Este estudio sintetiza evidencia empírica sobre sistemas de evaluación de habilidades apoyados por IA en la educación vocacional superior a través de una revisión sistemática y un meta-análisis. A pesar del creciente interés en la IA generativa dentro de la educación superior, la investigación empírica sobre la evaluación habilitada por IA sigue siendo fragmentada y metodológicamente desigual, particularmente en contextos vocacionales. Siguiendo las directrices de PRISMA 2020, se identificaron 27 estudios empíricos revisados por pares publicados entre 2010 y 2024 de bases de datos internacionales y chinas importantes e incluidos en el análisis. Utilizando un modelo de efectos aleatorios, el meta-análisis indica una asociación positiva moderada entre los sistemas de evaluación apoyados por IA y los resultados de aprendizaje relacionados con habilidades (g de Hedges = 0.72), junto con una heterogeneidad sustancial en los diseños de estudio, medidas de resultado y contextos de implementación. Los análisis de subgrupos sugieren variación entre configuraciones regionales e institucionales, que deben interpretarse con cautela dado el pequeño tamaño de las muestras y los diversos enfoques metodológicos. Basado en la evidencia sintetizada, el estudio propone un marco conceptual de evaluación de habilidades apoyado por IA que distingue componentes fundamentados empíricamente de extensiones prospectivas relacionadas con la IA generativa. En lugar de ofrecer soluciones prescriptivas, el marco proporciona una línea base informada por la evidencia para apoyar futuras investigaciones, diseño de sistemas e integración responsable de la IA generativa en la evaluación de la educación superior. En general, los hallazgos destacan tanto el potencial como las limitaciones empíricas actuales de la evaluación habilitada por IA, subrayando la necesidad de estudios más robustos, informados por teorías y transparentes a medida que las aplicaciones de IA generativa continúan evolucionando.