Tesis, dirección y examen de grado: qué acordar sobre la IA en el posgrado

Una pregunta que aparece a mitad de una tesis

#

Una estudiante de maestría tiene ochenta artículos leídos y un capítulo de antecedentes que no acaba de ordenarse. Abre un modelo de lenguaje, escribe media instrucción y se detiene con una duda razonable: ¿esto puede hacerse?, ¿tiene que decirlo en algún lado?, ¿a quién le pregunta?

La respuesta sale de revisar qué le aplica: el reglamento de su programa, los lineamientos que su universidad haya emitido, el protocolo aprobado por un comité de ética si trabaja con personas, las normas de la revista donde piense publicar y lo que acuerde con su dirección de tesis. Esta guía reúne documentos ya publicados por escuelas de posgrado y por editoriales para que esa revisión no empiece de cero, y termina con un ejercicio para dejar escrita una decisión concreta. Describe decisiones que otras instituciones tomaron para sí mismas: no propone una regla para la Universidad de Guadalajara ni describe una vigente aquí.

Cuánta escritura asistida hay en la literatura, y qué no dice ese dato

#

Un estudio publicado en Science Advances comparó más de quince millones de resúmenes biomédicos indizados en PubMed entre 2010 y 2024 y rastreó palabras de estilo cuya frecuencia se disparó desde 2023: delves apareció veintiocho veces más de lo esperado. De ese exceso estimó que al menos el 13.5 % de los resúmenes de 2024 pasó por un modelo de lenguaje, con subconjuntos —según el país, la disciplina o la revista— que llegan al 40 % (Kobak et al., 2025). Un trabajo del mismo tipo estimó que entre el 6.5 % y el 16.9 % del texto de los dictámenes enviados a cuatro conferencias de inteligencia artificial pudo haber sido modificado sustancialmente por un modelo (Liang et al., 2024).

Conviene precisar qué clase de afirmación es ésa: son inferencias sobre una población de textos, hechas con rasgos agregados de vocabulario, y no permiten señalar un resumen concreto para decir quién o qué lo escribió. Dicen que la escritura asistida es frecuente en lo publicado. Lo que un programa deba permitir se decide con otras razones —proteger una capacidad que la titulación promete, cumplir un compromiso ante un comité de ética, atender las condiciones de una beca—, y una restricción situada puede estar bien fundada aunque la práctica sea frecuente fuera.

Revisa qué normas aplican y acuerda dentro de ellas

#

Antes que cualquier acuerdo entre dos personas está lo que ya obliga: el reglamento del posgrado, los lineamientos institucionales, el protocolo aprobado por un comité de ética, la legislación sobre datos personales y los derechos de terceros sobre materiales con licencia. Nada de eso se desplaza porque la dirección de tesis y quien la escribe acuerden otra cosa. Un acuerdo de supervisión ocupa el espacio que esas normas dejan abierto: qué apoyo se admite en este trabajo, en qué etapas, qué se anota y qué se declara.

Cuatro documentos publicados muestran cómo lo resolvieron algunas instituciones. Tienen entre sí naturaleza y fuerza distintas, y leerlos así es parte de usarlos bien.

La escuela de posgrado de la Universidad de Toronto establece, para la tesis doctoral, que el uso de IA generativa en la investigación o la redacción debe contar con la aprobación previa de la dirección y del comité, y recomienda documentarla por escrito; pide además que quien lea la tesis sepa qué herramientas se usaron y por qué, y que la persona doctoranda pueda describir y defender ese uso en el examen oral (University of Toronto, School of Graduate Studies, 2026). Esa aprobación previa rige en Toronto y sólo ahí.

El University College London lo instrumenta con un formulario: todo apoyo externo al equipo de supervisión —colegas, corrección de estilo, IA generativa— se lista en la declaración de la tesis, para que el jurado entienda cómo se produjo el texto que examina (UCL Doctoral School, 2025).

La Open University sitúa la declaración dentro de la supervisión misma. Considera aceptable ordenar ideas, revisar claridad o usar la herramienta como interlocutor crítico, y mala práctica subir datos personales o investigación no publicada a servicios gratuitos, encargar una revisión de literatura sin lectura propia y pedir referencias a un sistema que predice texto. Pide que cada declaración diga herramienta y versión, para qué y cuándo se usó, y que se conversó con el equipo, y que quede en las minutas, los informes de avance y la entrega final (The Open University, 2025).

En México hay un referente cercano cuyo estatus conviene nombrar: la Guía de uso de inteligencia artificial generativa en la evaluación educativa en Posgrado (UNAM, abril de 2026) es un documento de recomendaciones, no un reglamento que condicione la aprobación de una tesis. Sugiere preguntar al inicio de cada curso qué usos deben declararse, trabajar por partes pequeñas en vez de pedir que «mejore todo» un documento completo, y verificar la información en fuentes que se puedan abrir. Ante una duda, da prioridad a una réplica oral con la persona, sin señalamientos, «antes que recurrir a los detectores de uso de IAGen, ya que su eficacia es aún cuestionada» (UNAM, 2026).

Entre los cuatro se repiten elementos —acordar con quien supervisa, declarar con datos concretos, responder por el contenido, poder sostener el trabajo ante quien examina— y ninguno prohíbe la IA en bloque. El parecido tiene alcance corto: son cuatro textos de tres países y de naturaleza dispar, lejos de un estándar común o de un censo. Habrá programas con reglas más restrictivas, cualquiera de estos textos puede cambiar, y sirven como material para una conversación en un comité tutorial o una junta de academia.

Qué piden algunas normas editoriales, y por qué hay que leer la de tu revista

#

Estas normas importan porque quien escribe una tesis suele publicar después; importa igual su límite, porque cada revista fija las suyas y las revisa con frecuencia. Lo que sigue sirve para saber qué buscar, no para anticipar lo que pedirá la revista a la que envíes.

La tabla reúne tres ejemplos consultados en septiembre de 2026. Coinciden en dos cosas: un sistema de IA no puede figurar como autor, porque la autoría implica responder por la exactitud y la originalidad del trabajo, y quien firma responde por todo el material producido con estas herramientas y debe revisarlo.

En las imágenes, Elsevier admite ilustraciones explicativas declarando herramienta, versión y uso en cada pie, además de la declaración general. Las visualizaciones deben derivarse fielmente de los datos mediante métodos reproducibles. Prohíbe crear o alterar imágenes de datos primarios no obtenidos en la investigación; contempla IA dentro del método si se documenta de forma reproducible. Para dictaminar, impide subir el manuscrito y limita los apoyos a herramientas que no reutilicen ni retengan las entradas más allá del servicio. Comprueba qué admite tu revista: parafrasear no elimina la confidencialidad; si no puedes separar esa información, trabaja sin IA.

Eso cabe en una pregunta para llevar a una reunión de tesis: de lo que hiciste esta semana con una herramienta, ¿qué habría que declarar si esto fuera un artículo?

Lo que aporta una conversación de supervisión

#

Una revisión de alcance publicada en 2026 mapeó la literatura sobre supervisión de posgrado e IA generativa aparecida entre 2018 y mayo de 2025 (Gumede y Gumede, 2026). Dentro de ella, un estudio comparó devoluciones reales de personas supervisoras con devoluciones simuladas de un chatbot sobre trabajos auténticos de doctorado: los encuentros con quien supervisa son secuenciales y situados, y remiten con frecuencia a conversaciones anteriores, mientras que la interacción con el chatbot es atemporal y sólo se refiere a lo que se acaba de escribir. El chatbot deja más iniciativa en manos de quien escribe y puede ser un apoyo real; sus autores concluyen que no reemplaza la supervisión (Jensen, Bearman, Boud y Konradsen, 2025).

El contraste describe un estudio, no todas las supervisiones. En los encuentros analizados, el chatbot respondió al material que se le proporcionaba, mientras que quien supervisaba podía recuperar conversaciones anteriores. Algunas herramientas permiten conservar contexto o consultar archivos; eso no garantiza que dispongan de los acuerdos del comité ni que los interpreten correctamente. De ahí un uso que aprovecha ambas cosas: llevar a la reunión una objeción ya contrastada permite discutir la decisión provisional con quien conoce el proyecto.

Qué puede hacer visible una conversación sobre el trabajo

#

Cuando la fluidez de un texto dice menos sobre quién lo escribió, algunas propuestas buscan otras maneras de hacer visible el trabajo intelectual. Storey (2026), en una revista de desarrollo del aprendizaje, propone que los comités traten la defensa oral como un punto de comprobación más que como un trámite de cierre, y que se forme a quienes examinan para conducirla así; es una propuesta dirigida a quien decida adoptarla. Kroop (2026) plantea rediseñar la tesis de maestría para conservar su adecuación epistémica en un contexto donde estos modelos están disponibles.

Traducido a preguntas, significa preguntar por decisiones antes que por definiciones. ¿Por qué descartaste el enfoque que aparece en tu marco y no aplicaste? Si el dato de la página 84 fuera erróneo, ¿qué parte de tu conclusión se cae? Piden reconstruir un recorrido y funcionan igual con quien no usó ninguna herramienta; cada comité decidirá si le sirven y en qué momento.

Usos que amplían la búsqueda, y cuidados sobre lo que se comparte

#

Leídos juntos, los documentos citados sitúan la frontera en lugares algo distintos. Elsevier admite apoyarse en estas herramientas para sintetizar literatura y ordenar contenido; la Open University considera mala práctica encargar la revisión de literatura y entregarla sin haber leído críticamente los artículos. Lo que ninguno traslada a la herramienta es comprobar lo sintetizado, interpretarlo y responder por lo que se firma.

Sobre las citas, la Open University advierte que estos sistemas son poco fiables como generadores de referencias. Conviene precisar el mecanismo: un modelo que genera una referencia sin contrastarla con un catálogo puede producir una cita inexistente. Algunas herramientas sí buscan fuentes; aun entonces conviene abrir el documento y comprobar autoría, contenido y pertinencia antes de citarlo.

El otro cuidado tiene que ver con qué se comparte, y ahí lo decisivo es la confidencialidad y la autorización, más que la propiedad. Hay material de terceros que puedes usar porque tiene licencia abierta o porque cuentas con permiso, y hay material propio que no puedes cargar porque un protocolo, un convenio o el consentimiento firmado lo impiden. Quitar los nombres tampoco resuelve la pregunta por sí solo: un cargo único, una localidad pequeña o una condición poco frecuente pueden reidentificar a alguien, y algunos consentimientos limitan la transferencia a terceros aunque el material esté anonimizado. Si tu proyecto pasó por un comité de ética, lo aprobado ahí manda. La guía de privacidad y datos trabaja cuatro salidas para cuando el material no puede compartirse.

Qué se ha medido sobre los detectores automáticos

#

Un estudio de la Universidad de Stanford, publicado en 2023, evaluó siete detectores entonces disponibles sobre textos escritos por personas: 91 ensayos del examen TOEFL, de personas cuya primera lengua no es el inglés, y 88 ensayos de estudiantes estadounidenses de octavo grado. Con los segundos acertaron casi siempre; con los primeros, la tasa media de falsos positivos fue del 61.22 %. En el mismo trabajo, pedir al modelo «elevar el texto con lenguaje literario» hizo caer la detección de ensayos efectivamente generados del 100 % al 13 % (Liang et al., 2023).

Es un estudio situado: unos detectores concretos, en un momento concreto, sobre un tipo de texto concreto. Sus porcentajes no son una tasa trasladable a otro corpus ni a las herramientas de hoy, y no describen lo que le ocurriría a una persona ni a una población entera. Lo que sí muestra es que el error puede distribuirse de manera desigual, recayendo sobre quien escribe con menor variedad léxica, y que una reescritura sencilla lo esquiva. Las dos cosas bastan para que una decisión académica no descanse en esa señal.

La Universidad de Waterloo desactivó en septiembre de 2025 la detección de IA de su plataforma de similitud y publicó sus razones: la investigación disponible muestra que estas herramientas son poco fiables, se ha documentado su sesgo contra estudiantes no nativos, y en sus propias pruebas la herramienta marcó como 100 % generado un texto escrito por personas; concluyó que los costos superaban los beneficios y orientó a su profesorado hacia el rediseño de las tareas (University of Waterloo, 2025). Es la decisión de una universidad, con sus datos y su contrato.

Un reportaje de ABC News documentó qué puede ocurrir cuando esa señal se trata como prueba: según el medio, una universidad australiana registró cerca de seis mil expedientes de presunta falta académica en 2024, la mayoría por uso alegado de IA, apoyándose con regularidad sólo en el reporte del detector, que descontinuó en marzo de 2025. La vicerrectoría citada reconoció que cerca de una cuarta parte se desestimó y que todo caso cuya única prueba era el detector se desestimó de inmediato (ABC News, 2025). Es un caso periodístico sobre una institución, y vale como advertencia acerca de tratar una señal automática como prueba. La guía de posgrado de la UNAM llega a una recomendación compatible: ante una duda, abrir un diálogo sobre el contenido del trabajo antes que recurrir a los detectores.

Ejercicio: delimita una decisión de investigación que puedas defender

#

Se trata de dejar escrita una decisión en cinco apartados breves, de una o dos frases cada uno, de modo que pueda explicarse ante una dirección o un comité. Puedes hacerlo dos veces: primero con el caso de Ana, que trae todo el material y se resuelve sin usar ninguna herramienta; después con una decisión tuya y una fuente real de tu campo. Si en esa segunda vuelta usas una IA, interviene en un solo punto: devuelve una objeción a partir de una descripción del diseño. Localizar la fuente, contrastarla y decidir siguen siendo tuyos.

El caso de Ana, para practicar

#

Ana cursa una maestría y trabaja con entrevistas sobre cómo las personas siguen un tratamiento en un centro de salud. El caso y el fragmento son ficticios, escritos para esta práctica: no describen un estudio real. Éste es el fragmento de la nota metodológica de su protocolo:

Las entrevistas recogen el relato de cada persona sobre su tratamiento. El diseño no incluye una medición independiente de la toma del medicamento, de modo que el material documenta lo que las personas dicen acerca de su tratamiento.

1. La decisión. Agrupar las entrevistas en tres categorías según la frecuencia con que cada persona dice tomar su medicamento, y usarlas como eje del capítulo de resultados.
2. Lo que no puede compartir. Las transcripciones, con nombres, colonia y diagnóstico; su protocolo tampoco permite transferirlas aunque se anonimicen. Trabaja con una descripción del diseño.
3. La objeción recibida. «¿Lo que las personas reportan puede diferir de lo que hacen? Si es así, ¿qué mide tu categoría?» Es una pregunta hipotética sobre el diseño; no afirma que aquí haya una diferencia ni de qué tamaño.
4. Lo que consultó. El fragmento de arriba, que está en su protocolo: confirma que su material documenta relatos, sin medición independiente.
5. Lo que hizo y hasta dónde llega. Conserva las tres categorías y las renombra «frecuencia de toma reportada»: «Puedo describir qué razones aparecen en el relato de quienes dicen tomarlo con menos frecuencia; no puedo afirmar con este material cuántas personas lo toman».

Un desenlace distinto también habría sido válido. Si Ana ya hubiera llamado a sus categorías «frecuencia de toma reportada» y hubiera limitado así su conclusión, contrastar la objeción con la nota metodológica le permitiría conservarlas y explicar por qué. Revisar no exige cambiar una decisión que ya está justificada.

Devolución para revisar tu propia ficha

#

Para releer lo que escribiste, sin puntaje ni respuesta esperada: cada pregunta señala hacia dónde volver si la respuesta te incomoda.

• La objeción. ¿Cuestionaba un supuesto o el alcance de tu decisión, o sólo tu redacción? Una objeción pertinente puede terminar confirmando lo que ya habías decidido.
• La fuente. ¿Abriste el documento y leíste el pasaje, o lo nombró el modelo? Si no puedes señalar el apartado, el punto 4 se escribe como «pendiente de localizar», y ése también es un resultado.
• Lo que dejaste fuera. ¿Puedes decir qué norma, consentimiento o protocolo sostiene esa decisión, y no sólo que te pareció prudente?
• El límite. Léelo como si alguien acabara de preguntarte «¿y qué no puede concluirse de esto?». Si suena más amplio de lo que tu material permite, todavía es tiempo de ajustarlo.