Los filtros educativos basados en IA median el acceso, secuenciación, evaluación y apoyo a estudiantes mediante datos de aprendizaje. El objetivo de este estudio es analizar la evolución, efectividad y transformaciones pedagógicas de los filtros educativos basados en inteligencia artificial y su impacto en la enseñanza y la interacción docente-estudiante. El enfoque es cualitativo, se realizó una revisión narrativa-analítica de evidencia empírica, ensayos controlados aleatorizados (RCT), revisiones sistemáticas y marcos institucionales. Los resultados indican mejora significativa en aprendizaje y compromiso estudiantil con eficiencia temporal. El RCT en educación superior muestra medianas superiores con tutor de IA (4.5 vs 3.5), mayor compromiso (4.1 vs 3.6) y menor tiempo (49 vs 60 min). Los sistemas tutores inteligentes en K-12 demuestran efectos positivos en autorregulación. Los pipelines multimodales reportan alta especificidad (99.06%) con sensibilidad variable. Se concluye que los filtros educativos constituyen infraestructura transformadora que personaliza y optimiza el aprendizaje cuando preservan interacción humana y se acompañan de marcos de gobernanza robustos.
AI-based educational filters mediate student access, sequencing, assessment, and support using learning data. This study aims to analyze the evolution, effectiveness, and pedagogical transformations of AI-based educational filters and their impact on teaching and teacher-student interaction. The approach is qualitative, employing a narrative-analytical review of empirical evidence, randomized controlled trials (RCTs), systematic reviews, and institutional frameworks. The results indicate significant improvements in learning and student engagement with time efficiency. The RCT in higher education shows higher medians with AI tutors (4.5 vs. 3.5), greater engagement (4.1 vs. 3.6), and shorter time (49 vs. 60 min). Intelligent tutoring systems in K-12 demonstrate positive effects on self-regulation. Multimodal pipelines report high specificity (99.06%) with variable sensitivity. The study concludes that educational filters constitute transformative infrastructure that personalizes and optimizes learning when they preserve human interaction and are accompanied by robust governance frameworks.