La escritura como parte de la investigación
La escritura científica hace posible que una comunidad examine cómo se produjo una afirmación y por qué debería aceptarla, discutirla o rechazarla. Presentar con elegancia unos resultados obtenidos de antemano es solo una parte de esa tarea. Al redactar, los investigadores descubren ambigüedades en sus conceptos, incompatibilidades entre sus análisis y vacíos en la documentación. Para localizar y expresar esos problemas una herramienta de inteligencia artificial puede ser de ayuda, aunque también puede ocultarlos bajo una exposición demasiado uniforme. Su utilidad depende de que se conserve la conexión entre lenguaje, procedimiento y evidencia.
La asistencia a la comunicación y la asistencia a la investigación tienen alcances distintos. Corregir una concordancia, reorganizar un párrafo y proponer una prueba estadística son intervenciones de naturaleza diferente. Nada impide que una misma herramienta intervenga en las tres, pero cada intervención requiere una evaluación propia. Cuando una sugerencia modifica el análisis deja de ser una mejora verbal. El manuscrito ha de reflejar lo que se hizo y el equipo necesita comprender las decisiones metodológicas antes de incorporarlas al trabajo publicado. A ello se suma la diversidad de géneros que reúne la expresión «escritura científica». Un artículo experimental, una descripción de corpus, una revisión sistemática, un análisis filológico y una propuesta teórica organizan sus razones de manera distinta. Una plantilla apropiada para describir un ensayo experimental puede resultar inadecuada para una etnografía lingüística. La asistencia ha de adaptarse a esas diferencias y, sin oponer creatividad y estructura, buscar una forma de exposición que permita evaluar las operaciones intelectuales propias de la investigación presentada.
Esta lectura examina el uso de la IA a lo largo de la elaboración del manuscrito con un criterio central, la fidelidad entre lo que el texto dice y lo que materiales, métodos y resultados respaldan. La rapidez y la corrección idiomática son ventajas posibles, aunque insuficientes para determinar la calidad científica. Esa calidad se alcanza cuando un documento hace visible una contribución con sus límites y da a otros investigadores lo necesario para discutirla, contrastarla o continuarla.
Definir la contribución antes de ampliar el texto
Una dificultad frecuente al redactar es confundir el tema general con la contribución específica. «Lenguaje y tecnología» identifica un campo sin decir qué pregunta resuelve un estudio. Si se pide a un asistente una introducción sobre ese campo, puede obtenerse un texto extenso que deje sin aclarar el aporte del manuscrito. Antes de pedirle que amplíe nada, conviene que el equipo formule qué problema aborda, qué materiales analiza y qué cambia gracias a su estudio. Esa formulación indica después qué antecedentes, ejemplos y discusiones corresponden al trabajo.
Hay contribuciones descriptivas, explicativas, metodológicas y conceptuales. En ocasiones el aporte es un corpus nuevo que permite observar fenómenos antes inaccesibles; en otros casos está en una distinción teórica que deshace una confusión o en una réplica que acota la generalidad de un resultado. No todas las investigaciones necesitan anunciar una transformación radical. Si la asistencia eleva de forma sistemática la importancia declarada del trabajo, puede abrirse una distancia entre lo que el texto promete y lo que el estudio realiza. Una contribución formulada con precisión impide que la introducción atribuya al estudio tareas que sus datos o sus argumentos no cumplen.
De la relevancia de un problema no se deduce que nadie lo haya investigado. Las fórmulas «por primera vez» o «ningún estudio previo» piden una búsqueda especialmente cuidadosa y delimitada. Un asistente quizá las sugiera porque encajan en el género, aunque cada una aumenta la carga de justificación. Suele ser más exacto señalar qué aspecto concreto sigue insuficientemente caracterizado en la literatura que los autores revisaron.
Para el esquema inicial son más útiles las preguntas funcionales (qué necesita comprender el lector, qué ha de poder comprobar y qué consecuencias se siguen del resultado) que la petición de un número fijo de apartados sin relación con el problema. Sobre esa base, la IA puede proponer arquitecturas alternativas y detectar repeticiones, mientras el equipo decide cuál se ajusta mejor a su investigación. El manuscrito gana coherencia cuando cada sección, además de sumar extensión, cumple una función reconocible en la defensa de la contribución.
Búsqueda bibliográfica y límites de cobertura
La búsqueda bibliográfica asistida puede facilitar la identificación de términos, autores afines y líneas de debate. Una respuesta conversacional, sin embargo, no es todavía una búsqueda reproducible. Para saber qué literatura se encontró hacen falta datos sobre las fuentes consultadas, las consultas realizadas y los criterios de selección. En una exploración inicial pueden bastar unas notas de trabajo; una síntesis que aspira a la exhaustividad necesita una documentación mucho más rigurosa. El tipo de afirmación que se hace sobre la cobertura determina la exigencia metodológica. Esa cobertura varía además con las bases de datos, que difieren en idiomas, disciplinas, periodos y tipos de documento. Una consulta sin resultados puede deberse a un límite de indexación o a una formulación inadecuada; el fenómeno buscado puede existir de todos modos. La IA puede ayudar a generar sinónimos y traducciones, si bien también puede privilegiar el vocabulario dominante. Ocurre en lingüística que dos tradiciones estudien un mismo problema bajo etiquetas diferentes. Hay que explorar esas variaciones para que una decisión terminológica no deje fuera, sin que nadie lo advierta, conocimiento relevante.
La selección de artículos obliga a distinguir la pertinencia temática de la pertinencia probatoria. Hay textos que mencionan una cuestión sin estudiarla directamente y otros que aportan un método transferible aunque traten un objeto diferente. Clasificar estas funciones ayuda a construir una revisión que argumenta con la literatura que reúne. La asistencia es útil cuando extrae información a partir de preguntas explícitas y señala las incertidumbres. Aun así, corresponde al equipo comprobar en la fuente los documentos que sostienen los pasos centrales del manuscrito e interpretarlos dentro de los límites que cada uno admite.
Para las revisiones sistemáticas, PRISMA 2020 es una guía de reporte que hace transparentes la identificación, la selección y la síntesis (Page et al., 2021). Seguirla no vuelve rigurosa una búsqueda ni reemplaza el diseño metodológico. En una revisión asistida por IA, el informe ha de explicar también qué tareas se automatizaron y cómo se verificaron, información que una lista de referencias generada a petición deja sin documentar.
Existencia y respaldo de las referencias
Las referencias bibliográficas tienen una apariencia muy estructurada, con autores, año, título, revista y localización. Esa regularidad puede hacer convincente una referencia incorrecta. Walters y Wilder (2023) examinaron con qué frecuencia las versiones de ChatGPT que estudiaron producían citas bibliográficas inventadas o erróneas. Del problema de fiabilidad que documentan se desprende una consecuencia práctica, la de separar la generación de una propuesta bibliográfica de su aceptación como referencia comprobada. La primera comprobación identifica el documento, es decir, verifica que título, autores, fecha y localización coincidan. Luego se revisa la versión utilizada, ya que un preprint puede diferir de la publicación final y una corrección posterior puede modificar un resultado relevante. Un identificador persistente conduce al trabajo, pero el resumen con que se cuenta puede proceder de una versión todavía sin corregir. Para cada afirmación debe quedar registrada la versión consultada, sobre todo cuando una diferencia entre versiones afecta al argumento central.
La segunda comprobación examina el respaldo. Hay referencias que apoyan una parte de la oración y no otra. Supongamos que el texto afirma que un procedimiento es rápido, preciso y equitativo y que el estudio citado solo midió la velocidad. Acumular más citas al final del párrafo no resuelve ese desajuste. Hace falta separar las afirmaciones y asociar a cada una su apoyo. En esa misma lectura hay que distinguir entre un resultado observado, una recomendación del autor y una interpretación propuesta en la discusión.
Los gestores bibliográficos y las herramientas de análisis de citas pueden reducir el trabajo mecánico, pero sus resultados han de leerse críticamente. Clasificar las citas como favorables o contrastantes es apenas un punto de partida para entender la relación entre los estudios, porque puede haber diferencias de población, de medida o de pregunta que expliquen resultados en apariencia incompatibles. Con ayuda de la IA puede construirse una matriz comparativa de esas diferencias, aunque decidir qué comparaciones son legítimas corresponde al juicio científico. Cuando una cita se añade solo como señal de autoridad, el lector pierde la posibilidad de verificar qué relación hay entre los trabajos citados.
Métodos ejecutados, anotación asistida y reproducibilidad
La sección de métodos debe describir el procedimiento realizado con la precisión suficiente para evaluarlo. Al redactarla, un asistente puede añadir prácticas habituales que no formaron parte del estudio, como la asignación aleatoria, la evaluación ciega o un procedimiento de consenso, solo porque resultan plausibles en el género. Esas adiciones cambian el estatuto de la investigación. El equipo ha de redactar a partir de sus registros y tratar como pregunta pendiente cualquier detalle no documentado, aunque el género invite a completarlo con lo verosímil.
En las investigaciones de corpus, el lector necesita saber de dónde proceden los materiales, cómo se seleccionaron y qué transformaciones recibieron. La limpieza, la segmentación y la anotación pueden modificar el fenómeno observable. Si un modelo corrige automáticamente una transcripción, es posible que borre vacilaciones, alternancias o formas no normativas que son precisamente el objeto del análisis. Separar el material original de sus representaciones derivadas forma parte de esa descripción. Para documentar esas transformaciones puede usarse la asistencia, siempre que no las vuelva invisibles bajo la etiqueta genérica de «preparación de datos».
Cuando la IA anota, clasifica o extrae información, hay que describir la tarea, la configuración empleada, las entradas que recibió el sistema y las salidas que produjo, junto con los criterios para evaluarlas, aceptarlas o corregirlas. El nombre comercial del sistema no informa de nada de esto. Un modelo cuyas clasificaciones son la variable principal del estudio necesita, por el papel que cumple en la inferencia, más documentación técnica que uno usado solo para pulir la redacción.
Cuando las herramientas cambian o impiden fijar todas sus condiciones de uso, la reproducibilidad puede verse limitada. Esos límites han de explicarse sin confundirlos con una ausencia total de control. Conservar las entradas autorizadas, las salidas relevantes, las instrucciones y las fechas puede ayudar a reconstruir el análisis dentro de las restricciones de privacidad y acceso. Con esos registros, la escritura metodológica da la información necesaria para entender las decisiones, valorar sus consecuencias y saber qué partes del análisis pueden reconstruirse y cuáles permanecen inciertas, aun cuando una repetición exacta sea imposible.
Datos, cálculos y resultados
Los resultados se redactan a partir de lo que se obtuvo. Escribir antes la narración de lo que sería interesante encontrar invierte el orden del trabajo. Con datos correctos y un contexto suficiente, un asistente puede ayudar a explicar una tabla o a detectar inconsistencias entre apartados. Si se le pide completar un resultado ausente, en cambio, es capaz de producir una cifra plausible sin ningún origen empírico. En el manuscrito deben quedar separadas las observaciones, los ejemplos simulados y las propuestas de análisis que todavía no se han ejecutado.
Cada cálculo requiere una verificación con procedimientos apropiados para la tarea. Explicar verbalmente una operación es distinto de ejecutarla bien, del mismo modo que un código que corre sin errores puede responder a una especificación inadecuada. Conviene comprobar unidades, denominadores, tratamiento de valores ausentes y correspondencia entre variables. Revisar el código o generar tablas con ayuda de un asistente puede ahorrar trabajo, pero el equipo conserva la obligación de comprender qué estima cada resultado y de advertir cuándo una cifra con muchos decimales responde, con gran precisión aparente, a una pregunta equivocada. A esto se añade la coherencia interna entre tablas, figuras y texto, que han de describir las mismas observaciones. Cuando cambia el conjunto de casos, puede ocurrir que el resumen conserve cifras antiguas; otras veces, una etiqueta abreviada puede ocultar que se comparan medidas distintas. Según conecte la redacción con resultados controlados o reutilice información obsoleta, la automatización puede reducir estas inconsistencias o propagarlas. Antes de cerrar el manuscrito hay que fijar una versión identificada de los resultados y revisar todas las secciones que se apoyan en ella.
La interpretación estadística ha de respetar las distinciones que impone el diseño. Pasar de una asociación a una afirmación causal requiere un diseño que lo justifique, una diferencia no significativa no demuestra equivalencia y un promedio puede ocultar variación relevante. Son restricciones del razonamiento que la escritura no debe suavizar para obtener conclusiones más atractivas. Cuando la IA señala formulaciones excesivas, sus propias propuestas de corrección también necesitan evaluación. El objetivo es que el lector distinga lo que el estudio observó de lo que sus métodos autorizan a inferir y de lo que queda pendiente.
Discusión, explicación y alcance
La discusión conecta los resultados con el problema inicial y con otras investigaciones. Su tarea es explicar qué interpretación resulta razonable, qué alternativas compiten con ella y qué condiciones limitan su alcance. Una discusión que se limita a repetir las tablas con adjetivos elude ese trabajo. Las hipótesis explicativas que proponga un asistente siguen siendo hipótesis aunque aparezcan a continuación de los resultados. Marcar en el texto la diferencia entre observación, interpretación y propuesta de trabajo futuro hace posible que el lector evalúe cada nivel por separado. En esa misma sección, las limitaciones deben ser específicas. Decir que «se necesitan más estudios» no orienta a nadie si no se precisa qué incertidumbre tendría que resolver la investigación posterior. Una muestra restringida quizá limite la transferencia a otras poblaciones; una medida puede captar solo una dimensión del concepto y una tarea experimental puede simplificar las condiciones reales de uso. Relacionar cada limitación con las afirmaciones que modifica evita la exageración y también la autocrítica ritual que enumera problemas sin mostrar sus consecuencias para las conclusiones.
Tampoco hay que tomar una explicación posible por la única disponible. La mejora en una tarea lingüística tras una intervención podría deberse al entrenamiento, a la familiaridad con el formato o a los materiales. Enumerar esas alternativas está al alcance de un asistente. Al equipo le toca decidir cuáles son plausibles dentro del diseño y cuáles afectan materialmente a la interpretación. Una discusión rigurosa no necesita resolver todas las posibilidades, pero sí abstenerse de afirmar cualquiera de ellas cuando los datos no la distinguen de las demás.
El alcance teórico se establece articulando con cuidado niveles distintos. Un resultado sobre clasificación automática de enunciados no zanja una controversia sobre significado, intención o comprensión, aunque puede aportarle evidencia cuando se explica qué relación hay entre la tarea medida y el concepto discutido. Ese puente es el paso que habría que argumentar y el que se omite cuando se salta directamente desde una métrica a una conclusión filosófica amplia. Si los autores ya han construido el argumento que lo justifica, la IA puede ayudar a exponerlo con más claridad.
Asistencia lingüística y participación internacional
Escribir en una lengua adicional puede imponer costos que no reflejan la calidad de una investigación. En ese terreno la asistencia puede ayudar a expresar ideas, revisar la terminología y reducir errores que dificultan la lectura. Ese beneficio ha de valorarse sin equiparar el dominio de una variedad académica con la capacidad científica, ya que un mismo investigador produce en ocasiones conocimiento relevante y necesita al mismo tiempo un apoyo editorial considerable. La responsabilidad intelectual reside en las decisiones sobre el trabajo y en su defensa, que son compatibles con haber recibido ayuda para formularlo. Con todo, la revisión idiomática puede alterar relaciones conceptuales. Cambiar un verbo modal, sustituir un término técnico o reorganizar una subordinada basta a veces para ampliar el alcance de una afirmación. Por eso la corrección debe incluir una comparación de sentido, sobre todo en los pasajes que describen resultados o limitaciones. Una traducción inversa señala a veces algunas discrepancias, sin asegurar la equivalencia. Cuando una elección lingüística afecta a la interpretación científica, sigue siendo importante la lectura de alguien que conozca el contenido y las convenciones de la disciplina.
Liang y colaboradores (2023) evaluaron varios detectores con un conjunto delimitado de textos y documentaron sesgos contra las muestras de escritura de hablantes no nativos de inglés. Sus resultados aconsejan cautela al tratar una puntuación de detección como prueba del origen de un texto. En la evaluación editorial, la lección es evitar que un indicador estilístico ocupe el lugar de la investigación de los hechos y penalice sin justificación formas legítimas de participación académica.
Las herramientas, además, no benefician por igual a todas las lenguas y tradiciones. Una mejora de fluidez puede acercar el manuscrito a un registro dominante y borrar matices necesarios. Al revisar la versión corregida, el equipo debe decidir qué puede adaptarse para facilitar la comprensión y qué ha de conservarse como parte del objeto de estudio o del enfoque. La diversidad científica incluye la traducción de más textos a una lengua central y también la permanencia de preguntas, conceptos y materiales que podrían desaparecer si toda asistencia impusiera el mismo molde discursivo.
Un caso de artículo sobre pragmática
Consideremos un caso construido en el que un equipo estudia cómo dos grupos de estudiantes universitarios interpretan peticiones indirectas en dos tipos de situación. Dispone de las respuestas, de los tiempos de resolución y de comentarios abiertos. Al pedir ayuda para redactar los resultados recibe una explicación según la cual uno de los grupos posee mayor competencia pragmática general, cuando los datos corresponden a tareas y materiales delimitados. La primera corrección sustituye esa atribución amplia por una descripción de las diferencias observadas dentro del diseño utilizado. El asistente propone después que la diferencia se debe a la exposición cultural, una variable que no se midió. Esa idea puede conservarse como hipótesis, junto a otras alternativas, siempre que no se presente como mecanismo demostrado. La discusión se reorganiza entonces para distinguir el patrón observado, las interpretaciones compatibles con él y las preguntas pendientes. Las conclusiones quedan formuladas con menos rotundidad y el lector encuentra en ellas qué aporta el estudio y qué tendría que averiguar otra investigación.
Durante la preparación de una figura aparece otra dificultad. Las respuestas ausentes se habían agrupado con las incorrectas, una decisión que cambia el significado de la medida. La revisión obliga a volver al análisis y a describir por separado ambas categorías cuando la pregunta lo requiere. La herramienta había ayudado a producir una visualización clara de una codificación discutible. El caso muestra por qué la evaluación de un texto científico necesita poder remontarse a las decisiones analíticas que lo sostienen.
Por último, el equipo usa la asistencia para mejorar el resumen en otra lengua y vigila que esa versión conserve las restricciones sobre población, tarea y carácter exploratorio de algunas interpretaciones. Antes del envío verifica que las referencias citadas existen y que sus resultados están bien descritos. La declaración sobre el uso de la herramienta sigue los requisitos de la revista elegida. La IA ha contribuido a organizar y expresar un trabajo cuya calidad resulta de la relación entre estas operaciones y cuya defensa sigue vinculada a decisiones humanas verificables.
Figuras, tablas y materiales complementarios
Una figura científica debe mostrar con fidelidad datos o relaciones conceptuales. Sugerir tipos de gráfico, redactar leyendas o mejorar la accesibilidad son tareas en que la asistencia puede ayudar, con la condición de que no introduzca observaciones inexistentes. Una ilustración conceptual generada con IA tiene un estatuto distinto del de una imagen obtenida con un instrumento de investigación. El manuscrito ha de permitir al lector distinguir ambos casos. Una imagen sintética sigue sin ser evidencia empírica aunque resulte más clara o atractiva que el material original. Las leyendas especifican el significado de ejes, categorías, unidades y marcas de incertidumbre. Si un asistente redacta la leyenda a partir de la apariencia del gráfico, el texto resultante puede ser plausible e inferir mal el procedimiento que produjo el gráfico. La revisión ha de partir de la especificación analítica y usar la imagen como apoyo. Queda por verificar la accesibilidad, es decir, que la figura conserve la información relevante para lectores con distintas necesidades de acceso y que su significado no descanse solo en el color.
Los materiales complementarios dan cabida al detalle sin sobrecargar el argumento principal, aunque llevar a ellos información fundamental puede dificultar la evaluación. Las decisiones que condicionan la interpretación de los resultados pertenecen al texto principal. La asistencia puede ayudar a repartir entre ambos espacios instrucciones, ejemplos de anotación, análisis adicionales y documentación de herramientas. El criterio para hacerlo es que el estudio se entienda sin que una brevedad aparente oculte sus dependencias metodológicas.
Compartir datos y código plantea cuestiones de permisos, confidencialidad y posibilidades de reutilización. No todo material puede publicarse íntegramente; un corpus clínico o una entrevista identificable pueden requerir acceso controlado o documentación alternativa. La información sensible tampoco debe entregarse a un sistema de IA solo porque así resulte más fácil redactar un suplemento. Las decisiones de acceso forman parte del diseño de la investigación y de sus compromisos con los participantes. Con una comunicación transparente pueden explicarse las restricciones sin prometer una apertura incompatible con esos compromisos.
Autoría, contribuciones y declaraciones de uso
Las recomendaciones del ICMJE, en la versión consultada en octubre de 2026, piden declarar el uso de tecnologías de IA en la producción del trabajo y describirlo en las partes del manuscrito que correspondan. También excluyen que esas tecnologías figuren como autoras y vinculan la autoría con responsabilidades que una tecnología no puede asumir (ICMJE, 2026). Es un marco editorial específico, de especial relevancia para las revistas médicas y sin alcance universal. Cada equipo debe comprobar los requisitos vigentes en el destino concreto de su manuscrito.
Una declaración útil describe funciones. Según lo que se hizo, indica apoyo en la corrección lingüística, generación de alternativas de organización o asistencia en tareas analíticas, con la precisión necesaria para que editores y lectores entiendan el alcance de la intervención. Una frase genérica sobre «uso responsable» sirve de poco si no deja saber qué cambió; en el extremo opuesto, una lista interminable de detalles irrelevantes puede ocultar lo esencial. El nivel de documentación ha de corresponder al peso que tuvo la herramienta en el resultado científico.
La atribución de las contribuciones humanas también pide cuidado. El uso de IA no justifica omitir a quienes diseñaron el estudio, construyeron materiales, revisaron datos o desarrollaron el argumento. A la inversa, que alguien haya ejecutado una operación técnica aislada tampoco lo hace autor de manera automática; la decisión se toma con los criterios aplicables, discutidos dentro del marco editorial y disciplinar correspondiente. El propósito es describir con honestidad cómo se produjo el trabajo y quién está en condiciones de responder por cada uno de sus componentes, de modo que la herramienta no vuelva invisible una parte del esfuerzo colectivo. Antes de la aprobación final, los coautores han de revisar la versión enviada y conocer los cambios relevantes introducidos con ayuda de la herramienta, en especial los que afectan a resultados, fuentes o interpretación. Ni la declaración de uso ni la confianza en que otro habrá comprobado todo cubren esa responsabilidad compartida. Cuando se asignan tareas concretas de verificación y se confirma que se realizaron, cada firma corresponde a un examen y un acuerdo identificables.
Respuesta a los revisores
La respuesta a los revisores es otro momento en que la IA puede ayudar a ordenar observaciones y redactar explicaciones. El riesgo aparece cuando la herramienta afirma que se hizo un cambio que todavía no existe o cuando convierte una discrepancia metodológica en una fórmula diplomática vacía. Cada respuesta ha de corresponder a una acción comprobable, a una explicación o a una decisión razonada de no modificar el texto. La cortesía facilita el intercambio, aunque no reemplaza la claridad sobre qué se hizo y cómo afecta al argumento presentado.
Conviene tratar aparte los comentarios que reclaman nueva evidencia y los que piden una explicación mejor. Cuando la objeción afecta al diseño, no basta con ampliar una frase; para resolver una ambigüedad de redacción, en cambio, quizá no haga falta rehacer el análisis. Esa separación admite la ayuda de la herramienta y es el punto de partida desde el que el equipo examina las implicaciones científicas de cada observación. Los análisis adicionales se integran con su estatuto propio, sin presentarlos retrospectivamente como parte de un plan inicial que no los contenía.
Uso de IA en la evaluación de manuscritos ajenos
Cuando se usan herramientas durante la evaluación de manuscritos ajenos, la confidencialidad y las políticas de la revista son condiciones centrales. El acceso a un documento para revisarlo autoriza a leerlo y evaluarlo dentro de ese encargo. Enviarlo a un servicio externo requiere un permiso distinto. La cuestión se decide por los permisos concedidos y los compromisos editoriales, con independencia de lo que la IA sea capaz de hacer con el texto. Antes de usar una herramienta, el evaluador necesita conocer el marco aplicable. El mismo cuidado se extiende a los datos inéditos, a las identidades de los participantes y a los materiales sujetos a restricciones específicas.
Una revisión generada con asistencia sigue necesitando el juicio experto del evaluador. Las inconsistencias que la herramienta señala, las referencias que localiza y las preguntas que sugiere se comprueban una por una. Incluso un comentario detallado puede basarse en una lectura equivocada del método. Una buena revisión por pares distingue entre errores reales, preferencias de presentación y desacuerdos teóricos legítimos. Gracias a esa distinción el proceso mejora el trabajo sin imponerle cambios arbitrarios. Quien firma la evaluación responde por cada crítica que presenta, aunque haya usado la IA para formularla.
Evaluación de beneficios y costos
La utilidad de la IA en la escritura científica se evalúa sobre el proceso completo. El tiempo ahorrado en un borrador puede compensarse en parte con el que luego demandan la comprobación de referencias, la corrección del alcance o la revisión de los datos. También puede ocurrir que una ayuda modesta en la redacción libere atención para resolver un problema conceptual serio. Una comparación bien planteada mide varias dimensiones sin identificar productividad con volumen, ya que el número de manuscritos y la cantidad de conocimiento útil, fiable o accesible pueden crecer a ritmos distintos.
Cabe examinar la calidad con criterios separados, como la exactitud, la coherencia argumentativa, la transparencia metodológica, la legibilidad y la adecuación al género. En una evaluación global pueden quedar ocultas mejoras en una dimensión y pérdidas en otra.
Influye también quién evalúa y con qué información. Un especialista quizá detecte un error que pasa inadvertido a los lectores generales, mientras estos tal vez reconozcan dificultades de comprensión que el especialista ha normalizado. La evaluación de herramientas de escritura necesita reunir ambas perspectivas sin tratar ninguna como sustituto universal de la otra.
En el aprendizaje los efectos son de otro orden. Un investigador principiante mejora a veces la presentación de un artículo sin desarrollar una capacidad equivalente para diseñar estudios o interpretar resultados, aunque también puede aprender gracias a las explicaciones, a la comparación de versiones y a la discusión de objeciones. Que predomine uno u otro efecto depende de cómo se organice la práctica. Las instituciones pueden favorecer los usos que ayudan a comprender y revisar las decisiones, sin premiar únicamente la entrega de productos pulidos. La formación científica incluye aprender a reconocer lo que no se sabe y la manera de investigarlo.
A los costos individuales se suman los colectivos. Si la generación de textos se acelera mucho más que su evaluación, pueden crecer las cargas de revisión y la dificultad para localizar las contribuciones sustantivas. Esa posibilidad concierne al sistema en su conjunto y dice poco sobre la calidad de cada texto asistido en particular. Invita a revisar los incentivos, a valorar la claridad, la evidencia y la utilidad por encima de la producción indiscriminada y a crear condiciones institucionales en que sea viable comprobar lo que se publica y corregirlo cuando corresponda.
Correspondencia entre pregunta, método, resultado y conclusión
La aplicación más útil de la IA a la escritura científica consiste en facilitar que un trabajo pueda explicarse, revisarse y ponerse en relación con otros. La imitación de los rasgos superficiales del género aporta poco a esa tarea. Construir esquemas, aclarar formulaciones, comparar versiones y localizar información son ayudas legítimas mientras cada una de esas operaciones mantenga su vínculo con materiales y decisiones verificables. Cuando ese vínculo se rompe, el manuscrito puede adquirir apariencia científica y perder a la vez la capacidad de dar a sus lectores razones evaluables. Un criterio práctico para cerrar el manuscrito es comprobar la correspondencia entre pregunta, método, resultado y conclusión, de manera que el diseño sirva para abordar la pregunta, los resultados procedan del procedimiento descrito y la conclusión respete las condiciones de ambos. Las referencias, las figuras y las declaraciones de uso completan esa relación sin sustituirla. Esta revisión deja margen para el error, pero reduce las inconsistencias que una prosa fluida puede ocultar y facilita que los errores posteriores se localicen y corrijan sin desorganizar innecesariamente todo el registro del trabajo.
La escritura científica responsable conserva espacio para la incertidumbre. No necesita presentar cada resultado como definitivo ni cada limitación como una amenaza para la publicación. Hay estudios cuyo mérito está precisamente en delimitar una cuestión, corregir una expectativa o mostrar que una explicación requiere más condiciones. La asistencia debería ayudar a expresar ese mérito con precisión, de modo que el manuscrito convenza al mostrar mejor sus razones, sin que su seguridad verbal exceda lo que sus argumentos y evidencias sostienen.
En estas condiciones, la IA puede integrarse en una práctica científica que siga abierta a la discusión pública y a la corrección. Además de las capacidades de la herramienta, la calidad depende de cómo se organizan las decisiones y de quién puede responder por ellas. La lectura siguiente pasa a la escritura literaria, donde cambian los fines y los criterios de valoración y la fidelidad empírica deja de obligar del mismo modo, aunque la responsabilidad de elaborar y presentar un texto persista.
Referencias
International Committee of Medical Journal Editors [ICMJE]. (2026). Use of AI by Authors. En Recommendations for the Conduct, Reporting, Editing, and Publication of Scholarly Work in Medical Journals, actualización de enero de 2026. Consultado el 21 de octubre de 2026. https://www.icmje.org/recommendations/browse/artificial-intelligence/ai-use-by-authors.html
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., y Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., Whiting, P., y Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Walters, W. H., y Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-023-41032-5