se
excluyeron estudios centrados en educación regular, así como recursos tecnológicos educativos que no
sustentaron su funcionamiento elemental en la inteligencia artificial, artículos científicos no publicados
(literatura gris) y/o aquellos que no fueron revisados por pares.
Para la selección de los artículos académicos se procedió a hacer búsquedas utilizando ecuaciones
booleanas en las principales bases de datos bibliográficas, utilizando tanto las variables principales
como otros conceptos directamente vinculados durante la búsqueda con el objetivo de incrementar la
efectividad. El proceso dio como resultado: 92 en Scopus, 43 en Web of Science, 37 en Scielo y 06 en
google académico. Dando un total de 178 datos bibliográficos catalogados como relevantes para el
estudio.
Los artículos recuperados fueron exportados en el formato RIS al gestor de referencias Mendeley para
la deduplicación automática quedándonos con 132 registros, a continuación, los articulos no duplicados
fueron filtrados en concordancia a los criterios de elegibilidad (inclusión y exclusión) determinados
para el estudio. Se procedió a evaluar nuevamente la disponibilidad del texto completo y registrando,
si así fuera el caso, las causales de las exclusiones.
El resultado final arrojó un total de 67 estudios dentro del marco del cumplimiento de los criterios de
elegibilidad, de ese total, fueron 21 las investigaciones que explícitamente se ocuparon de investigar la
relación entre la inteligencia artificial y la procrastinación en la educación superior, los mismos que
pág. 5513
fueron organizados sistemáticamente en una matriz de análisis documental. En cuanto a los estudios
restantes, su foco de atención estaba orientado en mayor medida a la comprensión de la procrastinación,
sin abordar o mencionando tangencialmente la intervención de la inteligencia artificial (la mayoría de
ellos estudios primarios desarrollados en instituciones de latinoamérica que no contaban
específicamente con la intersección de las variables).
La calidad de la información registrada en la matriz de análisis documental fue evaluada
descriptivamente con el MMAT (Mixed Method Appraisal Tool) versión 2018, el cual nos permitió
analizar de forma sistemática diseños de los tipos cuantitativos, cualitativos y mixtos sin puntos de
exclusión. Fueron 02 los revisores quienes independientemente aplicaron el cheklist del MMAT por
separado en sus 02 preguntas de tamizaje y las 05 de la categoría de estudios cuantitativos descriptivos,
quedándonos con 19 articulos de investigación (ver figura 01).
Figura 1: Base de datos utilizada para la recolección de la información
Nota: Producción personal
Las conclusiones de los hallazgos se expusieron desde una perspectiva narrativa temática, sin
intervención estadística, distribuyendo la evidencias levantadas en ejes temáticos sustentados en las
preguntas de investigación definidas al inicio del proyecto y alineados inductivamente durante el
escrutinio de los mencionados artículos.
RESULTADOS Y DISCUSIÓN
La base de datos constituida por 19 investigaciones fue estructurada temáticamente, los diseños de la
mayoría corresponden a estudios de naturaleza cuantitativa transversal del tipo correlacional, asimismo
de modelamiento mediante ecuaciones estructurales, mientras que cuatro de ellos contaron con diseños
0
50
100
150
200
Articulos iniciales Articulos tras
deduplicación
Artículos tras criterios
de elegibilidad
Artículos alineados a las
variables
Artículos finales tras
MMAT
Scopus Web of Science Scielo Google Académico
fueron organizados sistemáticamente en una matriz de análisis documental. En cuanto a los estudios
restantes, su foco de atención estaba orientado en mayor medida a la comprensión de la procrastinación,
sin abordar o mencionando tangencialmente la intervención de la inteligencia artificial (la mayoría de
ellos estudios primarios desarrollados en instituciones de latinoamérica que no contaban
específicamente con la intersección de las variables).
La calidad de la información registrada en la matriz de análisis documental fue evaluada
descriptivamente con el MMAT (Mixed Method Appraisal Tool) versión 2018, el cual nos permitió
analizar de forma sistemática diseños de los tipos cuantitativos, cualitativos y mixtos sin puntos de
exclusión. Fueron 02 los revisores quienes independientemente aplicaron el cheklist del MMAT por
separado en sus 02 preguntas de tamizaje y las 05 de la categoría de estudios cuantitativos descriptivos,
quedándonos con 19 articulos de investigación (ver figura 01).
Figura 1: Base de datos utilizada para la recolección de la información
Nota: Producción personal
Las conclusiones de los hallazgos se expusieron desde una perspectiva narrativa temática, sin
intervención estadística, distribuyendo la evidencias levantadas en ejes temáticos sustentados en las
preguntas de investigación definidas al inicio del proyecto y alineados inductivamente durante el
escrutinio de los mencionados artículos.
RESULTADOS Y DISCUSIÓN
La base de datos constituida por 19 investigaciones fue estructurada temáticamente, los diseños de la
mayoría corresponden a estudios de naturaleza cuantitativa transversal del tipo correlacional, asimismo
de modelamiento mediante ecuaciones estructurales, mientras que cuatro de ellos contaron con diseños
0
50
100
150
200
Articulos iniciales Articulos tras
deduplicación
Artículos tras criterios
de elegibilidad
Artículos alineados a las
variables
Artículos finales tras
MMAT
Scopus Web of Science Scielo Google Académico
pág. 5514
experimentales o cuasiexperimentales. Las conclusiones de mayor relevancia para el estudio fueron
estructuradas alrededor de cuatro ejes de trabajo, los que describimos a continuación:
Eje de trabajo 01: La inteligencia artificial sustitutoria de los procesos cognitivos.
Agrupa investigaciones que notifican el uso intensivo de la inteligencia artificial como un recurso
tecnológico que suple el esfuerzo cognitivo de los estudiantes, mas que una ayuda complementaria.
Uppal y Hajian (2025), en universitarios canadienses, hallaron dependencia al ChatGPT, —
comprendido como delegación permanente del esfuerzo cognitivo en actividades académicas— se halló
una correlación entre moderada y significativa con la procrastinación, asimismo, el incremento en la
percepción de utilidad de la inteligencia artificial se vinculó con la optimización de los resultados
académicos. En el mismo sentido, Palma Gil et al. (2025), quienes trabajaron en una población de
estudiantes de nacionalidad filipina encontraron una correlación positiva de magnitud modesta entre el
uso de herramientas tecnológicas autogenerativas, llámese ChatGPT y la procrastinación, interpretada
como la consecuencia gratificante inmediata que ofrece dicha herramienta, lo cual es concordante con
lo expuesto por Siaputra (2010) quien afirma desde la teoría de la motivación temporal, que las personas
siempre considerarán prioritarias aquellas actividades que prometan la mas alta utilidad con la menor
inversión de tiempo. Asimismo, Jebasingh et al. (2025) registraron en estudiantes de ciencias
administrativas, una predominancia significativa en el uso de chatbots para el ejercicio de actividades
académicas, igualmente índices considerablemente elevados de procrastinación, a la vez que también
registraron las percepciones de los participantes de cara a considerar a dichos chatbots como recursos
válidos para mitigar la procrastinación
En contraposición, no todos los registros pertenecientes a este eje de trabajo se orientan al mismo punto.
Sapillado Condori et al. (2026), quienes trabajaron con una población constituida por universitarios
peruanos, no registraron correlaciones significativas entre el uso de la inteligencia artificial y la
procrastinación académica. El estudio asoció las carencia de organización de recursos didácticos con
un incremento en la dependencia hacia los recursos de inteligencia artificial, lo cual sugiere que los
estudiantes recurren a ello como alternativa de solución inmediata ante las ineficiencias manifiestas en
su planificación, ello mas que como un medio extendido y generalizado suplente del esfuerzo
académico.
experimentales o cuasiexperimentales. Las conclusiones de mayor relevancia para el estudio fueron
estructuradas alrededor de cuatro ejes de trabajo, los que describimos a continuación:
Eje de trabajo 01: La inteligencia artificial sustitutoria de los procesos cognitivos.
Agrupa investigaciones que notifican el uso intensivo de la inteligencia artificial como un recurso
tecnológico que suple el esfuerzo cognitivo de los estudiantes, mas que una ayuda complementaria.
Uppal y Hajian (2025), en universitarios canadienses, hallaron dependencia al ChatGPT, —
comprendido como delegación permanente del esfuerzo cognitivo en actividades académicas— se halló
una correlación entre moderada y significativa con la procrastinación, asimismo, el incremento en la
percepción de utilidad de la inteligencia artificial se vinculó con la optimización de los resultados
académicos. En el mismo sentido, Palma Gil et al. (2025), quienes trabajaron en una población de
estudiantes de nacionalidad filipina encontraron una correlación positiva de magnitud modesta entre el
uso de herramientas tecnológicas autogenerativas, llámese ChatGPT y la procrastinación, interpretada
como la consecuencia gratificante inmediata que ofrece dicha herramienta, lo cual es concordante con
lo expuesto por Siaputra (2010) quien afirma desde la teoría de la motivación temporal, que las personas
siempre considerarán prioritarias aquellas actividades que prometan la mas alta utilidad con la menor
inversión de tiempo. Asimismo, Jebasingh et al. (2025) registraron en estudiantes de ciencias
administrativas, una predominancia significativa en el uso de chatbots para el ejercicio de actividades
académicas, igualmente índices considerablemente elevados de procrastinación, a la vez que también
registraron las percepciones de los participantes de cara a considerar a dichos chatbots como recursos
válidos para mitigar la procrastinación
En contraposición, no todos los registros pertenecientes a este eje de trabajo se orientan al mismo punto.
Sapillado Condori et al. (2026), quienes trabajaron con una población constituida por universitarios
peruanos, no registraron correlaciones significativas entre el uso de la inteligencia artificial y la
procrastinación académica. El estudio asoció las carencia de organización de recursos didácticos con
un incremento en la dependencia hacia los recursos de inteligencia artificial, lo cual sugiere que los
estudiantes recurren a ello como alternativa de solución inmediata ante las ineficiencias manifiestas en
su planificación, ello mas que como un medio extendido y generalizado suplente del esfuerzo
académico.
pág. 5515
Estos resultados trascienden la narrativa simplista de ciertas afirmaciones que afirman que “a mayor
uso de inteligencia artificial, mayores niveles de procrastinación”, a la vez que insinúa que una posible
dependencia hacia las herramientas basadas en inteligencia artificial, no son predictoras de
comportamientos procrastinadores.
Eje de trabajo 02: La procrastinación producto de la delegación
Se reúnen artículos que vinculan directamente la frecuencia y/o intensidad del empleo de tecnologías
de inteligencia artificial con la postergación de actividades académicas, aunque con cursos de efecto en
contraposición, de acuerdo al contexto. Sang y Thang (2026), utilizaron un modelo de ecuaciones
estructurales en universitarios de nacionalidad vietnamita, hallaron niveles altos de dependencia a la
inteligencia artificial como único factor predictivo de naturaleza tecnológica de trayecto positivo y
significativo relacionado con la procrastinación, resultado que a la vez predijo menores logros
academicos. En la misma línea, Shu y Miao (2021) evidenciaron que los resultados algorítmicos de
inteligencia artificial pronosticaron la procrastinación de estudiantes de educación superior de China,
ello debido a la adicción como consecuencia del uso prolongado de los teléfonos móviles; al igual que
Li, Huang y Cui (2026), en estudiantes de universidades chinas de elite, declararon una asociación
negativa entre la inteligencia artificial y la procrastinación, mitigado por la ansiedad de aprendizaje de
recursos tecnológicos en la dimensión de intensidad del vínculo.
Por otro lado, otras investigaciones documentan efectos protectores. Albikawi y Abuadas (2026), en
estudiantes de universitarios de la carrera de enfermería de Jordania, hallaron que el empleo de recursos
educativos basados en inteligencia artificial pronosticaron inversamente la procrastinación y
positivamente el rendimiento académico y administración del tiempo. Lo cual evidencia que en
determinados escenarios de alta exigencia cognitiva, la inteligencia artificial puede llegar a considerarse
como un andamio que reduce la postergación de tareas. Nemt-Allah et al. (2026) reportaron hallazgos
similares en estudiantes egipcios de educación superior, en un escenario donde la inteligencia artificial
predijo negativamente la procrastinación, mediada por la conciencia reflexiva de la escucha. Por otro
lado, Ma y Chen (2024) en su estudio cuasiexperimental con universitarios chinos del idioma inglés,
evidenciaron en un taller sobre aplicaciones educativas optimizadas con inteligencia artificial, que estas
disminuyeron de manera significativa la procrastinación tras un periodo académico de uso asistido,
Estos resultados trascienden la narrativa simplista de ciertas afirmaciones que afirman que “a mayor
uso de inteligencia artificial, mayores niveles de procrastinación”, a la vez que insinúa que una posible
dependencia hacia las herramientas basadas en inteligencia artificial, no son predictoras de
comportamientos procrastinadores.
Eje de trabajo 02: La procrastinación producto de la delegación
Se reúnen artículos que vinculan directamente la frecuencia y/o intensidad del empleo de tecnologías
de inteligencia artificial con la postergación de actividades académicas, aunque con cursos de efecto en
contraposición, de acuerdo al contexto. Sang y Thang (2026), utilizaron un modelo de ecuaciones
estructurales en universitarios de nacionalidad vietnamita, hallaron niveles altos de dependencia a la
inteligencia artificial como único factor predictivo de naturaleza tecnológica de trayecto positivo y
significativo relacionado con la procrastinación, resultado que a la vez predijo menores logros
academicos. En la misma línea, Shu y Miao (2021) evidenciaron que los resultados algorítmicos de
inteligencia artificial pronosticaron la procrastinación de estudiantes de educación superior de China,
ello debido a la adicción como consecuencia del uso prolongado de los teléfonos móviles; al igual que
Li, Huang y Cui (2026), en estudiantes de universidades chinas de elite, declararon una asociación
negativa entre la inteligencia artificial y la procrastinación, mitigado por la ansiedad de aprendizaje de
recursos tecnológicos en la dimensión de intensidad del vínculo.
Por otro lado, otras investigaciones documentan efectos protectores. Albikawi y Abuadas (2026), en
estudiantes de universitarios de la carrera de enfermería de Jordania, hallaron que el empleo de recursos
educativos basados en inteligencia artificial pronosticaron inversamente la procrastinación y
positivamente el rendimiento académico y administración del tiempo. Lo cual evidencia que en
determinados escenarios de alta exigencia cognitiva, la inteligencia artificial puede llegar a considerarse
como un andamio que reduce la postergación de tareas. Nemt-Allah et al. (2026) reportaron hallazgos
similares en estudiantes egipcios de educación superior, en un escenario donde la inteligencia artificial
predijo negativamente la procrastinación, mediada por la conciencia reflexiva de la escucha. Por otro
lado, Ma y Chen (2024) en su estudio cuasiexperimental con universitarios chinos del idioma inglés,
evidenciaron en un taller sobre aplicaciones educativas optimizadas con inteligencia artificial, que estas
disminuyeron de manera significativa la procrastinación tras un periodo académico de uso asistido,
pág. 5516
evidencia que destaca el rol de la capacitación y un apropiado acompañamiento como requisitos para
que la herramienta de inteligencia artificial termine siendo favorable, y no mine la autorregulación del
estudiante durante su proceso formativo.
Eje de trabajo 03: Factores motivacionales asociados
En esta agrupación se encuentran las investigaciones basadas en las variables de autoeficacia, ansiedad,
autorregulación y/o motivación en entornos académicos que moderan las posibles vinculaciones entre
la inteligencia artificial y la procrastinación. Hermita et al. (2026) realizó un estudio en estudiantes
universitarios de Indonesia, quienes sostuvieron que la alfabetización en el uso de inteligencia artificial
manifiesta un rol dual —denominado como “rostro de Jano”— al interceder parcialmente en la relación
existente entre integridad, perfeccionismo y autoeficacia con la procrastrinación: beneficia la
autorregulación en aquellos estudiantes con elevada autoeficacia, y sin embargo, tiene el potencial de
amplificar la brecha en aquellos estudiantes que manifiestan baja integridad de cara a sus labores
académicas. Shahat et al. (2025), realizaron su estudio en estudiantes de docencia de idiomas
extranjeros, ellos identificaron que la ansiedad originada por los elementos desconocidos del idioma
extranjero se relacionan directamente con la procrastinación, siendo la gestión del tiempo un mediador
parcial con el potencial para explicar solo una parte del efecto total, existiendo en consecuencia otros
mecanismos psicológicos que explican la procrastinación. Galindo-Domínguez et al. (2026), utilizaron
como base de su estudio la teoría de la autodeterminación —enfoque motivacional orientado a la
satisfacción de las necesidades psicológicas y de autorregulación para la promoción del desarrollo y el
bienestar ((Albor-Chadid y Rodríguez-Burgos, 2022))— demostraron en una población de
universitarios de nacionalidad española que la procrastinación regula el impacto de motivación
intrínseca y/o de la amotivación sobre la dependencia a herramientas tecnológicas, específicamente a
ChatGPT, a la vez que la motivación extrínseca ejerce una influencia directa sobre la procrastinación
sin involucrar factores mediadores.
En cuanto a aplicaciones para la intervención psicológica sustentadas en inteligencia artificial, Lee et
al. (2025) evidenciaron, en su ensayo piloto en una población universitaria surcoreana, que el desarrollo
de un chatbot semigenerativo sustentado en los principios de la terapia cognitivo – conductual,
disminuyó significativamente la procrastinación, ello en contraste con otra aplicación de administración
evidencia que destaca el rol de la capacitación y un apropiado acompañamiento como requisitos para
que la herramienta de inteligencia artificial termine siendo favorable, y no mine la autorregulación del
estudiante durante su proceso formativo.
Eje de trabajo 03: Factores motivacionales asociados
En esta agrupación se encuentran las investigaciones basadas en las variables de autoeficacia, ansiedad,
autorregulación y/o motivación en entornos académicos que moderan las posibles vinculaciones entre
la inteligencia artificial y la procrastinación. Hermita et al. (2026) realizó un estudio en estudiantes
universitarios de Indonesia, quienes sostuvieron que la alfabetización en el uso de inteligencia artificial
manifiesta un rol dual —denominado como “rostro de Jano”— al interceder parcialmente en la relación
existente entre integridad, perfeccionismo y autoeficacia con la procrastrinación: beneficia la
autorregulación en aquellos estudiantes con elevada autoeficacia, y sin embargo, tiene el potencial de
amplificar la brecha en aquellos estudiantes que manifiestan baja integridad de cara a sus labores
académicas. Shahat et al. (2025), realizaron su estudio en estudiantes de docencia de idiomas
extranjeros, ellos identificaron que la ansiedad originada por los elementos desconocidos del idioma
extranjero se relacionan directamente con la procrastinación, siendo la gestión del tiempo un mediador
parcial con el potencial para explicar solo una parte del efecto total, existiendo en consecuencia otros
mecanismos psicológicos que explican la procrastinación. Galindo-Domínguez et al. (2026), utilizaron
como base de su estudio la teoría de la autodeterminación —enfoque motivacional orientado a la
satisfacción de las necesidades psicológicas y de autorregulación para la promoción del desarrollo y el
bienestar ((Albor-Chadid y Rodríguez-Burgos, 2022))— demostraron en una población de
universitarios de nacionalidad española que la procrastinación regula el impacto de motivación
intrínseca y/o de la amotivación sobre la dependencia a herramientas tecnológicas, específicamente a
ChatGPT, a la vez que la motivación extrínseca ejerce una influencia directa sobre la procrastinación
sin involucrar factores mediadores.
En cuanto a aplicaciones para la intervención psicológica sustentadas en inteligencia artificial, Lee et
al. (2025) evidenciaron, en su ensayo piloto en una población universitaria surcoreana, que el desarrollo
de un chatbot semigenerativo sustentado en los principios de la terapia cognitivo – conductual,
disminuyó significativamente la procrastinación, ello en contraste con otra aplicación de administración
pág. 5517
de tareas sin chatbot, reacción atribuida a la denominada autorreflexión guiada y al aparente vínculo
establecido con la herramienta autogenerativa. Por otro lado, Hennemann et al. (2026), en un estudio
piloto con universitarios alemanes de la facultad de psicología, no encontraron diferencias significativas
entre las intervenciones realizadas por ChatGPT y un operador humano, a pesar de que solo el factor
humano evidenció una disminución importante en el mismo grupo de estudio, lo cual sugiere que en la
actualidad los modelos de inteligencia artificial aun manifiestan limitaciones significativas como
agentes de apoyo. En otro escenario, Wang y Wang (2026) afirmaron que el estrés de entornos
académicos anticipa la dependencia a los diseños centrados en la inteligencia artificial como efecto
directo y de modo indirecto por medio de la procrastinación académica. En tanto que Yilmaz (2026)
demostró que la procrastinación predice la tendencia a copiar, la cual es un factor interviniente y se
vincula con la deshonestidad académica debido a la asistencia de la inteligencia artificial, efecto que se
incrementa y consolida a medida que aumenta el uso de dichas herramientas.
Eje de trabajo 04: la intervención tecnológica utilizada para disminuir la procrastinación.
Durante el análisis de la información surgió un cuarto eje de trabajo relacionado al conjunto de estudios
que tratan acerca de chatbots y las intervenciones conversacionales automatizadas desarrolladas
específicamente para disminuir la procrastinación a través de notificaciones, reagendación
automatizada o sistemas de incentivos para incrementar la motivación. Ello a diferencia de lo expuesto
en los ejes anteriores, donde la inteligencia artificial no reemplaza las cogniciones de los estudiantes
sino que fomenta la autorregulación. Pereira y Diaz (2022) expusieron un chatbot denominado Ganttbot,
el mismo con las capacidades para la reprogramación de los proyectos y envío tanto de notificaciones
como de alertas de proximidad del vencimiento de los plazos, el estudio demostró que las demoras en
el grupo de intervención se redujeron frente a un grupo de control. Cheng (2026) trabajó en Taiwan
con una población de estudiantes de educación superior procrastinadores, concluyó desde el punto de
vista de la narrativa utilizada por un chatbot (primera, segunda o tercera persona) no influyó
significativamente en el avance de las actividades académicas y por ende no afectó la productividad,
sin embargo, si modificó en cuanto a la temporalidad el compromiso, ello con la segunda persona,
obeteniendo como resultado el aceleramiento de las acciones iniciales, mientras que en primera persona,
se mantuvo un progreso considerado como gradual y constante.
de tareas sin chatbot, reacción atribuida a la denominada autorreflexión guiada y al aparente vínculo
establecido con la herramienta autogenerativa. Por otro lado, Hennemann et al. (2026), en un estudio
piloto con universitarios alemanes de la facultad de psicología, no encontraron diferencias significativas
entre las intervenciones realizadas por ChatGPT y un operador humano, a pesar de que solo el factor
humano evidenció una disminución importante en el mismo grupo de estudio, lo cual sugiere que en la
actualidad los modelos de inteligencia artificial aun manifiestan limitaciones significativas como
agentes de apoyo. En otro escenario, Wang y Wang (2026) afirmaron que el estrés de entornos
académicos anticipa la dependencia a los diseños centrados en la inteligencia artificial como efecto
directo y de modo indirecto por medio de la procrastinación académica. En tanto que Yilmaz (2026)
demostró que la procrastinación predice la tendencia a copiar, la cual es un factor interviniente y se
vincula con la deshonestidad académica debido a la asistencia de la inteligencia artificial, efecto que se
incrementa y consolida a medida que aumenta el uso de dichas herramientas.
Eje de trabajo 04: la intervención tecnológica utilizada para disminuir la procrastinación.
Durante el análisis de la información surgió un cuarto eje de trabajo relacionado al conjunto de estudios
que tratan acerca de chatbots y las intervenciones conversacionales automatizadas desarrolladas
específicamente para disminuir la procrastinación a través de notificaciones, reagendación
automatizada o sistemas de incentivos para incrementar la motivación. Ello a diferencia de lo expuesto
en los ejes anteriores, donde la inteligencia artificial no reemplaza las cogniciones de los estudiantes
sino que fomenta la autorregulación. Pereira y Diaz (2022) expusieron un chatbot denominado Ganttbot,
el mismo con las capacidades para la reprogramación de los proyectos y envío tanto de notificaciones
como de alertas de proximidad del vencimiento de los plazos, el estudio demostró que las demoras en
el grupo de intervención se redujeron frente a un grupo de control. Cheng (2026) trabajó en Taiwan
con una población de estudiantes de educación superior procrastinadores, concluyó desde el punto de
vista de la narrativa utilizada por un chatbot (primera, segunda o tercera persona) no influyó
significativamente en el avance de las actividades académicas y por ende no afectó la productividad,
sin embargo, si modificó en cuanto a la temporalidad el compromiso, ello con la segunda persona,
obeteniendo como resultado el aceleramiento de las acciones iniciales, mientras que en primera persona,
se mantuvo un progreso considerado como gradual y constante.
pág. 5518
Estos descubrimientos, acompañados con la masificación en el uso frecuente de asistentes de escritura
como herramienta de afrontamiento registrado por Jebasingh et al. (2025), recomiendan intervenciones
basadas en diseños de inteligencia artificial conversacionales en lugar de simplemente restringir el
riesgo cerrando el acceso.
Síntesis de estudio
Concluyendo, la evidencia mostrada confirma la ambivalencia propuesta en la introducción, las
repercusiones de la inteligencia artificial sobre la procrastinación no son lineales ni funcionan sobre la
base de principios universales, sino que son dependientes de variables moderadoras, a referir la
integridad académica, percepción de autoeficacia, ansiedad de desempeño, alfabetización en el uso de
los modelos de inteligencia artificial, asistencia pedagógica debidamente capacitada y/o diseños
conversacionales (Chatbots) debidamente estructurados, los cuales se articulan como andamiaje
cognitivo o caso contrario, puede funcionar como reforzador de conductas evitativas. Gran parte de los
estudios consultados son de naturaleza transversal del tipo correlacional, lo que se considera como
impedimento para la definición de relaciones causales; es por ello que únicamente 04 de los 19 artículos
estructurados temáticamente (Hennemann et al., 2026; Lee et al., 2025; Ma y Chen, 2024; Cheng, 2026)
utilizaron diseños del tipo experimental o cuasiexperimental, siendo en coincidencia aquellos estudios
que aportan mayor evidencia acerca de los procesos de transformación de cara al incremento o
reducción de la procrastinación.
Por otra parte, es evidente la escasez de estudios latinoamericanos y en particular peruanos que pongan
su foco de atención e inviertan esfuerzos en investigar las relaciones entre estas variables, si bien es
cierto que se identificaron un número considerable de estudios genéricos acerca de procrastinación,
varios de ellos en instituciones peruanas, solo uno de los registros consultados manifestó explícitamente
su interés por asociarla a la inteligencia artificial, lo cual se considera como un vacío de conocimiento
significativo al considerar el crecimiento exponencial de las herramientas de la inteligencia artificial en
las instituciones formativas de educación superior. asi
Estos descubrimientos, acompañados con la masificación en el uso frecuente de asistentes de escritura
como herramienta de afrontamiento registrado por Jebasingh et al. (2025), recomiendan intervenciones
basadas en diseños de inteligencia artificial conversacionales en lugar de simplemente restringir el
riesgo cerrando el acceso.
Síntesis de estudio
Concluyendo, la evidencia mostrada confirma la ambivalencia propuesta en la introducción, las
repercusiones de la inteligencia artificial sobre la procrastinación no son lineales ni funcionan sobre la
base de principios universales, sino que son dependientes de variables moderadoras, a referir la
integridad académica, percepción de autoeficacia, ansiedad de desempeño, alfabetización en el uso de
los modelos de inteligencia artificial, asistencia pedagógica debidamente capacitada y/o diseños
conversacionales (Chatbots) debidamente estructurados, los cuales se articulan como andamiaje
cognitivo o caso contrario, puede funcionar como reforzador de conductas evitativas. Gran parte de los
estudios consultados son de naturaleza transversal del tipo correlacional, lo que se considera como
impedimento para la definición de relaciones causales; es por ello que únicamente 04 de los 19 artículos
estructurados temáticamente (Hennemann et al., 2026; Lee et al., 2025; Ma y Chen, 2024; Cheng, 2026)
utilizaron diseños del tipo experimental o cuasiexperimental, siendo en coincidencia aquellos estudios
que aportan mayor evidencia acerca de los procesos de transformación de cara al incremento o
reducción de la procrastinación.
Por otra parte, es evidente la escasez de estudios latinoamericanos y en particular peruanos que pongan
su foco de atención e inviertan esfuerzos en investigar las relaciones entre estas variables, si bien es
cierto que se identificaron un número considerable de estudios genéricos acerca de procrastinación,
varios de ellos en instituciones peruanas, solo uno de los registros consultados manifestó explícitamente
su interés por asociarla a la inteligencia artificial, lo cual se considera como un vacío de conocimiento
significativo al considerar el crecimiento exponencial de las herramientas de la inteligencia artificial en
las instituciones formativas de educación superior. asi
pág. 5519
CONCLUSIONES
Acerca de la relación entre inteligencia artificial y procrastinación en la educación superior, la revisión
de datos nos arrojó resultados fehacientes que apuntan a la naturaleza ambivalente del vínculo entre
ellas, dependiendo su impacto de la intervención de variables contextuales y psicológicas, más que
únicamente de la frecuencia y/o disponibilidad de las herramientas tecnológicas. Especificando, en
escenarios donde la inteligencia artificial se complementa con niveles bajos de autorregulación,
integridad e ineficiente guía pedagógica, suele haber una mayor asociación con altos niveles de
procrastinación, asimismo en cierto casos con la denominada deshonestidad académica. Por otra parte,
su inclusión está influenciada por capacitación pedagógica, autoconfianza para el cumplimiento de
tareas y/o diseños automatizados basados en inteligencia artificial que refuerzan la autorregulación, es
así que los hallazgos son proclives a considerar un efecto protector de cara al aplazamiento de tareas.
En ese sentido, las bases teóricas referidas en la investigación afirman que la autorregulación es la
piedra angular que determina el rumbo de los efectos de la inteligencia artificial sobre la
procrastinación. De acuerdo a esa apreciación, las instituciones de educación superior tendrían una gran
oportunidad de desarrollo si invirtieran esfuerzos y recursos en la alfabetización en inteligencia artificial
y planes para fomentar la autorregulación de sus estudiantes, en lugar de fomentar las restricciones.
Figura 2: Modelo ambivalente de la influencia de la inteligencia artificial sobre la procrastinación
Nota: Producción personal
CONCLUSIONES
Acerca de la relación entre inteligencia artificial y procrastinación en la educación superior, la revisión
de datos nos arrojó resultados fehacientes que apuntan a la naturaleza ambivalente del vínculo entre
ellas, dependiendo su impacto de la intervención de variables contextuales y psicológicas, más que
únicamente de la frecuencia y/o disponibilidad de las herramientas tecnológicas. Especificando, en
escenarios donde la inteligencia artificial se complementa con niveles bajos de autorregulación,
integridad e ineficiente guía pedagógica, suele haber una mayor asociación con altos niveles de
procrastinación, asimismo en cierto casos con la denominada deshonestidad académica. Por otra parte,
su inclusión está influenciada por capacitación pedagógica, autoconfianza para el cumplimiento de
tareas y/o diseños automatizados basados en inteligencia artificial que refuerzan la autorregulación, es
así que los hallazgos son proclives a considerar un efecto protector de cara al aplazamiento de tareas.
En ese sentido, las bases teóricas referidas en la investigación afirman que la autorregulación es la
piedra angular que determina el rumbo de los efectos de la inteligencia artificial sobre la
procrastinación. De acuerdo a esa apreciación, las instituciones de educación superior tendrían una gran
oportunidad de desarrollo si invirtieran esfuerzos y recursos en la alfabetización en inteligencia artificial
y planes para fomentar la autorregulación de sus estudiantes, en lugar de fomentar las restricciones.
Figura 2: Modelo ambivalente de la influencia de la inteligencia artificial sobre la procrastinación
Nota: Producción personal
pág. 5520
Finalizando, la naturaleza narrativa de la investigación presenta sus propias limitaciones, ya que no se
realizó búsquedas en otras bases de datos adicionales ni tampoco se aplicó el metaanálisis en los
resultados, asimismo la mayor parte de las investigaciones son transversales lo que no permite definir
causalidad directa. Para próximos estudios es recomendable impulsar investigaciones de diseño
longitudinal y/o experimental. En cuanto al dessintesisarrollo de estudios en escenarios educativos
latinoamericanos y específicamente peruanos, requiere de mayores incentivos, ya que es notoria la
carencia de investigaciones que se interesen por estudiar la intersección entre inteligencia artificial y
procrastinación en nuestra región.
REFERENCIAS BIBLIOGRAFICAS
Albikawi, Z., & Abuadas, M. (2026). Investigating the associations between AI-based educational tool
utilization, academic procrastination, academic achievement, and time management among
nursing students. BMC Nursing. https://doi.org/10.1186/s12912-026-04815-5
Albor-Chadid, L. I. y Rodríguez-Burgos, K. (2022). Estudios aplicados de la teoría de la
autodeterminación en estudiantes y profesores, y sus implicaciones en la motivación, el
bienestar psicosocial y subjetivo. Revista Eleuthera, 24(1), 56-85.
http://doi.org/10.17151/eleu.2022.24.1.4
Cheng, P.-J. (2026). Narrative perspective matters: Designing chatbot interventions for academic
procrastination through motivational framing. Acta Psychologica.
https://doi.org/10.1016/j.actpsy.2026.107278
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed
methods approaches (5th ed.). SAGE Publications.
Delmastro, A. (2008). El andamiaje docente en el desarrollo de la lectura y la escritura en lengua
extranjera. Paradigama, 19(1), 197–230. Retrieved from
http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S1011-22512008000100011
Galindo-Dominguez, H., Sainz-de-la-Maza, M., Campo, L., & Losada-Iglesias, D. (2026). Influencia
de la motivación hacia el aprendizaje y la procrastinación en la dependencia a ChatGPT. RIED.
Revista Iberoamericana de Educación a Distancia. https://doi.org/10.5944/ried.45497
Finalizando, la naturaleza narrativa de la investigación presenta sus propias limitaciones, ya que no se
realizó búsquedas en otras bases de datos adicionales ni tampoco se aplicó el metaanálisis en los
resultados, asimismo la mayor parte de las investigaciones son transversales lo que no permite definir
causalidad directa. Para próximos estudios es recomendable impulsar investigaciones de diseño
longitudinal y/o experimental. En cuanto al dessintesisarrollo de estudios en escenarios educativos
latinoamericanos y específicamente peruanos, requiere de mayores incentivos, ya que es notoria la
carencia de investigaciones que se interesen por estudiar la intersección entre inteligencia artificial y
procrastinación en nuestra región.
REFERENCIAS BIBLIOGRAFICAS
Albikawi, Z., & Abuadas, M. (2026). Investigating the associations between AI-based educational tool
utilization, academic procrastination, academic achievement, and time management among
nursing students. BMC Nursing. https://doi.org/10.1186/s12912-026-04815-5
Albor-Chadid, L. I. y Rodríguez-Burgos, K. (2022). Estudios aplicados de la teoría de la
autodeterminación en estudiantes y profesores, y sus implicaciones en la motivación, el
bienestar psicosocial y subjetivo. Revista Eleuthera, 24(1), 56-85.
http://doi.org/10.17151/eleu.2022.24.1.4
Cheng, P.-J. (2026). Narrative perspective matters: Designing chatbot interventions for academic
procrastination through motivational framing. Acta Psychologica.
https://doi.org/10.1016/j.actpsy.2026.107278
Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed
methods approaches (5th ed.). SAGE Publications.
Delmastro, A. (2008). El andamiaje docente en el desarrollo de la lectura y la escritura en lengua
extranjera. Paradigama, 19(1), 197–230. Retrieved from
http://www.scielo.org.ve/scielo.php?script=sci_arttext&pid=S1011-22512008000100011
Galindo-Dominguez, H., Sainz-de-la-Maza, M., Campo, L., & Losada-Iglesias, D. (2026). Influencia
de la motivación hacia el aprendizaje y la procrastinación en la dependencia a ChatGPT. RIED.
Revista Iberoamericana de Educación a Distancia. https://doi.org/10.5944/ried.45497
pág. 5521
Hennemann, S., Fähnrich, J. M., Tietze, C., Witthöft, M., & Jungmann, S. M. (2026). Generative AI
versus human conversational agent for reducing procrastination: A randomized pilot trial.
DIGITAL HEALTH. https://doi.org/10.1177/20552076261450336
Hermita, M., Rohani, A., Syah, R. D., Suhatril, R. J., & Sartika, S. (2026). The Janus face of AI literacy:
A dual-pathway model of its mitigating and exacerbating effects on academic procrastination.
Cogent Education. https://doi.org/10.1080/2331186X.2026.2644679
Jebasingh, D. R., Ahmad, N., Shimray, S. R., & Subaveerapandiyan. (2025). Perceived impact of
procrastination on academic performance among students and the role of AI tools. Libri.
https://doi.org/10.1515/libri-2025-0093
Lee, S., Jeong, J., Kim, M., Lee, S., Kim, S.-P., & Jung, D. (2025). Development of a mobile
intervention for procrastination augmented with a semigenerative chatbot for university
students: Pilot randomized controlled trial. JMIR mHealth and uHealth.
https://doi.org/10.2196/53133
Li, Z., Huang, J., & Cui, Z. (2026). GenAI use and GenAI-assisted learning procrastination in university
students: The roles of planned behavior constructs and learning GenAI anxiety. Behavioral
Sciences. https://doi.org/10.3390/bs16071256
Ma, Y., & Chen, M. (2024). AI-empowered applications' effects on EFL learners' engagement in the
classroom and academic procrastination. BMC Psychology. https://doi.org/10.1186/s40359-
024-02248-w
Nemt-Allah, M. A., AbuAl-Saoud, M. H., Soliman, A. H., Kelany, A. A., Mohamed, A. A., & Ibrahim,
A. R. (2026). Artificial intelligence acceptance and procrastination: Metacognitive listening
awareness mediation in foreign language students. International Journal of Evaluation and
Research in Education. https://doi.org/10.11591/ijere.v15i3.37246
Palma Gil, B. E., Laxina, C. M., Sombilon, A. F., Cabangal, N. M., Lobo, M. L. L., Silat, G., Atacador,
R., & Oroc, R. (2025). The use of ChatGPT and academic procrastination of college students.
https://doi.org/10.70847/610010
Pereira, J., & Diaz, Ó. (2022). Struggling to keep tabs on capstone projects: A chatbot to tackle student
procrastination. ACM Transactions on Computing Education. https://doi.org/10.1145/3469127
Hennemann, S., Fähnrich, J. M., Tietze, C., Witthöft, M., & Jungmann, S. M. (2026). Generative AI
versus human conversational agent for reducing procrastination: A randomized pilot trial.
DIGITAL HEALTH. https://doi.org/10.1177/20552076261450336
Hermita, M., Rohani, A., Syah, R. D., Suhatril, R. J., & Sartika, S. (2026). The Janus face of AI literacy:
A dual-pathway model of its mitigating and exacerbating effects on academic procrastination.
Cogent Education. https://doi.org/10.1080/2331186X.2026.2644679
Jebasingh, D. R., Ahmad, N., Shimray, S. R., & Subaveerapandiyan. (2025). Perceived impact of
procrastination on academic performance among students and the role of AI tools. Libri.
https://doi.org/10.1515/libri-2025-0093
Lee, S., Jeong, J., Kim, M., Lee, S., Kim, S.-P., & Jung, D. (2025). Development of a mobile
intervention for procrastination augmented with a semigenerative chatbot for university
students: Pilot randomized controlled trial. JMIR mHealth and uHealth.
https://doi.org/10.2196/53133
Li, Z., Huang, J., & Cui, Z. (2026). GenAI use and GenAI-assisted learning procrastination in university
students: The roles of planned behavior constructs and learning GenAI anxiety. Behavioral
Sciences. https://doi.org/10.3390/bs16071256
Ma, Y., & Chen, M. (2024). AI-empowered applications' effects on EFL learners' engagement in the
classroom and academic procrastination. BMC Psychology. https://doi.org/10.1186/s40359-
024-02248-w
Nemt-Allah, M. A., AbuAl-Saoud, M. H., Soliman, A. H., Kelany, A. A., Mohamed, A. A., & Ibrahim,
A. R. (2026). Artificial intelligence acceptance and procrastination: Metacognitive listening
awareness mediation in foreign language students. International Journal of Evaluation and
Research in Education. https://doi.org/10.11591/ijere.v15i3.37246
Palma Gil, B. E., Laxina, C. M., Sombilon, A. F., Cabangal, N. M., Lobo, M. L. L., Silat, G., Atacador,
R., & Oroc, R. (2025). The use of ChatGPT and academic procrastination of college students.
https://doi.org/10.70847/610010
Pereira, J., & Diaz, Ó. (2022). Struggling to keep tabs on capstone projects: A chatbot to tackle student
procrastination. ACM Transactions on Computing Education. https://doi.org/10.1145/3469127
pág. 5522
Sang, T. M., & Thang, L. Q. (2026). Academic procrastination and achievement among university
students under AI overreliance and contextual factors. International Journal of Evaluation and
Research in Education. https://doi.org/10.11591/ijere.v15i4.38954
Sapillado Condori, H., Vilca Quispe, G. N., & Quispe Mamani, A. (2026). Relación entre dependencia
a la inteligencia artificial, rendimiento académico y procrastinación académica en
universitarios. Espíritu Emprendedor TES. https://doi.org/10.37135/ee.04.25.08
Shahat, H. A., Elballah, K. A., Ben-Motreb, K. S., Badawy, M. E., Ibrahim, A. R., & Nemt-Allah, M.
A. (2025). Causal modeling of the relationship between foreign language learning anxiety and
academic procrastination: The mediating role of time management among preservice teachers
using artificial intelligence tools. Journal of Educational and Social Research.
https://doi.org/10.36941/jesr-2025-0206
Shu, X., & Miao, Y. (2021). Research on the impact of artificial intelligence recommendation on
academic procrastination under the background of big data: The mediating role of mobile phone
addiction. Journal of Physics: Conference Series. https://doi.org/10.1088/1742-
6596/1948/1/012001
Uppal, K., & Hajian, S. (2025). Students' perceptions of ChatGPT in higher education: A study of
academic enhancement, procrastination, and ethical concerns. European Journal of
Educational Research. https://doi.org/10.12973/eu-jer.14.1.199
Wang, D., & Wang, Z. (2026). How academic stress leads to artificial intelligence-generated design
dependency: The roles of academic procrastination and help-seeking behavior. Frontiers in
Psychology. https://doi.org/10.3389/fpsyg.2026.1794730
Yilmaz, A. (2026). The psychological mechanisms and behavioral determinants of academic integrity
in the age of artificial intelligence. Frontiers in Psychology.
https://doi.org/10.3389/fpsyg.2026.1853790
Sang, T. M., & Thang, L. Q. (2026). Academic procrastination and achievement among university
students under AI overreliance and contextual factors. International Journal of Evaluation and
Research in Education. https://doi.org/10.11591/ijere.v15i4.38954
Sapillado Condori, H., Vilca Quispe, G. N., & Quispe Mamani, A. (2026). Relación entre dependencia
a la inteligencia artificial, rendimiento académico y procrastinación académica en
universitarios. Espíritu Emprendedor TES. https://doi.org/10.37135/ee.04.25.08
Shahat, H. A., Elballah, K. A., Ben-Motreb, K. S., Badawy, M. E., Ibrahim, A. R., & Nemt-Allah, M.
A. (2025). Causal modeling of the relationship between foreign language learning anxiety and
academic procrastination: The mediating role of time management among preservice teachers
using artificial intelligence tools. Journal of Educational and Social Research.
https://doi.org/10.36941/jesr-2025-0206
Shu, X., & Miao, Y. (2021). Research on the impact of artificial intelligence recommendation on
academic procrastination under the background of big data: The mediating role of mobile phone
addiction. Journal of Physics: Conference Series. https://doi.org/10.1088/1742-
6596/1948/1/012001
Uppal, K., & Hajian, S. (2025). Students' perceptions of ChatGPT in higher education: A study of
academic enhancement, procrastination, and ethical concerns. European Journal of
Educational Research. https://doi.org/10.12973/eu-jer.14.1.199
Wang, D., & Wang, Z. (2026). How academic stress leads to artificial intelligence-generated design
dependency: The roles of academic procrastination and help-seeking behavior. Frontiers in
Psychology. https://doi.org/10.3389/fpsyg.2026.1794730
Yilmaz, A. (2026). The psychological mechanisms and behavioral determinants of academic integrity
in the age of artificial intelligence. Frontiers in Psychology.
https://doi.org/10.3389/fpsyg.2026.1853790