1. Declaración de uso de IA en trabajos académicos
La declaración explícita del uso de IA en trabajos evaluativos se ha consolidado como una práctica central para preservar la transparencia y la integridad académica (Codina, 2025).
En contextos de alto rigor, como tesis doctorales y trabajos de fin de máster, detallar si se emplearon herramientas de IA generativa facilita la evaluación crítica y la replicabilidad del estudio.
No obstante, este enunciado debe ser específico y verificable, eludiendo ambigüedades que puedan inducir a errores.
Por ejemplo, una declaración genérica que indique únicamente “IA utilizada” resulta insuficiente; es imperativo precisar el tipo de intervención, su alcance y el momento de su aplicación para garantizar una revisión rigurosa (Universidad de Sevilla, 2026).
Cómo declarar el uso de IA en el texto y las citas
En el cuerpo del texto, la mención debe ser puntual y reflejar el grado exacto de intervención de la IA.
Se debe indicar si la herramienta participó en la generación de ideas, la revisión de estilo o la elaboración de borradores, especificando, si procede, el porcentaje estimado de contribución (Codina, 2025).
En el apartado de citas, se debe incluir la fuente de la IA cuando corresponda, mencionando la versión o el modelo utilizado para contenidos protegidos.
Esta información debe integrarse de forma coherente en la sección de metodología, preferiblemente en un párrafo que sintetice la intervención tecnológica y su impacto en los resultados (Universidad de Sevilla, 2026).
Qué datos deben registrarse para garantizar la trazabilidad
La trazabilidad exige documentar, como mínimo: el modelo utilizado, su versión, la fecha de uso, el tipo de tarea realizada (generación, parafraseo, edición), el contenido generado y el nivel de intervención humana posterior (Codina, 2025).
Adicionalmente, es recomendable incluir indicadores de calidad, como las tasas de coherencia y consistencia evaluadas por revisores humanos.
Estos datos permiten auditar las decisiones tomadas y detectar posibles sesgos o alucinaciones (Scientify Research, 2026).
El registro debe ser reproducible por terceros, manteniendo la confidencialidad cuando sea pertinente y cumpliendo con la normativa de protección de datos.
En la práctica, el diseño de plantillas de registro estandarizadas facilita la consistencia entre autores y disciplinas, reduciendo errores de documentación.
2. Veracidad y control de calidad: verificación y edición de contenidos generados por IA
La veracidad de los contenidos generados por IA demanda procesos explícitos de verificación y edición que sitúen al investigador humano en el centro de la cadena de valor (Codina, 2025).
Si bien la IA puede acelerar la estructuración y generación de ideas, sus productos deben someterse a controles estrictos que mitiguen errores, sesgos y alucinaciones, especialmente en trabajos evaluativos donde la precisión factual es determinante (Scientify Research, 2026).
En la práctica, un comité académico puede exigir la trazabilidad de cada afirmación hacia fuentes verificables o datos primarios de la investigación.
Detección de alucinaciones y sesgos
Las alucinaciones se manifiestan frecuentemente como afirmaciones carentes de respaldo empírico o citas inventadas.
Para contrarrestarlas, se recomienda contrastar cada afirmación crucial con fuentes primarias revisadas por pares (Codina, 2025).
Una estrategia metodológica concreta es mantener una “matriz de verificación” donde, para cada aseveración, se registre la fuente, el año, el tipo de evidencia y el nivel de confianza.
Asimismo, deben identificarse los sesgos inherentes a los datos de entrenamiento de la IA o a la selección de fuentes.
Se sugiere aplicar un doble filtrado: una revisión por pares humanos seguida de una verificación cruzada con bases de datos académicas de prestigio (Jenni AI, 2025).
Procedimientos de revisión y edición
Los procedimientos de revisión deben estructurarse en tres fases: verificación de datos, edición de estilo y validación de citas.
En la primera fase, se comprueba la consistencia numérica y la fiabilidad de las afirmaciones empíricas mediante tablas reproducibles.
En la edición de estilo, se corrigen incoherencias y se reintroduce la voz del autor, preservando la intención original del manuscrito (Codina, 2025).
En escenarios de uso mixto, es fundamental documentar las aportaciones de cada fuente y restringir a la IA únicamente a tareas de estructura o síntesis, dejando la revisión crítica en manos humanas.
Finalmente, la validación de citas asegura que cada referencia esté correctamente atribuida y ubicada en su marco metodológico correspondiente (Scientify Research, 2026).
3. Atribución y atribución responsable de IA
La atribución de contenidos generados por IA requiere absoluta claridad sobre la autoría y las responsabilidades subyacentes.
El uso de estas herramientas no exime a los autores humanos de rendir cuentas por la integridad del manuscrito; la responsabilidad última recae en quien supervisa, valida y decide incorporar las salidas de la IA (Jenni AI, 2025).
Este marco exige delimitar con precisión qué componentes del texto son resultado de la intervención algorítmica y cuáles han sido reformulados o verificados por los investigadores (Codina, 2025).
Asimismo, las limitaciones de la IA deben quedar explícitas.
Dado que las herramientas pueden presentar sesgos, es necesario establecer contrapesos mediante verificación independiente, citación adecuada y discusión de posibles falacias (Universidad de Sevilla, 2026).
En la práctica, esto implica describir en la metodología qué tareas fueron ejecutadas por la IA y cuáles fueron reinterpretadas por especialistas, favoreciendo así una atribución transparente.
- Determinar la responsabilidad de cada fragmento generado por IA dentro del texto final.
- Documentar el grado de intervención humana y el estado de revisión de cada sección clave.
- Reconocer explícitamente las limitaciones de la IA al informar resultados y argumentos.
4. Ética y derechos de autor en IA
La ética en el uso de la IA académica exige claridad sobre el momento y la forma en que intervienen las herramientas generativas, distinguiendo entre los aportes algorítmicos y la voz del autor (Jenni AI, 2025).
La declaración de uso debe ser específica y trazable, evidenciando qué partes del texto fueron modificadas por la IA y en qué magnitud (Universidad de Sevilla, 2026).
Citas y parafraseo de texto generado
Cuando la IA contribuye a la redacción o al parafraseo, estas acciones deben citarse adecuadamente para garantizar su verificabilidad.
El uso responsable implica transformar el material generado para evitar una replicación literal excesiva, adaptando las ideas al marco metodológico del trabajo (Codina, 2025).
Se recomienda declarar el uso de la IA en la sección de metodología, acompañando la declaración con ejemplos de las porciones afectadas y las fuentes primarias que respaldan dichas afirmaciones (Universidad de Sevilla, 2026).
Protección de derechos de autor y propiedad intelectual
La protección de la propiedad intelectual exige que las ideas originales del autor permanezcan identificables y que la IA no se erija como fuente primaria de contenidos sin una atribución visible (Jenni AI, 2025).
En trabajos de gran envergadura, como las tesis, se debe mantener la integridad argumentativa y evitar atribuir a la máquina ideas que no sean del dominio del autor.
Un enfoque práctico y preventivo consiste en conservar un registro (logs o capturas) de las interacciones con la IA, las versiones transformadas y las referencias bibliográficas originales, lo cual demuestra la trazabilidad ante eventuales disputas de autoría (Scientify Research, 2026).
5. Gestión de riesgos: privacidad y datos sensibles
La gestión de riesgos en el uso de la IA exige una aproximación proactiva a la protección de la información (Scientify Research, 2026).
Aunque estas herramientas optimizan el análisis y la redacción, se deben prever escenarios de exposición de datos y posibles brechas de confidencialidad.
El objetivo es preservar la integridad de los participantes y de las instituciones sin obstaculizar la productividad investigadora (Jenni AI, 2025).
Evitar datos personales en IA
Se recomienda encarecidamente evitar la introducción de datos personales o sensibles en interfaces de IA, en particular cuando la plataforma no garantiza el cumplimiento de normativas de protección de datos (Scientify Research, 2026).
Es crucial anonimizar la información antes de su procesamiento, utilizando, cuando sea posible, conjuntos de datos simulados o sin identificación.
Como guía práctica, se sugiere emplear una lista de verificación previa a la carga de datos que incluya: eliminación de identificadores directos, sustitución por seudónimos y revisión de metadatos.
Evaluación de riesgos y mitigación
La evaluación de riesgos debe contemplar tres componentes: probabilidad de ocurrencia, impacto potencial y controles existentes.
Un marco práctico incluye:
(1) un inventario de los datos ingresados y las salidas generadas;
(2) pruebas de integridad para detectar sesgos o manipulaciones inadvertidas; y
(3) auditorías periódicas de los procesos (Scientify Research, 2026).
Adicionalmente, es útil incorporar métricas concretas, como tiempos de respuesta ante incidentes o tasas de falsos positivos en la detección de sesgos.
En proyectos colaborativos, la conformación de un comité de seguridad de datos con protocolos de escalamiento resulta fundamental (Universidad de Sevilla, 2026).
6. Estrategias prácticas para el uso de IA en investigación académica
La integración de la IA en la investigación debe articularse mediante un flujo de trabajo claro que preserve la voz del investigador y minimice los sesgos (Codina, 2025).
Estudios recientes señalan que la “interacción crítica escalonada” optimiza la calidad de las interpretaciones al combinar las sugerencias algorítmicas con una revisión humana rigurosa.
Lluvia de ideas y estructuración
En la fase inicial, la IA puede proponer preguntas de investigación, variables y marcos teóricos, siempre bajo estricta supervisión.
Es crucial documentar las entradas (prompts) y las salidas utilizadas para permitir futuras verificaciones reconstructivas (Codina, 2025).
Posteriormente, esta lluvia de ideas debe convertirse en un esquema detallado que asegure que la hipótesis central permanezca atribuible al investigador, guardando versiones de cada iteración para demostrar la evolución del razonamiento (Jenni AI, 2025).
Redacción asistida vs. redacción autónoma
La redacción asistida implica que la IA genere borradores o párrafos bajo supervisión humana, valorando su capacidad para pulir la claridad y la precisión terminológica, mientras que las ediciones finales y el rigor conceptual recaen en el autor (Codina, 2025).
Por el contrario, la redacción autónoma delega componentes completos a la IA bajo límites explícitos; en este caso, es imprescindible declarar el grado de intervención y someter el texto a una revisión crítica exhaustiva para evitar alucinaciones y asegurar que las referencias citadas correspondan a fuentes primarias reales (Scientify Research, 2026).
7. Guía de cumplimiento y buenas prácticas en distintas disciplinas
La adecuación de las prácticas de IA varía según el marco disciplinar y las normativas institucionales (Universidad de Sevilla, 2026).
En áreas con altos estándares de transparencia metodológica, el flujo de trabajo debe adaptarse para que cada intervención de la IA quede inequívocamente documentada, facilitando la rendición de cuentas ante comités de evaluación (Codina, 2025).
Adaptación a normas institucionales
Las instituciones académicas suelen emitir directrices que especifican el porcentaje aceptable de intervención de la IA y los requisitos de declaración.
Es recomendable consultar los reglamentos de cada facultad y registrar la versión de las guías aplicadas en el manuscrito (Universidad de Sevilla, 2026).
Algunas escuelas exigen un apartado metodológico explícito que describa la procedencia de cada bloque generado por IA y las medidas de control implementadas para mantener la integridad analítica (Jenni AI, 2025).
Ejemplo práctico: Una tesis de economía que emplea modelos de IA para el preprocesamiento de datos debe detallar qué proporción del análisis fue automatizada, qué parámetros se ajustaron y cómo se verificó la robustez frente a supuestos alternativos.
En humanidades digitales, se podría declarar explícitamente qué fragmentos de análisis textual fueron asistidos por IA y qué verificación humana acompañó cada resultado (Codina, 2025).
Criterios de evaluación específicos
Los criterios de evaluación priorizan la originalidad del argumento, la claridad metodológica y la justificación de las decisiones técnicas. Por consiguiente, es útil incorporar matrices de cumplimiento que relacionen la intervención de la IA con los criterios de cada evaluación, comprobando que la voz del autor permanezca discernible (Universidad de Sevilla, 2026).
- Implementar un registro de versiones de los datos y de los modelos utilizados, con fechas y responsables.
- Incluir ejemplos de bloques de IA que fueron aceptados sin modificaciones y aquellos que requirieron intervención humana adicional.
- Definir claramente los límites de la intervención de IA ante posibles sesgos o errores de extrapolación, estableciendo planes de mitigación (Scientify Research, 2026)
Declaración de uso de IA
Partes de este artículo han sido redactadas con la asistencia de Le Chat Mistral para pulir el texto y proporcionar claridad terminológica; sin embargo, la edición posterior y la precisión conceptual son responsabilidad del autor.
Referencias
Codina, L. (2025). Uso ético y eficiente de la inteligencia artificial en trabajos académicos: Veritas e interacción crítica escalonada. BiD: Textos Universitaris de Biblioteconomia i Documentació, 55. https://doi.org/10.1344/bid2025.55.01
Jenni AI. (2025, 31 de octubre). ¿Es ético utilizar IA para la redacción académica? Consejos y pautas. https://jenni.ai/es/blog/ethical-ai-academic-writing
Scientify Research. (2026). Uso seguro de la IA en investigación y redacción académica. Scientify Research Blog. Recuperado el 1 de junio de 2026, de https://www.scientifyresearch.org/blog/etica-ia-investigacion-redaccion-academica/
Universidad de Sevilla. (2026). Inteligencia artificial para elaborar tu trabajo académico: Uso ético de la IA. Biblioteca de la Universidad de Sevilla. Recuperado el 1 de junio de 2026, de https://guiasbus.us.es/iatrabajo/etica
