La Guía Ética para Usar ChatGPT en la Escritura Académica

El dilema del investigador moderno

Desde la irrupción de ChatGPT a finales de 2022, el ecosistema de la investigación ha mutado irremediablemente. Estas herramientas prometen una eficiencia vertiginosa, pero plantean un dilema profundo: ¿cómo integrar la IA sin erosionar la integridad académica? Automatizar la escritura es tentador, pero el riesgo de "perder el alma" —nuestra capacidad de juicio crítico y validación— es inminente. Como académicos, el reto no es ignorar el avance, sino navegarlo sin que la automatización atrofie el pensamiento humano que da sentido a la ciencia.

La IA no es una base de datos, es una "máquina de probabilidad"

La verdadera grieta en la armadura de la inteligencia artificial surge cuando la confundimos con un buscador de verdades. ChatGPT y otros modelos de lenguaje extenso (LLM) son, en esencia, arquitecturas estadísticas que operan mediante el mapeo de "tokens". No verifican hechos; simplemente calculan la probabilidad de que una palabra siga a otra.

Esta naturaleza probabilística explica las "alucinaciones": el modelo genera respuestas coherentes pero falsas porque prioriza la estructura sintáctica sobre la veracidad. Al no procesar significados reales, sino asociaciones de tokens pre-aprendidas, la IA puede sonar extremadamente convincente mientras miente.

"El modelo está generando cadenas de texto sintácticamente apropiadas basadas en asociaciones estadísticas... El modelo no utiliza explícitamente el significado, sino que genera texto basado en asociaciones ya presentes en los datos de entrenamiento".

El impactante 7% de precisión en referencias

La fiabilidad de los LLM en la gestión bibliográfica es, hoy por hoy, insostenible para el rigor científico. Según el estudio de Bhattacharyya (citado por Cheng et al., 2025), el uso de ChatGPT para generar referencias médicas reveló datos alarmantes:

• 7% de precisión: Solo este ínfimo porcentaje de las referencias fueron auténticas y precisas.
• 93% de error en identificadores: La inmensa mayoría de las citas inexactas presentaban errores en el PMID.
• 38% de fallos en DOI: Casi cuatro de cada diez referencias tenían un DOI incorrecto o directamente fabricado.
• Errores en metadatos: El 48% de los títulos y el 52% de los autores eran erróneos.
• Artículos fantasma: Hasta un 16% de las fuentes citadas simplemente no existían.

Esta falta de rigor alimenta el efecto de "doble plagiario": una bola de nieve donde los investigadores citan, sin saberlo, textos generados por IA que ya contienen errores o contenido plagiado, degradando la base del conocimiento global.

Los tres niveles de la ética (Tiers of Ethical Use)

Para transitar este terreno, debemos adoptar una jerarquía de uso basada en la responsabilidad intelectual:

1. Nivel 1 (Éticamente aceptable): Gramática, legibilidad y traducción. Es lícito usar la IA para pulir la forma: corregir sintaxis o traducir borradores. La condición es que el autor verifique que los cambios respetan su voz original.
2. Nivel 2 (Éticamente contingente): Esquemas, resúmenes y lluvia de ideas. Su uso es válido bajo una condición ética innegociable: la IA debe trabajar exclusivamente sobre insumos (borradores o ideas) ya creados por el autor humano. Se puede usar para estructurar una idea propia, pero nunca para que la máquina proponga la tesis central.
3. Nivel 3 (Éticamente sospechoso): Escritura de novo, interpretación de datos y revisión de literatura. No se recomienda delegar la escritura desde cero ni el análisis de resultados. Además, es peligroso usar la IA para "verificar plagio", ya que el modelo podría reproducir fragmentos de su base de entrenamiento, introduciendo involuntariamente el plagio que se pretendía evitar.

La IA puede asistir, pero nunca "firmar"

La autoría académica no es solo un crédito, es una rendición de cuentas. La IA carece de responsabilidad legal y ética; no puede avalar la veracidad de un hallazgo ni responder ante una investigación por fraude. Por ello, comités como COPE y el ICMJE son tajantes: la IA no es un autor.

En términos de transparencia, la recomendación experta es declarar el uso de estas herramientas en la sección de "Métodos". A diferencia de los agradecimientos —que suelen quedar relegados al final y se ignoran fácilmente—, incluirlos en la metodología garantiza que el lector comprenda exactamente cómo se procesó la información y qué porcentaje del trabajo fue asistido tecnológicamente.

El "Checklist" de Oro

Antes de publicar, someta su manuscrito a este filtro de integridad:

• [ ] Contribución intelectual: ¿He garantizado que las ideas principales, interpretaciones y análisis críticos sigan siendo de mi autoría?
• [ ] Competencia académica: ¿El uso de la IA ha permitido que yo, como investigador, mantenga y desarrolle mis habilidades fundamentales de escritura y razonamiento?
• [ ] Precisión del contenido: ¿He verificado manualmente que cada dato, hecho y referencia sea exacto, confiable y libre de los sesgos del modelo?
• [ ] Transparencia: ¿He revelado de forma prístina cómo y en qué partes del manuscrito se utilizaron herramientas de IA generativa?

El futuro del pensamiento humano frente a la automatización

La inteligencia artificial es una evolución natural de las herramientas de investigación, similar a la llegada de los paquetes estadísticos. Sin embargo, su uso indiscriminado amenaza con atrofiar la profundidad analítica que define a un académico. El ahorro de tiempo es una ganancia ilusoria si el precio es nuestra capacidad de razonar.

Si delegamos el proceso de pensar a una máquina para ganar tiempo, ¿qué tipo de conocimiento estaremos construyendo para las futuras generaciones?

Fuente: https://link.springer.com/article/10.1186/s41077-025-00350-6