Hace unos días estuvimos en una charla sumamente enriquecedora con Miguel Morales Chan, director en la Universidad Galileo, donde abordamos un tema fundamental que transforma la academia actual: la aplicación de la inteligencia artificial dentro de la investigación científica.
Quiero compartirles los puntos más relevantes de nuestra plática, desglosando detalladamente cada etapa del proceso investigativo, las herramientas recomendadas y los desafíos éticos que enfrentamos los educadores en la actualidad.
El panorama actual: Un crecimiento imparable
Para entender la magnitud de esta revolución tecnológica, Miguel Morales Chan compartió datos importantes. Según un estudio reciente de la prestigiosa editorial Elsevier, encuestando a más de 3,000 investigadores entre agosto y septiembre del año pasado, se detectó un aumento enorme en la adopción de herramientas de inteligencia artificial. Durante el año 2024, el porcentaje de uso alcanzaba un 37%, y para el año 2025 la cifra subió drásticamente a un 58%. Esto indica claramente una integración acelerada de estas plataformas en las rutinas académicas diarias de profesores y estudiantes.
Otra publicación de la revista Nature, de febrero de 2025, confirmó que los académicos aplican estas innovaciones principalmente para traducir documentos, generar lluvia de ideas, revisar volúmenes inmensos de información y analizar bases de datos. Observamos un cambio metodológico profundo en la forma de hacer ciencia. En el pasado, ejecutábamos búsquedas lineales leyendo documentos individualmente para crear fichas bibliográficas manuales. Hoy logramos realizar búsquedas semánticas para visualizar mapas de relación entre estudios e identificar vacíos de conocimiento rápidamente, potenciando nuestras capacidades intelectuales.
Revolucionando las etapas de la investigación
Hay múltiples fases donde podemos aplicar estas soluciones tecnológicas. Durante el planteamiento de un problema científico, estas plataformas facilitan enormemente la generación de ideas. Miguel Morales Chan describió esta experiencia comparándola con tener la posibilidad de tomar un café con un experto del MIT disponible las 24 horas del día para validar variables, adaptando conceptos y definiendo enfoques de diseño.
Para la etapa de revisión de literatura, existen opciones que analizan directamente los documentos proporcionados por el investigador, asegurando respuestas fundamentadas en textos reales. Herramientas maravillosas como NotebookLM de Google, ChatPDF o Chatdoc permiten subir decenas de artículos y conversar con ellos para identificar metodologías, extraer conclusiones clave y sintetizar teorías. Plataformas avanzadas como SciSpace y Elicit van un paso más allá al integrar modelos agénticos; el usuario ingresa un tema y el sistema automáticamente identifica, resume y redacta esquemas teóricos guiados.
Para conectar referencias bibliográficas, Consensus, Research Rabbit, Litmaps y Semantic Scholar facilitan enormemente el trabajo. Miguel Morales Chan destacó su preferencia por Semantic Scholar sobre motores tradicionales porque brinda acceso rápido a artículos abiertos, válida identificadores DOI y genera síntesis inmediatas de los resúmenes. Consensus, particularmente, ayuda a combatir sesgos de confirmación al mostrar artículos que aprueban, rechazan o mantienen posturas neutrales frente a nuestras hipótesis de investigación, obligándonos a leer perspectivas contrarias a nuestras ideas iniciales.
Análisis de datos y redacción académica
El procesamiento estadístico representa otra área de gran impacto. Dejamos atrás programas anticuados para dar paso a plataformas dinámicas como Julius o Manus. Miguel Morales Chan destacó que Julius constituye una herramienta muy potente capaz de conectarse con lenguajes de programación y analizar archivos masivos. Los usuarios logran subir bases de datos completas y ejecutar preguntas directas sobre variables, correlaciones o medidas de estadística inferencial. Manus ofrece capacidades agénticas excelentes para inferir relaciones cuando no tenemos la certeza sobre cómo cruzar la información.
Para visualizar gráficas atractivas, recomendó el uso de Chart AI, facilitando análisis claros y visualizaciones inmediatas. De hecho, Miguel Morales Chan confesó pagar licencias personales de Claude, ChatGPT, Manus y Julius debido al inmenso valor que aportan a sus proyectos cuantitativos. Respecto a la redacción, programas como Quillbot funcionan como revisores de estilo, ayudando a pulir textos académicos y corregir errores gramaticales, siendo especialmente útiles para quienes escriben en idiomas extranjeros.
Desafíos éticos y responsabilidades
Abordamos también los enormes desafíos éticos que acompañan a estas innovaciones. Ciertos investigadores evitan declarar el uso de estas herramientas por temor al estigma académico. Sin embargo, la transparencia resulta fundamental y obligatoria. Actualmente, congresos y revistas científicas exigen detallar el proceso mediante formularios de declaración de autoría, llegando a solicitar capturas de pantalla de las instrucciones ingresadas a la máquina. Editoriales grandes como Elsevier, Wiley y Nature prohíben categóricamente colocar a la inteligencia artificial como autor del texto.
Miguel Morales Chan enfatizó que resulta inaceptable pedirle a una máquina redactar un artículo científico completo desde cero. Delegar la originalidad del estudio, el diseño metodológico o la interpretación final de los resultados representa una falta grave a la integridad académica. El investigador humano mantiene siempre la responsabilidad absoluta sobre el documento publicado.
Debemos vigilar cuidadosamente la privacidad de la información y los resultados del sistema. Subir datos sensibles de encuestas a plataformas abiertas vulnera la confidencialidad de los participantes. Por este motivo, varias editoriales prohíben que los revisores, utilicen estas plataformas para evaluar artículos inéditos. Sumado a esto, las máquinas pueden inventar referencias bibliográficas falsas, manipular imágenes y generar datos equivocados que, de publicarse, contaminarían todo el ecosistema científico. Por consiguiente, la validación rigurosa de fuentes resulta absolutamente indispensable.
El impacto en la educación y el aprendizaje
Desde nuestra perspectiva docente, compartimos una enorme preocupación sobre el impacto en el aprendizaje universitario. Aprender a investigar requiere esfuerzo, dedicación y paciencia. Cuando los estudiantes obtienen respuestas automáticas inmediatas, disminuye el esfuerzo mental necesario para asimilar verdaderamente el conocimiento. Equivocarse forma parte esencial del proceso formativo. Al eliminar ese margen de error mediante automatizaciones, fomentamos una falsa sensación de dominio del tema.
Debemos guiar a nuestros alumnos hacia un uso responsable, exigiendo siempre bases metodológicas sólidas para evitar que utilicen estas plataformas a ciegas. Resulta vital crear comités éticos en las universidades para establecer criterios claros que protejan el desarrollo intelectual de los futuros profesionales.
Resulta fundamental identificar en qué etapas precisas del trabajo científico aplicaremos estas tecnologías para potenciar nuestras capacidades humanas. Hay que mantener siempre el control del proceso, garantizando la calidad de los datos analizados. La tecnología amplía nuestras perspectivas, siempre y cuando sepamos utilizarla adecuadamente.
Recursos exclusivos de la plática
Para terminar este artículo, quiero compartirte los recursos que Miguel Morales Chan nos brindó amablemente durante la sesión. Estos materiales te ayudarán a aplicar todo lo conversado de manera totalmente práctica:
- Manual de prompts: Una guía con 40 instrucciones efectivas para desarrollar procesos de investigación. Obtenla en este Link.
- Infografía: Visualiza las 25 mejores herramientas clasificadas por etapa de investigación aquí.
- Curso completo: Miguel Morales Chan nos invita a inscribirnos en su programa formativo especializado. Quienes mencionen venir de nuestra comunidad académica de Docentes Digitales podrán gestionar un beneficio especial al registrarse en el siguiente enlace.
Referencias
- Docentes Digitales | Delia Bernal. (2025). Uso de la IA en la investigación [Video]. YouTube. https://youtube.com/live/X8TB9uw4Rjc
