El siguiente proyecto presenta el diseño e implementación de una interfaz conversacional para asistir a estudiantes de educación superior en la planificación de sus trayectorias académicas mediante consultas en lenguaje natural. La solución combina técnicas de Minería de Datos Educativos (Educational Data Mining, EDM) con una arquitectura de Generación Aumentada por Recuperación (Retrieval-Augmented Generation, RAG), con el objetivo de proporcionar respuestas personalizadas, precisas y fundamentadas en información institucional. La arquitectura integra modelos de lenguaje de gran tamaño (LLMs) de código abierto, ejecutados localmente mediante Ollama, una base de datos vectorial ChromaDB para el almacenamiento y recuperación de representaciones semánticas de documentos, y un backend desarrollado en FastAPI que coordina el flujo de procesamiento utilizando LangChain. Asimismo, se desarrolló un frontend en React que ofrece una interfaz intuitiva para consultar planes de estudio, trayectorias académicas y recomendaciones adaptadas al perfil del estudiante. La principal contribución del trabajo consiste en demostrar la viabilidad de una solución de asistencia académica basada en inteligencia artificial que preserva la privacidad de los datos mediante la ejecución local de los modelos, reduce el riesgo de alucinaciones gracias al uso de RAG y fundamenta sus respuestas en documentación institucional verificable y en información histórica de trayectorias estudiantiles. La implementación se materializó como una prueba de concepto funcional, permitiendo validar tanto la arquitectura propuesta como su utilidad práctica en el ámbito universitario. Los resultados obtenidos evidencian la capacidad del sistema para responder consultas complejas relacionadas con la planificación académica, constituyendo una base sólida para futuras integraciones con sistemas de gestión académica y el desarrollo de nuevas funcionalidades de apoyo al estudiante.