Este trabajo de fin de máster analiza el potencial de la inteligencia artificial (IA) para transformar la educación adaptativa y personalizada. Considerando los desafíos actuales de los sistemas educativos, el objetivo general es evaluar cómo las tecnologías de IA pueden mejorar los procesos de enseñanza y aprendizaje. Los objetivos específicos incluyen revisar el estado actual de las tecnologías de IA aplicadas a la educación, examinar casos de uso de sistemas adaptativos en matemáticas, identificar desafíos éticos y técnicos, y proponer recomendaciones para su adopción. La metodología combina una revisión bibliográfica para definir los conceptos principales, como IA y aprendizaje automatizado, teorías del aprendizaje y educación personalizado, con un estudio de caso comparativo de tres sistemas adaptivos educativos (ALEKS, MATHia y Khan Academy con Khanmigo). Este análisis se centra en la arquitectura técnica, los algoritmos de personalización, la evidencia de eficacia y las limitaciones de cada sistema. Los resultados muestran que los sistemas adaptativos pueden mejorar el rendimiento académico, especialmente en materias estructuradas como las matemáticas, pero su éxito depende del contexto de uso y otros factores. Se concluye que la IA debe servir como recurso complementario, integrado en marcos pedagógicos sólidos, y que los modelos híbridos que combinan funcionalidades de diagnóstico inicial, adaptación en tiempo real y generación de contenidos con IA generativa ofrecen mayor potencial. Dado que persisten problemas como la desigualdad en el acceso, la insuficiente capacitación docente y los sesgos algorítmicos, se recomienda aplicar un enfoque equilibrado en la implementación de los sistemas adaptativos en educación
This master’s thesis examines the potential of artificial intelligence (AI) to transform adaptive and personalized education. Considering the current challenges faced by educational systems, the general objective is to evaluate how AI technologies can improve teaching and learning processes. The specific objectives include reviewing the current state of AI technologies applied to education, analyzing use cases of adaptive systems in mathematics, identifying ethical and technical challenges, and proposing recommendations for their adoption. The methodology combines a literature review to define key concepts such as AI and machine learning, learning theories and personalized education with a comparative case study of three adaptive educational systems (ALEKS, MATHia, and Khan Academy with Khanmigo). The analysis focuses on technical architecture, personalization algorithms, evidence of effectiveness, and the limitations of each system. The results show that adaptive systems can enhance academic performance, particularly in structured subjects such as mathematics, but their success depends on the context of use and other factors. The study concludes that AI should serve as a complementary resource, integrated into robust pedagogical frameworks, and that hybrid models combining initial diagnostic tools, real-time adaptation, and generative AI content creation offer greater potential. Because challenges like unequal access, insufficient teacher preparation, and algorithmic bias remain, it is essential to adopt a balanced approach when implementing adaptive systems in education
