La incorporación de la inteligencia artificial al trabajo académico ha reabierto un debate antiguo con vocabulario nuevo: qué significa que un trabajo sea propio. La pregunta no es trivial ni retórica, porque de la respuesta dependen decisiones concretas que afectan a calificaciones, titulaciones y carreras.
Este artículo propone un marco de razonamiento ético que no depende de la normativa concreta de una institución ni de las capacidades de una herramienta determinada. Su objetivo es que puedas decidir con criterio ante situaciones que ninguna norma haya previsto todavía.
Qué protege realmente la integridad académica
Suele presentarse la integridad académica como un conjunto de prohibiciones. Es una visión pobre. La integridad protege tres cosas concretas:
- La fiabilidad del conocimiento. La ciencia avanza porque cada trabajo puede apoyarse en los anteriores. Un dato falseado o una referencia inventada contaminan esa cadena y perjudican a quienes construyan sobre ella.
- El valor de la acreditación. Un título certifica capacidades. Si puede obtenerse sin poseerlas, la certificación pierde sentido para todos los que la tienen, incluidos quienes sí la merecieron.
- La equidad entre pares. Quien obtiene ventaja mediante procedimientos no permitidos la obtiene a costa de quienes cumplen.
Comprender estos tres bienes permite evaluar cualquier uso nuevo de la tecnología preguntando simplemente: ¿lo daña, lo respeta o le resulta indiferente?
El criterio del proceso frente al criterio del producto
Buena parte de la confusión actual proviene de evaluar el uso de IA mirando solo el texto final. Es más productivo mirar el proceso.
Un trabajo académico no vale por las palabras que contiene, sino por las operaciones intelectuales que acredita: comprender un campo, formular un problema, valorar evidencia, razonar y concluir. La pregunta ética relevante no es "¿escribí yo estas palabras?", sino "¿realicé yo las operaciones que este trabajo pretende acreditar?".
Este criterio resuelve casos que de otro modo parecen ambiguos. Que un asistente corrija tu gramática no compromete ninguna operación que la tesis certifique. Que un asistente elabore tu interpretación de los resultados sustituye precisamente la capacidad que se pretende evaluar. La diferencia no está en la cantidad de texto afectado, sino en qué función cumple ese texto.
Un espectro de usos, de menor a mayor riesgo
En lugar de una lista de permitidos y prohibidos, resulta más útil pensar en grados.
Usos de bajo riesgo
- Corrección ortográfica y gramatical.
- Mejora de la claridad sin alterar el contenido.
- Traducción de textos que tú comprendes.
- Explicación de conceptos que después estudias en fuentes académicas.
- Organización de ideas que ya son tuyas.
- Formateo de referencias que has verificado.
Suelen considerarse equivalentes a herramientas de apoyo tradicionales y rara vez plantean problemas, aunque conviene declararlos si la institución lo exige.
Usos de riesgo intermedio
- Generación de ideas y enfoques que después desarrollas.
- Resúmenes de literatura que verificas en las fuentes originales.
- Codificación preliminar que revisas y refinas.
- Análisis estadístico cuya lógica comprendes y puedes explicar.
- Crítica de tus propios borradores.
Son legítimos si se declaran y si mantienes el control intelectual. La condición decisiva: debes poder explicar y defender cada elemento resultante.
Usos de alto riesgo o inaceptables
- Presentar texto generado como propio sin declararlo.
- Incluir referencias que no has verificado en la fuente original.
- Delegar la interpretación de resultados o las conclusiones.
- Generar datos, resultados o citas que no proceden de tu investigación.
- Entregar trabajo que no comprendes ni podrías defender.
- Procesar datos de participantes sin anonimización ni consentimiento adecuados.
Los tres últimos son especialmente graves: constituyen fabricación de evidencia, engaño sobre la propia capacidad y vulneración de compromisos con terceros.
El plagio en el contexto de la IA
Conviene aclarar una confusión extendida. Se argumenta a veces que reproducir texto generado no es plagio porque no hay un autor humano perjudicado. El razonamiento falla porque el plagio no se define únicamente por el daño al autor original, sino por la tergiversación de la autoría: presentar como propio un producto que no lo es.
Existe además una dimensión indirecta: los modelos generan a partir de obras existentes, de modo que el texto producido puede reflejar formulaciones ajenas sin atribución. La ausencia de un autor identificable no convierte el material en propio.
La declaración de uso: por qué conviene incluso cuando no se exige
Muchas instituciones requieren una declaración explícita del uso de IA. Más allá de la obligación, declarar tiene ventajas para quien declara:
- Protege frente a sospechas. Un uso declarado de antemano difícilmente puede presentarse después como ocultación.
- Delimita el alcance. Especificar que la asistencia se limitó al estilo deja claro que el análisis es propio.
- Contribuye a normalizar la transparencia en la comunidad académica.
Una declaración adecuada responde a tres preguntas: qué herramientas, para qué tareas y qué permaneció enteramente en manos del autor.
Responsabilidades específicas de la investigación con personas
Cuando se trabaja con participantes humanos, las obligaciones se intensifican.
- Anonimización previa a cualquier procesamiento en plataformas externas, eliminando identificadores directos e indirectos.
- Consentimiento que contemple el tratamiento previsto. Un consentimiento firmado para un análisis manual no autoriza automáticamente el procesamiento en servicios de terceros.
- Revisión de la política de datos del servicio utilizado: qué almacena, cuánto tiempo y con qué fines.
- Consulta al comité de ética ante poblaciones vulnerables o temas sensibles.
La responsabilidad no se transfiere
Un principio que ordena todos los demás: quien firma responde. Si un asistente introduce un dato falso, una referencia inexistente o una afirmación no sustentada, la responsabilidad es de quien lo incorporó y lo publicó, no de la herramienta.
Esta asimetría es deliberada y razonable: la máquina no puede asumir consecuencias. Por eso, además, ninguna norma de estilo admite a un sistema de IA como autor.
Cuatro preguntas para decidir en casos dudosos
Ante una situación que la normativa no contempla, este pequeño examen suele bastar:
- ¿Podría explicarlo y defenderlo? Si no comprendes lo que entregas, has delegado demasiado.
- ¿Lo declararía sin incomodidad? Si preferirías que no se supiera, la respuesta ya es reveladora.
- ¿Sustituye la capacidad que se evalúa? Si el trabajo existe para acreditar algo que no hiciste, el problema es sustantivo.
- ¿He verificado lo verificable? Cada dato y cada referencia comprobados en su fuente.
Una nota sobre las normas cambiantes
Las políticas institucionales sobre IA varían enormemente entre países, universidades, programas e incluso docentes, y se revisan con frecuencia. Ante esa variabilidad, la recomendación práctica es constante: consulta la normativa vigente que te aplica antes de entregar cualquier trabajo, y ante la duda, pregunta a tu asesor. La consulta previa siempre resulta menos costosa que la explicación posterior.
Conclusión
La ética en el uso de la inteligencia artificial no consiste en evitarla, sino en emplearla de un modo compatible con lo que la actividad académica busca proteger: conocimiento fiable, acreditaciones significativas y condiciones equitativas.
Los principios que lo hacen posible no son nuevos. Transparencia sobre los métodos empleados, verificación de lo que se afirma, responsabilidad sobre lo que se firma y respeto a quienes participan en la investigación son exigencias tan antiguas como la ciencia moderna. La tecnología cambia las herramientas, no los principios. Quien los tenga claros sabrá qué hacer también con las herramientas que aún no existen.
Consulta siempre la política vigente de tu institución antes de entregar un trabajo.
No hay comentarios