Puedes escuchar este artículo en versión en podcast producida por Google Notebook LM.

La aparición generalizada de herramientas de inteligencia artificial (IA) generativa, como el Chat Generative Pre-trained Transformer (ChatGPT) en 2022, ha transformado la manera en que los investigadores abordan sus tareas, ofreciendo una mayor eficiencia en el proceso académico. Estas herramientas, que son modelos de lenguaje grandes (LLM) basados en vastos catálogos de texto generados por humanos, están diseñadas para construir respuestas coherentes a preguntas complejas a partir de relaciones estadísticas en sus datos de entrenamiento. Aunque las versiones iniciales producían contenido de baja calidad, su mejora ha sido rápida y continúa, prometiendo cambios en la práctica de la investigación, de manera similar a cómo otras herramientas de software han influido en el proceso investigativo en décadas pasadas.

Sin embargo, a diferencia de las herramientas anteriores que simplemente asistían en la eficiencia, la IA generativa presenta un desafío a las nociones tradicionales de integridad académica al tener la capacidad de producir contenido escrito novedoso por sí misma. Esta capacidad ha generado preocupación sobre la utilidad, precisión e integridad de la IA cuando se utiliza para redactar manuscritos académicos.

Desafíos clave de la escritura asistida por IA

El uso de LLM-powered IA ha revelado varios problemas significativos que ponen en tela de juicio su fiabilidad:

• Plagio: Las herramientas de IA generativa acceden a datos disponibles públicamente, lo que puede resultar en contenido que se asemeja mucho (o exactamente) a la fuente original. Esto plantea preocupaciones sobre plagio y posible infracción de derechos de autor si el contenido no es detectado y editado por los investigadores. La falta de experiencia en el contenido podría llevar a que los autores citen texto plagiado generado por IA sin saberlo, creando un «efecto bola de nieve».
• Alucinación de la IA: Este fenómeno ocurre cuando la herramienta de IA genera contenido convincente pero completamente fabricado, sin sentido o factualmente inexacto en respuesta a las indicaciones del usuario. La IA no está diseñada para evaluar la precisión o autenticidad del contenido, y los modelos actuales no pueden diferenciar entre datos reales y ficticios, lo que lleva a la inclusión frecuente de declaraciones inexactas o contenido fabricado con fuentes falsas, especialmente en documentos médicos. Además, la IA puede reproducir o amplificar sesgos inherentes a los datos de origen, lo que podría propagar desinformación o amenazar la integridad del investigador.
• Referencias inexactas o fabricadas: Las herramientas de IA son «notoriamente deficientes» en la referenciación de literatura médica. Estudios han demostrado que un porcentaje significativo de referencias generadas por ChatGPT son incorrectas, con DOI erróneos o fabricados, o artículos completamente inventados. Otros estudios encontraron que casi la mitad de las referencias generadas eran fabricadas, y una gran proporción de las auténticas eran inexactas en cuanto a título, autoría o PMID. Solo un 7% de las referencias generadas por ChatGPT fueron completamente auténticas y precisas, lo que indica un problema significativo de fiabilidad.

Debido a estos problemas, se desaconseja el uso exclusivo de la IA generativa basada en LLM para escribir contenido que se utilizará textualmente sin edición humana en resúmenes, artículos o propuestas de investigación médicas, o para generar referencias. Los investigadores son, en última instancia, plenamente responsables de la originalidad, precisión y relevancia de su manuscrito y de la referenciación adecuada.

Orientaciones de revistas y editores

Los editores y revistas académicas tienen un interés directo en garantizar la integridad de la investigación publicada. Principios clave sobre el uso de la IA generativa incluyen la transparencia sobre su uso y la no autoría de la IA. Las herramientas de IA no cumplen con los estándares de autoría académica, ya que no pueden responsabilizarse por la precisión del contenido, ni aprobar o respaldar investigaciones posteriores sobre las afirmaciones hechas en el trabajo. Por lo tanto, no deben ser acreditadas como autores. La forma más transparente de revelar su uso es en la sección de métodos del manuscrito, detallando cómo se utilizaron y cómo se manejó la salida generada por la IA.

Uso ético de la IA en la escritura: Un enfoque por niveles

Para guiar a los académicos, se han propuesto «niveles éticos» de uso de la IA, basados en la comprensión de cómo funcionan los LLM y si su uso afectaría negativamente el pensamiento crítico y el desarrollo académico humano:

1. Nivel éticamente más aceptable: Incluye usos en los que la IA se utiliza principalmente para reestructurar texto o ideas preexistentes. Esto abarca la revisión de gramática y ortografía, la mejora de la legibilidad y el flujo, y la traducción de textos. Por ejemplo, ChatGPT puede reescribir contenido de manera gramaticalmente correcta y sin errores ortográficos, o ayudar a traducir un manuscrito a un idioma no nativo, aunque siempre se recomienda la revisión humana, especialmente por un hablante nativo para traducciones.
2. Nivel éticamente contingente: Estas posibilidades dependen de las acciones del autor al trabajar con el contenido generado por IA. Incluyen el uso de ChatGPT para generar un esquema, resumir contenido, mejorar la claridad de un borrador o generar ideas para una «lluvia de ideas». En estos casos, la IA genera texto novedoso y tiene un mayor potencial para introducir sesgos, alucinaciones o plagio si se utiliza sin un juicio crítico. Es crucial que los autores se aseguren de que el producto final refleje con precisión sus propias ideas y que el contenido generado por IA no altere el significado clave.
3. Nivel éticamente dudoso: Implica usos que son más problemáticos. Esto incluye redactar texto de novo sin proporcionar contenido original en la indicación, desarrollar nuevos conceptos para una sección específica del texto, la interpretación de datos, la revisión de literatura o la verificación de cumplimiento ético y plagio. Delegar estas tareas a la IA puede introducir sesgos y alucinaciones, y priva a los autores de la oportunidad de interactuar profundamente con el material de origen, lo cual es vital para desarrollar una comprensión integral de la pregunta de investigación. La IA también es notoriamente poco fiable en la citación de referencias, y su uso para evitar el plagio es cuestionable debido a posibles reproducciones de elementos de su conjunto de entrenamiento.

Lista de verificación para autores: Consideraciones clave

Para guiar el uso ético de la IA, se sugieren cuatro preguntas clave que los autores deben considerar:

1. ¿He utilizado la IA generativa de manera que asegure que las ideas, percepciones, interpretaciones y análisis críticos principales son míos?
2. ¿He utilizado la IA generativa de manera que garantice que los humanos mantendrán la competencia en las habilidades básicas de investigación y escritura?
3. ¿He verificado exhaustivamente para asegurarme de que todo el contenido (y las referencias) en mi manuscrito es preciso, fiable y libre de sesgos?
4. ¿He divulgado exactamente cómo se utilizaron las herramientas de IA generativa en la redacción del manuscrito y qué partes del manuscrito implicaron el uso de IA generativa?

Si la respuesta a cualquiera de estas preguntas es «no», se anima encarecidamente al autor a reflexionar sobre el proceso de escritura y reconsiderar los pasos para abordar directamente el problema ético. Incluso si las respuestas a las preguntas 1 a 3 sugieren un uso ético de la IA, la divulgación clara y explícita sigue siendo necesaria.

Conclusión

Si bien la IA generativa ofrece un tremendo potencial para mejorar la eficiencia en la escritura académica, es fundamental abordarla con precaución y una sólida comprensión de sus limitaciones. El objetivo principal es fomentar la capacidad de los investigadores para pensar profundamente y ofrecer soluciones coherentes basadas en la evidencia. Subcontratar tareas intelectuales a herramientas de IA conlleva el riesgo de que estas habilidades necesarias se pierdan con el tiempo. A medida que la tecnología evoluciona, también lo harán las recomendaciones para su uso ético. El diálogo continuo dentro de la comunidad de investigación es esencial para asegurar que la aplicación ética de las herramientas de IA generativa en la escritura académica sea coherente con el estado evolutivo de la tecnología.

Referencia: Cheng, A., Calhoun, A., & Reedy, G. (2025). Artificial intelligence-assisted academic writing: recommendations for ethical use. Advances in Simulation, 10, Artículo 22. https://doi.org/10.1186/s41077-025-00350-6

En cuestión de segundos, sin darnos cuenta, decidimos si alguien nos parece confiable, dominante o simplemente agradable. Durante años, la psicología ha estudiado este fenómeno con fascinación. Sin embargo, las investigaciones más recientes nos empujan a cuestionar lo que antes dábamos por hecho: que nuestras primeras impresiones dicen algo verdadero sobre el otro. A veces lo hacen. A menudo no.

Estas son cinco reglas recientes que complican, y enriquecen, nuestra comprensión del juicio instantáneo.

1. Lo que ves no es lo que hay

Alexander Todorov y su equipo en Princeton desmontaron una de las suposiciones más arraigadas: que los rostros comunican rasgos de personalidad de forma fiable. En vez de captar algo esencial del otro, lo que hacemos es proyectar nuestras propias ideas de lo que una “cara normal” debería ser. Mientras más se parece un rostro a ese patrón interno, más confiable o simpático nos parece.

Este sesgo hacia lo “típico” explica por qué muchas personas coinciden en cómo juzgan una cara, pero también por qué esas impresiones pueden estar equivocadas en masa. No estamos leyendo a la otra persona. Nos estamos leyendo a nosotros mismos. (Artículo original).

2. Alta autoestima, mejor percepción (pero no necesariamente más cariño)

Un estudio reciente liderado por Lauren Gazzard Kerr y Lauren Human, usando eventos de citas rápidas y sesiones de socialización entre extraños, mostró que las personas con mayor autoestima son juzgadas de forma más precisa. Su personalidad real coincide más con la percepción que otros tienen de ellos. Sin embargo, en los encuentros románticos, ser “acertadamente” leído cuando se tiene baja autoestima puede jugar en contra: quienes los perciben con claridad tienden a gustarles menos.

La conclusión es incómoda: si no te sientes bien contigo mismo, tal vez no conviene que te conozcan tan bien, al menos no al principio. Las primeras impresiones demasiado certeras pueden revelar más de lo que conviene. (Artículo original).

3. Las personas menos felices son un enigma

En un análisis de más de 4,700 encuentros individuales, los investigadores encontraron que las personas con mayor bienestar emocional son más fáciles de leer. No sólo sus gestos y palabras parecen más transparentes, sino que los demás aciertan más al describir su personalidad.

¿Y los que no están bien? Son más difíciles de descifrar. Algo en el malestar emocional parece oscurecer las señales que normalmente usamos para entender al otro. No se sabe aún si esto es un mecanismo de defensa, una distorsión en la comunicación, o ambas cosas. Pero lo que es claro es que las personas con bajo bienestar se vuelven menos legibles. (Artículo original).

4. Subestimamos cuánto gustamos

Otra capa de esta historia: tendemos a pensar que gustamos menos de lo que realmente gustamos. En adolescentes, esto se asoció con factores de personalidad como la extraversión, la autoestima y un bajo nivel de neuroticismo. Pero solo al principio.

Durante los encuentros, lo que más influyó en su percepción de ser o no ser apreciados ya no fueron sus rasgos de personalidad, sino la forma en que la otra persona reaccionaba ante ellos. Es decir, empezamos con una hipótesis sobre cómo nos van a percibir, pero rápidamente nos ajustamos a lo que parece estar ocurriendo en la interacción.

Una señal positiva para quienes temen no caer bien: probablemente estás siendo mejor recibido de lo que crees. (Artículo original).

5. Las videollamadas no nos quitan humanidad

En la era postpandemia, muchos sospechan que conocer a alguien por Zoom no puede compararse con un encuentro cara a cara. Pero los datos no apoyan esa idea.

Marie-Catherine Mignault y su equipo en Cornell descubrieron que las personas logran percibir la personalidad del otro casi con la misma precisión, ya sea a través de una pantalla o en persona. Incluso el grado de simpatía generado en ambos contextos fue prácticamente igual.

Eso sí, algunos detalles sí importan: según otro estudio, tener plantas o libros como fondo en la videollamada aumenta la percepción de competencia y confiabilidad. Y, tal como en la vida real, sonreír ayuda. (Artículo original).

Conclusión

Las primeras impresiones nunca han sido simples. Lo nuevo es que ahora tenemos datos que matizan nuestra intuición. Nos recuerdan que, en muchos casos, ver no es comprender, y ser comprendido tampoco garantiza ser querido.

¿La lección? Tal vez convenga dejar de confiar tanto en ese primer juicio, y abrir espacio para que el otro se revele más allá de los primeros minutos. Porque en la psicología del encuentro, como en la vida, lo esencial casi nunca se capta de un vistazo.