La creciente integración de la inteligencia artificial en los procesos educativos ofrece nuevas oportunidades para abordar problemas críticos en la educación superior, como el abandono estudiantil, el bajo rendimiento académico y la necesidad de tutoría personalizada. Esta revisión de alcance tiene como objetivo mapear la literatura científica sobre el uso de técnicas de IA para predecir el rendimiento académico, el riesgo de abandono y la necesidad de asesoramiento académico, con énfasis en entornos de aprendizaje en línea o mediados por tecnología. El estudio sigue la estrategia PCC del Joanna Briggs Institute, y la revisión se informó siguiendo la lista de verificación PRISMA-ScR para la presentación de búsquedas. Un total de 63 estudios empíricos revisados por pares (2019-2025) fueron incluidos tras un filtrado sistemático de las bases de datos Scopus y Web of Science. Los hallazgos revelan que los modelos de aprendizaje automático supervisado, como los árboles de decisión, los bosques aleatorios y las redes neuronales, dominan el campo, con un interés emergente en el aprendizaje profundo, el aprendizaje por transferencia y la IA explicable. Se integran variables académicas, conductuales, emocionales y contextuales en modelos cada vez más complejos e interpretables. La mayoría de los estudios se centran en estudiantes de pregrado en contextos de aprendizaje digital e híbrido, particularmente en regiones con altas tasas de abandono. La revisión destaca el potencial de la IA para permitir intervenciones tempranas y mejorar la efectividad de los sistemas de tutoría, al tiempo que señala limitaciones como la falta de generalización de los modelos y preocupaciones éticas. Se proporcionan recomendaciones para futuras investigaciones e integración institucional.