Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
DOI: https://doi.org/10.46296/yc.v10i19.0970  
INTELIGENCIA ARTIFICIAL Y SU RELACIÓN CON LA PRODUCTIVIDAD  
DEL SECTOR EDUCATIVO FORMAL EN MÉXICO  
ARTIFICIAL INTELLIGENCE AND ITS RELATIONSHIP WITH  
PRODUCTIVITY IN THE MEXICAN FORMAL EDUCATION SECTOR  
Machuca-Martínez Manuel 1  
1
Profesor e Investigador Asociado del Departamento de Métodos Cuantitativos del Centro  
Universitario de Ciencias Económico Administrativas de la Universidad de Guadalajara.  
Guadalajara, México. Correo: manuel.machuca1293@academicos.udg.mx.  
Resumen  
La literatura sobre inteligencia artificial (IA) y productividad procede casi por completo de  
economías avanzadas y excluye de manera explícita al sector educativo, tratado como usuario  
de tecnología y no como actividad productiva. Este trabajo se analiza la relación entre la adopción  
de la IA y dos indicadores de productividad: laboral y del capital. Para ello se emplean las ramas  
del sector educativo formal de los Censos Económicos de 2024, los datos están agregados por  
entidad federativa y se estiman correlaciones simples y parciales de primer orden controlando  
en estas por el tamaño promedio del establecimiento, además, se contrasta la igualdad entre las  
ramas. Los resultados indican que la adopción se asocia negativamente con la productividad del  
capital en ambas ramas de estudio, sin diferencias entre ellas; en tanto que sólo es positiva con  
la productividad laboral de la educación superior ya que en la educación básica la asociación  
desaparece al controlar por el tamaño. De este modo, los resultados muestran que la relación  
entre IA y productividad no es uniforme entre factores lo que contrasta con la literatura previa  
centrada en indicadores agregados.  
Palabras claves: inteligencia artificial; productividad laboral; productividad del capital; sector  
educativo.  
Abstract  
Research on artificial intelligence (AI) and productivity comes almost entirely from advanced  
economies and explicitly excludes the education sector, which is treated as a technology user  
rather than as a productive activity. This study examines the relationship between AI adoption  
and two productivity indicators: labor productivity and capital productivity. To this end, the  
branches of the formal education sector from the 2024 Economic Censuses are used. Data are  
aggregated by state, and simple and first-order partial correlations are estimated, with the latter  
controlling for average establishment size; in addition, equality across branches is tested. The  
results indicate that adoption is negatively associated with capital productivity in both branches  
under study, with no difference between them, whereas it is positively associated with labor  
productivity only in higher education, since in basic education the association disappears once  
size is controlled. Thus, the results show that the relationship between AI and productivity is not  
uniform across factors, which contrasts with the previous literature centered on aggregate  
indicators.  
Keywords: artificial intelligence; labor productivity; capital productivity; education sector.  
Información del manuscrito:  
Fecha de recepción: 19 de mayo de 2026.  
Fecha de aceptación: 20 de julio de 2026.  
Fecha de publicación: 24 de agosto de 2026.  
9
01  
Machuca-Martínez. (2026)  
Por consiguiente, en la economía de  
la empresa la evidencia más firme  
sobre la relación de la IA con el  
1
. Introducción  
La inteligencia artificial (IA) se  
presenta en el análisis económico  
como una innovación transversal  
dotada de autonomía y capacidad de  
mejora sobre su propio desempeño  
que la distinguen de otras  
tecnologías precedentes (Filippucci  
et al., 2024a). Sin embargo,  
conforme lo advierten Lu y Zhou  
desempeño  
de  
las  
unidades  
económicas es positiva y se analiza  
por diversos trabajos: Czarnitzki et  
al. (2023) la incorporan a la IA como  
un insumo intangible adicional en  
una función de producción para  
empresas alemanas; Yang (2022) la  
considera relacionada a las patentes  
concedidas a empresas electrónicas  
taiwanesas; y, Wu y Zhu (2025) y Lei  
et al. (2025) la contemplan con  
estimaciones sobre la productividad  
total de los factores en empresas  
chinas.  
(
2021), conviene tener cautela sobre  
esta caracterización ya que su  
desarrollo se da sin un acuerdo  
sobre lo que designa el término  
motivando con ello buena parte de  
las discrepancias empíricas. Por  
tanto, para precisar, conforme al  
Instituto Nacional de Estadística y  
Geografía [INEGI] (2023), los  
Sistemas de Inteligencia Artificial (IA)  
son:  
En cambio, la forma de esa relación  
no está establecida. Ke y Luo (2026)  
la estimaron sobre empresas chinas  
con una especificación que permite  
al efecto cambiar de signo según el  
grado de uso y hallaron una curva en  
forma de U-invertida, sin embargo, lo  
hacen sobre un indicador de  
productividad verde y no sobre las  
medidas que se emplean en este  
trabajo. No se dispone de otro  
trabajo que ponga a prueba esta  
posibilidad, ya que todos suponen de  
antemano una relación lineal y  
creciente por lo que, si el efecto se  
invierte pasado cierto umbral, un  
Sistemas que utilizan tecnologías  
como: minería de datos, visión por  
ordenador, reconocimiento verbal,  
generación de lenguaje natural,  
aprendizaje automático, aprendizaje  
profundo para reunir y/o utilizar datos  
con el fin de predecir, recomendar o  
decidir, con varios niveles de  
autonomía, la mejor medida para  
lograr metas específicas.  
9
02  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
solo coeficiente mezcla los dos  
tramos y arroja un promedio que no  
los describe adecuadamente.  
sostienen  
una  
pérdida  
de  
significancia en la relación. En  
contraste, existe consenso sobre la  
falta de un efecto automático:  
Cedeño Macías et al. (2026) lo  
establecen como condicionado a la  
compatibilidad de las tareas, la  
Además,  
dos  
discusiones  
permanecen abiertas. La primera se  
refiere a cuánto de ese efecto llega a  
la economía en su conjunto: Lu y  
Zhou (2021) sostienen que la  
paradoja de la productividad sigue  
vigente, puesto que el crecimiento de  
la productividad agregada no  
repunta en las estadísticas y se ha  
complementariedad  
humano la  
del  
capital  
y
disposición  
organizacional; y, Placeres Salinas  
et al. (2025) lo suponen supeditado a  
la capacitación del personal.  
desacelerado  
décadas; en cambio, Filippucci et al.  
2024b), lo sitúan entre 0.25 y 0.6  
durante  
cinco  
Por lo que respecta a México, lo que  
se conoce corresponde es a nivel  
nacional y no relativo a las unidades  
económicas en lo particular. De este  
modo, Jung y Katz (2025b) calculan,  
a partir de un panel de veintiséis  
países que busca explicar el gasto  
en IA, que la contribución en el país  
es de 1.531% del PIB, la mayor de  
América Latina; por otro lado, para  
países de Norte América Acosta  
Rodríguez (2025) encuentran un  
efecto positivo pero pequeño que  
atribuyen a la escasa participación  
en patentes e investigación.  
(
puntos porcentuales anuales de la  
productividad total de los factores —  
o entre 0.4 y 0.9 de la productividad  
laboral—  
tras  
ponderar  
las  
ganancias medidas en trabajadores  
y tareas por la exposición de cada  
sector y por la velocidad de adopción  
prevista.  
Y
la segunda cuestiona la  
especificidad misma del objeto por lo  
que no hay conclusión acerca de si  
el efecto es debido a la IA o a la  
digitalización en su conjunto; en este  
sentido, Yang (2022) verifica que el  
efecto de las patentes relativa a la IA  
no difiere del de otras patentes; y,  
Filippucci et al. (2024a) al controlar  
por otras tecnologías de información  
Este diagnóstico es particular ya que  
la región concentra sólo el 1.56% de  
la demanda mundial de IA pese tener  
alrededor del 6.3% del PIB mundial  
(Jung y Katz, 2025b); además, su  
adopción es desigual ya que, con  
9
03  
Machuca-Martínez. (2026)  
datos de empresas brasileñas, Jung  
y Kats (2025a) sostienen que la  
adopción depende del tamaño de la  
unidad económica.  
porque los primeros examinan  
modelos generativos recientes y los  
segundos tecnologías anteriores, lo  
que lleva por tanto a que no exista  
consenso sobre la magnitud de la  
ganancia individual que pasa a la  
operación de una organización.  
Además, generalmente no se  
describe cuánto rinde la tecnología  
sino cómo se la valora, de este  
modo:  
documenta con una encuesta a  
cuarenta tres trabajadores  
Álvarez  
Nava  
(2025)  
Aunado a esto, debe tenerse en  
cuenta que la relación se analiza a  
partir de diversos indicadores que  
encuentran una relación positiva y  
significativa: Yang (2022) emplea el  
valor agregado por empleado; Wu y  
Zhu (2025) el ingreso operativo por  
empleado; y, Gonzálvez Martínez  
(2025) el porcentaje de empresas  
usuarias de IA con el producto por  
persona ocupada.  
y
mexicanos que el 85.9% nunca  
emplea estas herramientas y que el  
9
3.5% del uso declarado se reduce a  
asistentes conversacionales;  
y
Zhumi Loja y Pulla Carrión (2026)  
obtienen una correlación moderada,  
de  
emprendimientos  
medidos por  
autorreportadas.  
0.68,  
en  
sesenta  
ecuatorianos  
percepciones  
Y, a pesar de los consensos  
logrados hay al menos dos  
incógnitas que todavía persisten : a)  
una temporal relativa a la curva jota  
que Olmedo Barchello (2025) y  
Fruits y Stout (2026) consideran  
sobre la productividad, según la cual  
Por lo que respecta  
a
la  
productividad laboral, se sostiene  
que la relación es positiva, aunque  
su magnitud varía según su  
medición: Filippucci et al. (2024a)  
sostienen que en estudios sobre una  
tarea concreta las mejoras van del  
la  
inversión  
en  
activos  
el  
complementarios  
disminuye  
1
0% al 56%, mientras que en los que  
rendimiento antes de elevarlo  
(hipótesis que nadie ha contrastado  
con datos); y b) una distributiva que  
muestra diversos efectos: con  
ganancias mayores entre los  
trabajadores menos experimentados  
abarcan a la empresa completa el  
rango va del 0% al 11%; obsérvese  
que  
ambos  
casos  
no  
son  
directamente comparables, según  
advierten los mismos autores,  
9
04  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
(
Fruits y Stout, 2026) o con un  
trabajos de: a) Perdomo y González  
(2025) quienes clasifican los usos  
crecimiento entre el personal con  
posgrado y una contracción en el  
universitario (Yang, 2022).  
administrativos  
y
docentes en  
instituciones de educación superior;  
b) el de Peñafiel-Jurado et al. (2024)  
que sintetiza las percepciones del  
profesorado; y c) el de Morán-Ortega  
et al. (2024) que se enfoca en la  
dualidad entre el tiempo que la  
tecnología ahorra y el esfuerzo  
cognitivo que el estudiante deja de  
realizar. Es de mencionar que hay  
casos en los que la literatura  
económica descarta al sector de  
manera explícita como en el trabajo  
de Valenzuela Fourage y Fernández  
García (2026) que excluye los  
estudios sobre salud, educación y  
defensa.  
Por contraste, la productividad del  
capital constituye la mayor brecha en  
el campo de estudio ya que los  
estudios de empresa disuelven  
capital y trabajo en un único  
indicador de productividad total de  
los  
factores  
y
la  
pregunta  
desaparece por construcción (Ke y  
Luo, 2026; Lei et al., 2025; Wu y Zhu,  
2
025). En cambio, Jung y Katz  
(2025b) al estimar efectos  
diferenciados por factor encuentran  
que la IA eleva la productividad del  
trabajo calificado en todas sus  
especificaciones, pero no detectan  
efecto significativo alguno sobre la  
del capital lo que no es acorde con el  
supuesto que sostiene que la IA es  
Esta ausencia deja fuera del análisis  
al mecanismo por el cual la IA eleva  
la productividad a través del trabajo  
calificado lo cual podría apreciarse  
particularmente en un sector como el  
educativo cuyo insumo principal es  
dicho tipo de trabajo; de no  
corroborarse su alcance (el del  
trabajo calificado) como mecanismo  
de acción, su efecto sería menor al  
que se le atribuye.  
un  
activo  
intangible  
cuya  
incorporación eleva el nivel de  
producto de la empresa (Czarnitzki  
et al., 2023).  
A esto se suma la ausencia de  
estudios en el sector educativo  
cuyos trabajos son abundantes  
sobre la aceptación de la tecnología  
y sus efectos pedagógicos, pero no  
Por tanto, se puede resumir que  
existe una brecha en la investigación  
del tema: a) se desconoce cómo se  
tratan rendimiento  
sobre  
su  
económico, lo cual es visible los  
9
05  
Machuca-Martínez. (2026)  
relaciona la adopción de la IA con la  
productividad de las unidades  
económicas mexicanas; b) no existe  
evidencia sobre el sector educativo  
formal entendido como una actividad  
productiva; y c) la productividad del  
capital permanece inexplorada aun  
en la literatura internacional. En  
consecuencia, el propósito de este  
trabajo está en analizar la relación  
que guarda el uso de la IA con los  
indicadores de desempeño de las  
unidades económicas del sector  
porcentaje de unidades económicas  
que declaran usarlos.  
Por su parte, se tuvieron tres  
limitaciones en este trabajo: a) la  
medición correspondió al uso  
declarado  
por  
las  
unidades  
económicas y no a la intensidad ni al  
gasto asociado a dicho uso lo cual  
podría ser relevante (véanse los  
trabajos de Jung y Katz, 2025a,  
2
025b); b) la inferencia se hizo para  
agregados por entidad federativa y  
no para establecimientos en lo  
particular; y c) las restricciones de  
confidencialidad de los censos  
educativo  
particularmente en cuanto a la  
productividad laboral la  
productividad del capital se refiere.  
en  
México,  
y
impidieron  
desagregar  
explícitamente al tamaño de la  
unidad económica según su número  
de personal (aún para datos  
agregados).  
2
. Materiales y métodos  
Este estudio adoptó un enfoque  
cuantitativo, con diseño no  
De esta última se debe mencionar  
que la omisión de un control por el  
tamaño no permitiría distinguir entre  
experimental, alcance correlacional  
y corte transversal; la información se  
tomó de los Censos Económicos  
coeficientes  
atribuibles  
a
la  
2
024 (INEGI, 2025) y analizó la  
composición del tamaño y a los  
derivados por el uso de la IA. Por  
tanto, para controlar esta última  
limitación en este trabajo se  
contempló integrar al análisis el  
productividad laboral definida como  
el cociente entre la producción bruta  
total y el personal ocupado total; la  
del capital que es el cociente entre la  
producción bruta total y el acervo  
total de activos fijos; y la adopción de  
Sistemas de IA medida como el  
tamaño  
promedio  
del  
establecimiento definido como el  
cociente del personal ocupado total  
9
06  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
sobre el número total de unidades  
económicas.  
primer orden de Pearson a partir de  
la transformación z de Fisher (3); es  
de mencionar que la especificación  
de rangos se reporta como  
comprobación de robustez, sin  
intervalo, dado que la transformación  
de Fisher no está establecida para  
coeficientes de rangos parcializados;  
d) por tratarse de muestras  
independientes, los coeficientes  
para la prueba de hipótesis (4) para  
contrastar si la relación difiere entre  
ramas; y, e) la significancia individual  
de cada coeficiente con el  
estadístico t de dos colas con n-2  
grados de libertad para las  
correlaciones simples y n-k-2 para  
las parciales de primer orden;  
además, en los coeficientes de  
rangos se emplea la misma  
aproximación.  
A su vez, aquí se analizó al sector  
educativo formal que incluye sólo los  
niveles educativos oficiales para la  
obtención de algún grado: las ramas  
6
111, escuelas de educación básica,  
media para necesidades  
y
especiales, y la 6113, escuelas de  
educación superior; debe tenerse en  
cuenta que se excluye a la rama  
6
112, escuelas de educación técnica  
superior, porque sus unidades no  
declaran en el censo el uso de  
Sistemas de IA.  
Por consiguiente, se hicieron cuatro  
análisis de correlación (derivados de  
dos ramas con dos pares de  
variables) con treinta  
y
dos  
observaciones cada uno, un dato por  
cada entidad federativa, que cubren  
la totalidad de las unidades  
económicas del país y no una  
muestra de ellas.  
ꢀꢁꢂ  
−ꢀ ꢀ  
ꢁꢃ ꢂꢃ  
푟
=
(1)  
(2)  
푥푦⋅푧  
2
2
)
√
(1−ꢀ )(1−ꢀ  
ꢂꢃ  
ꢁꢃ  
ꢄꢁꢂ−ꢄꢁꢃꢄꢂꢃ  
=
√
(1−ꢄ ꢁ2 )(1−ꢄ2  
휌푥푦⋅푧  
)
ꢂꢃ  
ꢃ
Así,  
se  
calcularon:  
a)  
las  
1
1+ꢀ  
1−ꢀ  
ꢅ′ = ln ꢇ  
ꢈ ; ꢉ퐼퐶95%  
=
1
ꢌ푛−푘−3  
correlaciones simples de Pearson y  
Spearman sin ningún control; b) la  
correlación parcial de primer orden,  
simple (1) y por rangos (2), con  
control del tamaño medio del  
establecimiento; c) el intervalo de  
confianza para la correlación de  
ꢆ
tanh ꢇꢅ′ ± ꢊ.ꢋ6  
ꢈ
(3)  
(4)  
푧ꢍ −푧ꢍ  
ꢎ
2
푍 =  
ꢎ
ꢎ
√
+
2
푁 ꢏkꢏꢐ 푁 ꢏkꢏꢐ  
ꢎ
9
07  
Machuca-Martínez. (2026)  
Finalmente, debe advertirse que este  
trabajo analizó datos agregados para  
En primer lugar, se desarrolló la  
estadística descriptiva de las  
variables estudiadas (véase la Tabla  
1). Las dos ramas difieren de manera  
considerable en los indicadores: a) la  
adopción de Sistemas de IA  
promedia 2.039% en educación  
básica y 6.387% en educación  
superior; b) la productividad laboral  
casi duplica su valor entre una y otra,  
de 0.2552 a 0.4267 millones de  
pesos por persona ocupada; c) la del  
capital va a la inversa, con 1.949  
pesos de producción por cada peso  
de activos en educación básica  
frente a 1.383 en superior; y d) el  
tamaño medio del establecimiento va  
de 20.65 a 49.34 personas por  
unidad económica.  
las treinta  
y
dos entidades  
federativas de México por lo que no  
se tiene una muestra, de manera que  
los análisis desarrollados deben  
interpretarse bajo el supuesto de que  
los datos constituyen una de las  
configuraciones que el fenómeno  
pudo adoptar, en otras palabras, no  
se pueden extrapolar a cualquier otro  
nivel de agregación o desagregación  
de los datos.  
3
. Resultados y discusión  
3
.1 Relación entre adopción y  
productividad  
Tabla 1. Estadística descriptiva de las variables en estudio  
Grupo  
Variable  
n
Mín.  
Máx.  
Media  
Mediana  
D.E.  
Rama  
111  
Adopción de IA (%)  
32  
0.488  
5.594  
2.039  
1.775  
1.231  
6
Productividad laboral  
32 0.1812  
0.3868  
3.334  
0.2552  
1.949  
0.2423  
1.858  
0.0515  
0.471  
Productividad del  
capital  
32  
32  
32  
1.310  
13.32  
0.000  
Tamaño medio del  
establecimiento  
28.41  
20.65  
6.387  
20.11  
6.187  
4.10  
Rama  
113  
Adopción de IA (%)  
23.077  
4.663  
6
Productividad laboral  
32 0.1631  
0.8589  
3.421  
0.4267  
1.383  
0.4307  
1.092  
0.1512  
0.732  
Productividad del  
capital  
32  
32  
64  
0.675  
22.60  
0.000  
Tamaño medio del  
establecimiento  
119.61  
49.34  
46.21  
21.75  
Total  
Adopción de IA (%)  
Productividad laboral  
23.077  
0.8589  
4.213  
2.728  
4.031  
64 0.1631  
0.3410  
0.3051  
0.1415  
9
08  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
Grupo  
Variable  
n
Mín.  
Máx.  
Media  
Mediana  
D.E.  
Productividad del  
capital  
64  
0.675  
3.421  
1.666  
1.630  
0.674  
Tamaño medio del  
establecimiento  
64  
13.32  
119.61  
34.99  
26.39  
21.22  
Fuente: Elaboración propia con datos de los Censos Económicos 2024 (INEGI, 2025).  
Como  
siguiente  
pasó,  
se  
Por su parte, la productividad del  
capital siguió un patrón opuesto  
debido a los coeficientes parciales  
negativos en ambas ramas, con  
valores de −0.446 y −0.361; además,  
en ambos casos el control no  
disminuyó la relación, sino que la  
reforzó, señal de que el tamaño  
desarrollaron los análisis de la  
relación entre las variables, (véase la  
Tabla 2). En educación básica la  
relación entre adopción de Sistemas  
de IA y productividad laboral mostró  
una correlación simple que va de  
0
.279 a -0.068 al controlar por el  
tamaño medio del establecimiento; y  
por rangos de 0.284 a -0.129 con  
control; así, la asociación aparente  
no mostró una relación con el uso de  
IA sino por la composición de  
tamaños. En cambio, en la  
educación superior la correlación fue  
de 0.529 a 0.313 con control, y por  
rangos de 0.550 a 0.404 con control;  
así, la asociación positiva persistió,  
aunque es atenuada por el tamaño  
promedio del establecimiento.  
encubría  
parcialmente  
a
la  
asociación negativa. Por su parte, la  
correlación por rangos confirmó el  
resultado para la educación básica  
donde se alcanzó −0.494, mientras  
que con -0.193 mantuvo el signo  
para la educación superior, pero no  
alcanzó significancia. De esta  
manera, estos resultados fueron sólo  
concluyentes en cuanto al signo.  
Tabla 2. Correlación entre adopción de inteligencia artificial y productividad  
Produc-  
r
ρ
r
IC 95% de r  
parcial  
Z de Fisher  
entre ramas  
Rama  
ρ parcial  
tividad simple simple parcial  
6
6
6
6
111 Laboral 0.279 0.284 −0.068  
−0.129  
[−0.413, 0.293] r: |Z| = 1.466  
p = 0.143  
ρ: |Z| = 2.086  
p = 0.037**  
113 Laboral 0.529*** 0.550*** 0.313*  
0.404**  
[−0.047, 0.600]  
111 Capital  
113 Capital  
−0.227 −0.234 −0.446** −0.494*** [−0.691, −0.109] r: |Z| = 0.379  
p = 0.705  
ρ: |Z| = 1.297  
p = 0.194  
−0.302* −0.258 −0.361** −0.193 [−0.634, −0.008]  
9
09  
Machuca-Martínez. (2026)  
Produc-  
Rama  
r
ρ
r
IC 95% de r  
parcial  
Z de Fisher  
entre ramas  
ρ parcial  
tividad simple simple parcial  
Niveles de significancia: * p < 0.10, ** p < 0.05; *** p < 0.01.  
Fuente: Elaboración propia con datos de los Censos Económicos 2024 (INEGI, 2025).  
especificaciones por lo que la  
Conviene subrayar que la misma  
asociación negativa correspondió a  
variable de control desempeñó  
ambas en conjunto y no a una en  
papeles opuestos según el factor  
particular.  
examinado, ya que cambió la  
relación con la productividad laboral  
3
.2 Discusión  
y confirmó el sentido de la del capital;  
en consecuencia, su omisión no  
sesgó los coeficientes en una  
El hallazgo central de este trabajo es  
la asimetría entre factores: la IA se  
asoció positivamente sólo en la  
dirección  
conocida,  
sino  
en  
direcciones distintas según la  
relación de que se trate. Así mismo,  
a partir de la significancia de los  
coeficientes calculada y de los  
intervalos de confianza, la adopción  
de IA se relacionó, por tanto, de  
manera positiva o nula con el trabajo  
y de manera negativa con el capital.  
educación  
superior  
del  
con  
la  
y
productividad  
trabajo  
negativamente con la del capital en  
ambas ramas, lo cual replica  
parcialmente el resultado de Jung y  
Katz (2025b) donde la tecnología  
eleva la productividad del trabajo  
calificado sin efecto significativo  
sobre la del capital.  
Por último, en cuanto al contraste de  
igualdad entre ramas, en la  
productividad laboral la diferencia  
entre los coeficientes alcanzó  
significancia únicamente en la  
especificación de rangos y no en la  
lineal por lo que el contraste entre  
Y para comprender estos resultados  
en la rama de la educación superior  
cuyo principal insumo es el trabajo  
calificado, debe considerarse lo  
explicado por Wu y Zhu (2025) y Lei  
et al. (2025) quienes establecen que  
la IA eleva la proporción disponible  
de personal calificado impactando de  
esta manera sobre la productividad.  
Además, con base en considerarse  
lo señalado por Olmedo Barchello  
educación  
básica  
y
superior  
constituyó sólo evidencia sugerente;  
por el contrario, en la productividad  
del capital la diferencia entre  
coeficientes resultó nula en las dos  
9
10  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
(
2025) y Fruits y Stout (2026) sobre  
Por último, la magnitud de los  
coeficientes parciales significativos  
no expresa rendimientos de una  
inversión sostenida por dos motivos:  
a) los datos fueron de agregados  
estatales y no de establecimientos  
en los que Filippucci et al. (2024a)  
la curva jota de la productividad de  
los activos según la cual una  
inversión  
en  
activos  
complementarios primero disminuye  
el rendimiento antes de elevarlo en  
una fase posterior.  
sitúan  
las  
estimaciones  
más  
Bajo este contexto, la correlación  
elevadas; y, b) se analizó aquí el uso  
declarado de la IA y no su intensidad  
ni su gasto asociado, distinción  
relevante según lo establecen Jung y  
Katz (2025a, 2025b).  
negativa  
productividad del capital presenta  
dos posibilidades: a) una  
observada  
para  
la  
compatibilidad con una fase de  
inversión inicial; o, b) una relación  
con un desplazamiento permanente  
de la composición del empleo. Sin  
embargo, se requieren al menos dos  
4. Conclusiones  
La adopción de Sistemas de IA en el  
sector educativo mexicano se  
relaciona de manera distinta con  
cada factor productivo lo cual  
constituye el principal resultado de  
este trabajo. Así, la asociación  
negativa entre la adopción de  
Sistemas de IA y la productividad del  
capital es el hallazgo más sólido y  
abarca a ambas ramas y por ende al  
sector educativo formal en su  
conjunto; por su parte, sólo queda  
como evidencia (no concluyente) la  
levantamientos  
censales  
para  
descartar alguna de las dos opciones  
lo cual no fue factible ahora debido al  
análisis desarrollado en corte  
transversal.  
Asimismo, los resultados mostrados  
son acordes con la condicionalidad  
del efecto (Cedeño Macías et al.,  
2
026 y Placeres Salinas et al., 2025)  
y la educación básica ilustra esto  
pues su la relación sobre la  
productividad laboral cambia de  
signo al controlar por el tamaño de  
modo que sólo declarar el uso de  
Sistemas de IA no basta para  
registrarle alguna ganancia.  
asociación  
positiva  
con  
la  
productividad laboral en la educación  
superior, en tanto que con relación a  
la educación básica no queda  
definido el sentido. Nótese que con  
9
11  
Machuca-Martínez. (2026)  
esto da por cumplido el propósito  
trazado para este trabajo.  
escolaridad y/o perfil profesional de  
la plantilla laboral con el propósito de  
precisar el impacto del trabajo  
calificado; y d) finalmente, se  
recomienda acceder a microdatos  
del censo económico para estimar la  
relación entre variables por unidad  
económica.  
De este modo, el presente estudio  
aporta una primera medición de  
estas relaciones para México y en un  
sector que la literatura económica ha  
excluido según se ha argumentado;  
vale puntualizar que, gracias a que  
los resultados corresponden a datos  
agregados, no se puede afirmar  
causalidad ni se pueden hacer  
afirmaciones sobre establecimientos  
en lo particular, según se ha  
expuesto cuando se han abordado  
las limitaciones metodológicas del  
presente trabajo.  
Bibliografía  
Acosta Rodríguez, M. G. (2025). La  
productividad en el contexto  
de la inteligencia artificial: Un  
estudio  
América del Norte (2000-  
019) [Tesis de maestría,  
empírico  
para  
2
Universidad  
Metropolitana,  
Azcapotzalco].  
Autónoma  
Unidad  
Por lo tanto, de lo anterior se pueden  
https://doi.org/10.24275/uam  
a.7005.13140  
plantear  
algunas  
líneas  
de  
investigación a futuro: a) replicar el  
análisis con dos levantamientos  
Álvarez Nava, S. R. (2025).  
Diagnóstico del uso de  
inteligencia artificial en la  
censales  
comparables  
(con  
información del próximo censo  
económico dada la disponibilidad de  
las variables en los censos previos),  
a fin confirmar o inferir sobre la  
causa del signo negativo sobre la  
productividad  
competitividad de las pymes  
mexicanas. Xihmai, 20(39),  
y
1
43-182.  
https://doi.org/10.37646/xihm  
ai.v20i39.658  
productividad  
del  
capital;  
b)  
Cedeño Macías, A. M., Mendoza  
Vargas, E. Y., Escobar Terán,  
H. E., y Chávez Rojas, E. R.  
incorporar medidas de intensidad de  
uso y/o de gasto en tecnología, que  
superen la limitación de emplear sólo  
el uso declarado para la variable de  
interés; c) examinar el efecto sobre  
la productividad laboral con datos de  
(2026). Inteligencia artificial y  
productividad laboral en el  
sector servicios mediante  
revisión  
sistemática  
bibliométrica  
(2020-2026).  
9
12  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
Corporatum 360, 9(17), 117-  
38.  
https://doi.org/10.56124/corp  
oratum-360.v9i17.007  
https://laweconcenter.org/res  
1
ources/ai-productivity-and-  
labor-markets-a-review-of-  
the-empirical-evidence/  
Czarnitzki, D., Fernández, G. P., y  
Rammer, C. (2023). Artificial  
intelligence and firm-level  
Gonzálvez Martínez, P. (2025).  
Efecto sobre la productividad  
laboral del uso de la  
inteligencia artificial en las  
empresas de la Unión  
Europea [Trabajo fin de  
productivity.  
Economic  
Journal  
Behavior  
of  
&
Organization, 211, 188-205.  
https://doi.org/10.1016/j.jebo.  
grado,  
Universidad  
2
023.05.008  
Politécnica de Cartagena].  
Repositorio  
UPCT.  
https://repositorio.upct.es/enti  
ties/publication/539bc733-  
Institucional  
Filippucci, F., Gal, P., Jona-Lasinio,  
C., Leandro, A., y Nicoletti, G.  
(2024a). The impact of  
artificial intelligence on  
7
8
293-4830-8144-  
754f1b1c1c7  
productivity, distribution and  
growth: Key mechanisms,  
initial evidence and policy  
challenges (OECD Artificial  
Intelligence Papers No. 15).  
Instituto Nacional de Estadística y  
Geografía. (2023). Glosario.  
Censos Económicos 2024.  
https://www.inegi.org.mx/app/  
glosario/default.html?p=ce20  
24  
OECD  
https://doi.org/10.1787/8d900  
37-en  
Publishing.  
0
Filippucci, F., Gal, P., y Schief, M.  
2024b). Miracle or myth?  
Assessing the  
macroeconomic productivity  
gains from artificial  
Instituto Nacional de Estadística y  
Geografía. (2025). Censos  
Económicos 2024. Tabulados  
(
[Conjunto  
de  
datos].  
https://www.inegi.org.mx/prog  
ramas/ce/2024/  
intelligence (OECD Artificial  
Intelligence Papers No. 29).  
Jung, J., y Katz, R. (2025a). Factores  
determinantes de la adopción  
de la inteligencia artificial en  
las empresas: Un estudio  
empírico del caso del Brasil  
(LC/TS.2025/38). Comisión  
Económica para América  
OECD  
https://doi.org/10.1787/b524a  
72-en  
Publishing.  
0
Fruits, E., y Stout, K. (2026). AI,  
productivity, and labor  
markets: A review of the  
empirical evidence (ICLE  
Latina  
y
el  
Caribe.  
Issue  
Brief  
2026-02-05).  
https://www.cepal.org/es/publ  
icaciones/81911-factores-  
determinantes-la-adopcion-  
International Center for Law &  
Economics.  
9
13  
Machuca-Martínez. (2026)  
la-inteligencia-artificial-  
empresas-un  
Morán-Ortega, S. A., Ruiz-Tirado, S.  
G., Simental-López, L. M., y  
Tirado-López, A. B. (2024).  
Barreras de la inteligencia  
Jung, J., y Katz, R. (2025b). Impacto  
económico de la inteligencia  
artificial en América Latina:  
Transformación tecnológica y  
artificial  
generativa  
en  
estudiantes de educación  
superior: Percepción docente.  
RITI Journal, 12(25), 26-37.  
https://doi.org/10.36825/RITI.  
rezago  
inversión  
laborales  
en  
materia  
y capacidades  
(LC/TS.2025/37).  
de  
1
2.25.003  
Comisión Económica para  
América Latina y el Caribe.  
https://www.cepal.org/es/publ  
icaciones/81909-impacto-  
economico-la-inteligencia-  
artificial-america-latina-  
transformacion  
Olmedo Barchello, S. (2025).  
Inteligencia artificial el  
y
desafío de la transformación  
productiva en Paraguay.  
Ciencias Económicas, 6(12),  
1-3.  
https://revistascientificas.una.  
py/index.php/reco/article/view  
Ke, Y., y Luo, J. (2026). How does  
artificial intelligence affect  
firms' green total factor  
productivity: Evidence from  
Chinese listed companies.  
/
6039  
Peñafiel-Jurado,  
R.,  
Márquez-  
Márquez, N., y Guamán-Villa,  
I. (2024). Inteligencia artificial  
en la educación: Revisión  
sistemática de perspectivas,  
beneficios y desafíos en la  
International  
Economics and Finance, 106,  
04981.  
https://doi.org/10.1016/j.iref.2  
26.104981  
Review  
of  
1
0
práctica  
American Research Journal,  
(2), 5-15.  
docente.  
South  
Lei, L., Feng, H., y Ren, J. (2025).  
Artificial intelligence, human  
capital and firm-level total  
factor productivity. Finance  
4
https://doi.org/10.5281/zenod  
o.14507789  
Research  
07897.  
https://doi.org/10.1016/j.frl.20  
5.107897  
Letters,  
85,  
Perdomo, B., y González, O. A.  
(2025). Inteligencia artificial  
1
en  
educación  
superior:  
2
Revisión integrativa de la  
literatura.  
Investigación  
Cuadernos  
de  
Lu, Y., y Zhou, Y. (2021). A review on  
the economics of artificial  
Educativa,  
1
6(2).  
https://doi.org/10.18861/cied.  
025.16.2.4034  
intelligence.  
Economic Surveys, 35(4),  
045-1072.  
https://doi.org/10.1111/joes.1  
422  
Journal  
of  
2
1
Placeres Salinas, S. I., Torres  
Mansur, S. M., y Martínez  
2
9
14  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Inteligencia artificial y su relación con la productividad del sector educativo formal en México.  
Carrillo, E. C. (2025). La  
inteligencia artificial: Un factor  
emprendimientos modernos.  
Revista Veritas de Difusão  
Científica, 7(2).  
https://doi.org/10.61616/rvdc.  
v7i2.1538  
fundamental  
en  
de  
la  
productividad  
organizaciones.  
las  
VinculaTégica EFAN, 11(1),  
0-106.  
https://doi.org/10.29105/vtga1  
.1-1015  
9
1
Valenzuela Fourage, L., y Fernández  
García, D. (2026). Influencia  
de la inteligencia artificial en el  
desempeño organizacional de  
empresas  
Ingente Americana, 6(6), e-  
072.  
industriales.  
1
https://doi.org/10.21803/ingec  
ana.6.6.1072  
Wu, X., y Zhu, Y. (2025). How  
artificial  
intelligence  
applications affect the total  
factor productivity of the  
service industry: Firm-level  
evidence from China. Journal  
of Asian Economics, 97,  
1
01893.  
https://doi.org/10.1016/j.asiec  
o.2025.101893  
Yang, C.-H. (2022). How artificial  
intelligence technology affects  
productivity and employment:  
Firm-level evidence from  
Taiwan. Research Policy,  
5
1(6),  
104536.  
https://doi.org/10.1016/j.respo  
l.2022.104536  
Zhumi Loja, Y. L., y Pulla Carrión, E.  
V. (2026). Impacto de la  
inteligencia artificial en la  
productividad  
competitividad  
y
en  
9
15