La analítica multimodal del aprendizaje (MMLA) integra datos procedentes de múltiples fuentes registros digitales, audio, video, movimiento, posición, mirada y señales fisiológicas para comprender procesos educativos que no pueden representarse mediante una única métrica. Esta revisión narrativa tuvo como objetivo analizar, entre 2019 y 2023, las oportunidades y limitaciones de la MMLA apoyada por inteligencia artificial para una evaluación inclusiva, con especial atención a la interpretación del comportamiento, la validez de nuevas métricas, la retroalimentación y los riesgos éticos. Se integró evidencia sobre diseño de sistemas, fusión multimodal, evaluación formativa, aprendizaje colaborativo, simulación, privacidad, equidad e inteligencia artificial. Los resultados muestran que la MMLA puede ampliar la evaluación más allá de calificaciones y clics, haciendo visibles procesos espaciales, comunicativos y colaborativos y facilitando retroalimentación basada en evidencia. Sin embargo, la literatura continúa concentrada en educación superior, muestras reducidas y entornos experimentales; además, persisten problemas de generalización, transparencia, privacidad, consentimiento y posible confusión entre conducta observable y aprendizaje. Se concluye que una evaluación multimodal inclusiva requiere combinar métricas pedagógicamente válidas, inteligencia artificial interpretable, análisis desagregado, participación de estudiantes y docentes, minimización de datos y supervisión humana. Las nuevas métricas deben utilizarse para ampliar las formas de demostrar aprendizaje y no para imponer patrones conductuales únicos como norma de rendimiento.