Las universidades han dedicado gran parte de los últimos tres años a preguntarse si los investigadores y los estudiantes de doctorado pueden utilizar la IA generativa.

Esa fue una primera pregunta necesaria. Pero la IA ya se utiliza para búsquedas bibliográficas, codificación, redacción, transcripción y un trabajo importante con datos. La cuestión práctica ahora es si esos usos generan una investigación que siga siendo ética, válida, reproducible y transparente.

La mayoría de las respuestas universitarias a la IA aún no responden a esa pregunta. Se centran en el plagio, la autoría y la divulgación.

Se quedan en la superficie de un problema más profundo de integridad en la investigación. Un análisis asistido por IA, aún no divulgado, puede ser inválido. Una revisión bibliográfica cuidadosamente atribuida aún puede contener citas falsificadas. Una herramienta empresarial segura puede proteger datos confidenciales mientras genera una inferencia que ningún investigador puede reproducir ni defender científicamente.

Este fue el problema que motivó mi informe de política de acceso abierto de Instats, ” IA responsable en la investigación académica: un marco de competencias para la formación en investigación “.

La investigación examinó material público de 38 universidades doctorales de primer nivel en 15 países y jurisdicciones, 14 financiadores nacionales de investigación, 18 editoriales importantes y tres servidores de preimpresión, junto con 13 marcos de alfabetización en IA y desarrollo de investigadores. Cada afirmación sustantiva se rastreó a una política pública, instrumento regulatorio o fuente de investigación vigente hasta mayo de 2026.

Las universidades han respondido lentamente a la IA

La brecha de respuesta fue difícil de pasar por alto.

Las principales editoriales académicas convergieron en 10 semanas después del lanzamiento público de ChatGPT en la regla de que la IA no puede ser autora porque no puede asumir la responsabilidad del trabajo académico. Los financiadores de investigación respondieron más lentamente y de manera desigual, principalmente en las solicitudes de subvención y evaluación.

Las universidades, que forman a los investigadores que deben tomar estas decisiones a diario, han avanzado más lentamente.

Solo seis de las 38 universidades examinadas tenían políticas que iban más allá de la integridad de la investigación y la divulgación para abarcar la alfabetización en IA, la supervisión, la evaluación y la práctica válida de la investigación.

Quince se mantuvieron al nivel de una regla genérica de conducta estudiantil o de una política específica de plagio para la IA. Diecisiete instituciones habían avanzado en materia de integridad y reproducibilidad de la investigación, pero sin expectativas codificadas sobre la competencia de los investigadores.

Las seis instituciones del grupo más desarrollado eran: University College London y King’s College London, en el Reino Unido; la Universidad de Heidelberg, en Alemania; la KU Leuven, en Bélgica; la Universidad de Helsinki, en Finlandia; y la Universidad de Tsinghua, en China.

Alemania presentaba el grupo más consolidado, gracias a su tradición de declaraciones doctorales juradas. El Reino Unido estaba dividido: el University College London y el King’s College London lideraban el sector, mientras que otras instituciones dependían de la orientación descentralizada del profesorado.

Las principales universidades de Australia habían incorporado la IA en general a los procedimientos de integridad de la investigación, pero ninguna había codificado la alfabetización en IA como una competencia doctoral. Las políticas centrales de las instituciones de Estados Unidos en la muestra eran las menos desarrolladas.

Retraso conceptual

La razón de este retraso es, en parte, conceptual. Los grandes modelos de lenguaje imitan la escritura humana, por lo que las universidades han abordado su uso principalmente como un problema de autoría y plagio. Sin embargo, su función de investigación subyacente se acerca más a la de otras herramientas orientadas a tareas o “agentes” en la jerga moderna de la IA.

Nadie considera plagio el resultado de un paquete estadístico. Una transcripción automática no es fraudulenta si un investigador la coteja con el audio. La pregunta relevante no es simplemente quién produjo las palabras, sino si la herramienta se utilizó de manera que se preservaran los estándares de los que depende la investigación.

En el informe, el uso responsable de la IA se entiende, por lo tanto, como usos éticos, válidos, reproducibles y transparentes.

El uso ético protege a los participantes, a las comunidades y a terceros cuyos datos puedan ser procesados. El uso válido cumple con los mismos estándares metodológicos y probatorios que se esperan del trabajo realizado por humanos.

El uso reproducible registra las entradas, indicaciones, parámetros, la versión del modelo y las configuraciones relevantes lo suficientemente bien como para que otro investigador repita el proceso con una tolerancia establecida. El uso transparente revela el rol de la IA con suficiente especificidad para que los supervisores, examinadores de tesis/disertaciones, revisores y lectores puedan evaluarlo.

Ninguna de estas cuatro condiciones puede sustituir a otra.

Un marco de cinco dimensiones

El marco de cinco dimensiones traduce esta definición en la práctica institucional.

La primera dimensión es la disciplina de la intervención humana. Las universidades necesitan una distinción clara entre el trabajo de investigación que la IA puede acelerar y el juicio de investigación que debe seguir siendo humano.

El formato, la transcripción verificada y la limpieza del código pueden delegarse con controles. Formular una pregunta de investigación, elegir un método, interpretar un resultado inesperado, decidir qué constituye un valor atípico y sopesar la evidencia contradictoria no puede subcontratarse sin debilitar la investigación misma.

La segunda dimensión especifica la práctica responsable en cuatro modos de uso. La IA utilizada para la búsqueda debe ayudar a delimitar la literatura, pero cada cita que sobreviva debe cotejarse con la fuente primaria.

La IA, utilizada como herramienta de coautoría, puede pulir o reorganizar textos que un investigador puede producir de forma independiente, pero no debe sustituir el conocimiento que este no posee.

La IA, utilizada como validador, puede formular críticas, pero su conformidad no constituye evidencia y su crítica no completa la verificación humana. La IA, utilizada como tutor, debe basarse en materiales fiables, y los investigadores aún deben demostrar su comprensión independiente.

La tercera dimensión se refiere a las herramientas. Las universidades no deberían dejar la elección de los sistemas de IA completamente en manos de los laboratorios individuales.

La adquisición debería comprobar si las herramientas proporcionan citas verificables, residencia de datos adecuada y controles de entrenamiento, información significativa sobre la incertidumbre, reproducibilidad en una versión conocida del modelo y registros de sesión auditables.

El uso responsable es más fácil cuando la tecnología lo respalda desde el diseño en lugar de depender de advertencias que se espera que los usuarios recuerden.

La cuarta dimensión son las personas alfabetizadas en IA. Esto no es principalmente una cuestión de enseñar a los investigadores qué botones pulsar. La formación doctoral ahora debe abarcar la verificación de citas, la presentación de informes de modelos y parámetros, la sensibilidad de los avisos, el uso de diferentes familias de modelos para la revisión adversaria, la detección del acuerdo servil y la presentación de informes estructurados de los modos de fallo.

Estas competencias deberían ampliar el currículo existente sobre validez, reproducibilidad y escepticismo, no sustituirlo. Los supervisores y examinadores necesitan el mismo desarrollo porque los candidatos no pueden demostrar disciplinas que su entorno de formación no modela.

La quinta dimensión es la evaluación comparativa institucional. La política es solo una parte de la competencia. Las universidades también necesitan personas designadas como responsables de la implementación, sistemas que apoyen la toma de decisiones responsables y procesos que incorporen el uso de la IA en la supervisión, las revisiones de progreso, las declaraciones de tesis y los exámenes.

El marco califica cada dimensión de ausente a establecida y líder. Es una cuadrícula de autodiagnóstico, no una clasificación. Su valor radica en mostrar dónde una institución tiene limitaciones y cómo sería un siguiente paso creíble.

¿Qué deberían hacer los líderes universitarios?

Para los altos directivos, el punto de partida es práctico. Designar a un responsable de la IA en la investigación y la formación en investigación. Evaluar la institución según las cinco dimensiones. Publicar la distinción entre las tareas que la IA puede apoyar y los juicios que siguen siendo humanos.

Integrar la competencia en IA en la formación en métodos doctorales. Capacitar a supervisores y examinadores. Establecer un control de adquisición específico para investigar las herramientas que los investigadores realmente utilizan. Luego, revisar el progreso con una cadencia establecida y hacer visibles los resultados para la comunidad universitaria.

Las universidades no son consumidoras pasivas de IA. Son parte de la infraestructura epistémica mundial. Capacitan a las personas que producen evidencia para la toma de decisiones en salud, clima, política económica y tecnología.

Si la investigación con apoyo de IA no es ética, válida, reproducible y transparente, el registro público absorbe citas falsas, análisis sesgados y hallazgos imposibles de verificar.

La solución no reside en prohibir herramientas útiles ni en elaborar otro documento normativo aislado, sino en desarrollar el criterio, los sistemas y la rendición de cuentas necesarios para su uso correcto.

Las editoriales han demostrado que el sector académico puede actuar con rapidez al reconocer un problema común. Las universidades ahora deben actuar con una urgencia similar, pero con un objetivo más ambicioso: una investigación excelente basada en IA mediante una formación en investigación de excelencia.

Michael J. Zyphur es director de Instats (instats.org) y profesor de métodos cuantitativos en la Universidad de Queensland.

Es autor del informe de acceso abierto « IA responsable en la investigación académica: un marco de competencias para la formación en investigación» , publicado a principios de este año . Instats ofrece formación en investigación, incluida la relacionada con la IA. El marco se desarrolló de forma independiente de la actividad comercial y se ofrece como una contribución de acceso abierto al debate sobre la IA responsable en la investigación y la formación en investigación.

Este artículo es un comentario. Los artículos de comentario son las opiniones del autor y no reflejan necesariamente las opiniones de University World News.