En la dinámica actual de la producción científica, nos enfrentamos al fenómeno seductor de la gratificación instantánea. Hoy, un investigador puede obtener un cuadro de operacionalización de variables o una propuesta de diseño muestral en menos de diez segundos mediante un prompt bien estructurado. Sin embargo, esta facilidad tecnológica ha creado una falsa sensación de suficiencia metodológica que denominaremos la ilusión de la metodología automática.
No obstante, aquí reside el principal riesgo, ya que la inteligencia artificial generativa es una experta en la forma, pero ajena respecto al fondo. Su capacidad para redactar con una coherencia gramatical impecable y un tono académico convincente suele enmascarar vacíos lógicos profundos.
Por consiguiente, para el ojo no entrenado, el texto parece ciencia; para el evaluador riguroso, es simplemente una simulación estadística de lenguaje. Esto se explica, según Bender y Koller (2020), porque los grandes modelos de lenguaje (LLM) no comprenden realmente, dado que existe una distinción fundamental entre la forma lingüística y el significado, y estos modelos son entrenados exclusivamente en la primera.
Adicionalmente, Gao et al. (2025), sostienen que la capacidad de estos LLM para generar lenguaje estructurado y convincente no garantiza que el contenido esté anclado a hechos reales o funcionales.
Por esta razón, la coherencia sintáctica no garantiza la validez interna de una investigación; pues, un algoritmo puede sugerir una técnica de análisis de datos que suena brillante, pero que resulta ontológicamente incompatible con el fenómeno que pretendes estudiar.
En consecuencia, la legitimidad de un trabajo de grado o un artículo indexado no reside en la elegancia del resultado final, sino en la vigilancia epistemológica del proceso. Investigar no se trata solo de obtener respuestas, es ser capaz de justificar racionalmente cada decisión tomada en el camino.
Filtro 1: El filtro de la evidencia
El investigador debe rastrear cada afirmación generada por la IA hasta su fuente primaria. Si la IA cita a Bunge o Hernández Sampieri, el investigador debe verificar que la idea no fue distorsionada por el modelo de lenguaje, es decir, debe practicarse una trazabilidad crítica, de tal manera que se constate la veracidad de cada afirmación. Recordemos que el investigador es el generador de conocimiento y la IA solo cumple un rol de apoyo.
En el marco contextual de la IA, existe un fenómeno técnico con consecuencias académicas devastadoras: la alucinación; pues, los modelos de lenguaje no buscan información, sino que predicen la siguiente palabra más probable. De tal manera que en temas de metodología, esto puede resultar en la invención de citas, años de publicación erróneos o, peor aún, la atribución de teorías a autores que jamás las escribieron.
Al respecto, Naddaf y Quill (2026), señalan que estas alucinaciones a menudo se producen con una alta confianza por parte del modelo, situación que las convierte especialmente engañosas y difíciles de detectar en comparación con errores superficiales, ya que el usuario puede ser inducido a creer que la información es verídica debido a su estructura convincente.
Según estos autores, esta situación surge debido a la inferencia probabilística del modelo; pues, en situaciones de incertidumbre, los LLM tienden a realizar una sobre generalización o a adivinar patrones estadísticos en lugar de admitir que desconocen un dato, priorizando la generación de una respuesta fluida sobre la veracidad factual.
En este sentido, Naddaf y Quill señalan que las alucinaciones producen resultados que son sintácticamente correctos, plausibles y fluidos, lo cual, en el contexto de la programación, significa que el código generado puede parecer gramaticalmente impecable a simple vista.
Por esta razón, pasar el filtro de la evidencia significa entender que la IA es un puntero, no una fuente. La legitimidad de tu marco teórico depende de que cada línea tenga un anclaje verificable en la literatura científica real. Con respecto a esta situación, los estudios publicados en revistas científicas de alto impacto (Q1-Q2), como el citado anteriormente, muestran que:
- La IA no entiende las fuentes que cita.
- Puede inventar o distorsionar afirmaciones y referencias.
- La comunidad científica exige verificación humana obligatoria.
- La trazabilidad crítica es esencial para evitar contaminación epistémica.
Ahora bien, para que el filtro de la evidencia sea efectivo, debes aplicar estos tres pasos antes de incluir cualquier párrafo en tu borrador:
-
Validación de existencia mediante la formulación de interrogantes como ¿Existe realmente el libro o artículo citado? Utiliza bases de datos indexadas (Google Scholar, Scopus, WoS) para confirmar que el título y el autor coinciden.
-
Realizar un cotejo semántico, en el entendido de que no basta con que el libro exista; adicionalmente, debes ir al texto original y verificar si el autor realmente sostiene lo que la IA afirma. A menudo, la IA simplifica o distorsiona matices teóricos complejos para que encajen en tu prompt.
-
Rastreo de la edición. Los manuales de metodología, como el de Arias o Hernández Sampieri, tienen múltiples ediciones; sin embargo, la IA suele mezclar contenidos de la 3ra edición con la 6ta. Por tal motivo, debes asegurar que la cita corresponda a la versión que declaras en tu bibliografía.
Es importante comprender que el uso de una cita falsa o mal interpretada es, en el mejor de los casos, una negligencia metodológica y, en el peor, una falta de integridad académica. Al aplicar la trazabilidad crítica, aseguras que tu fundamentación teórica sea real y no simulada.
En función de lo expuesto, es evidente que este filtro protege tu reputación ante el jurado y garantiza que tu investigación aporte valor genuino al campo del conocimiento.
Un error común es pensar que “si la IA lo dijo, debe estar en alguna parte”. Sin embargo, los jurados más experimentados detectan con facilidad las citas que suenan a IA por su falta de profundidad o por ser demasiado genéricas.
Filtro 2: El filtro del diseño o Coherencia ontológica
La IA tiende a ser ecléctica por defecto. Este filtro obliga al investigador a confirmar que las técnicas sugeridas (ej. una entrevista semiestructurada) son coherentes con su postura (ej. Fenomenología) y no un parche metodológico.
En investigación, la ontología se refiere a nuestra concepción de la realidad; por consiguiente, no es lo mismo investigar una realidad objetiva, según el paradigma positivista, que una realidad construida, según el paradigma interpretativo.
La IA, al ser un modelo entrenado con millones de parámetros de todas las tendencias, tiende a ser selectiva por defecto.
Si no aplicas este filtro, corres el riesgo de presentar un “Frankenstein metodológico”: por ejemplo, proponer un estudio fenomenológico, el cual busca comprender vivencias, pero utilizando un muestreo probabilístico y un análisis de frecuencias, que busca generalizar datos, aunque quizás este ejemplo sea extremo, ilustra con meridiana claridad lo que se desea expresar.
Pretorius (2024), argumenta que la ética y la reflexividad son temas centrales en toda investigación, en virtud de que la reflexividad es el proceso continuo de autoexamen donde el investigador identifica cómo sus propios valores y posiciones de poder influyen en el trabajo. Para esta autora, la IA es una herramienta válida siempre que se use bajo un marco de reflexividad estricto, donde el investigador mantenga el control sobre su propia voz, sea transparente sobre el uso de la tecnología y asuma la responsabilidad ética total de los hallazgos y su interpretación.
En consecuencia, en el marco de la reflexividad, esto significa que el uso de IA no exime al autor del autoexamen continuo necesario para garantizar que la investigación sea éticamente sólida y que no se impongan sesgos o agendas preconcebidas a través de la herramienta tecnológica. Por ello, Pretorius señala que al usar IA, el proceso investigativo puede verse afectado si el investigador permite que el modelo imponga una narrativa ajena a sus valores e identidad.
Esta realidad se agrava con el problema de las llamadas citas Frankenstein, que son descritas por los investigadores como referencias extremadamente engañosas porque suelen combinar fragmentos de publicaciones reales (nombres de autores, títulos o DOIs legítimos) para crear una cita que parece real para un humano, pero que no apunta a ninguna investigación existente (Naddaf & Quill, 2026).
Para asegurar la unidad lógica de tu estudio, debes someter las sugerencias de la IA a la siguiente verificación:
-
Sintonía objetivo-método, por ejemplo, si tu objetivo general empieza con “Comprender” o “Interpretar”, la IA no debería sugerirte pruebas de hipótesis estadísticas complejas; por ende, verifica que el verbo rector del objetivo dicte la naturaleza de la herramienta.
-
Validación del instrumento. A tal efecto, si la IA te genera una guía de entrevista, analiza las preguntas: ¿Buscan datos exactos y cerrados o buscan la profundidad del discurso? Un instrumento debe hablar el mismo lenguaje que tu paradigma.
-
Depuración de la muestra. Para ello, asegúrate de que el tipo de informantes o sujetos sugeridos coincida con el alcance, dado que la IA suele sugerir muestras grandes por seguridad, aunque tu estudio sea cualitativo y profundo.
Un artículo o tesis se cae cuando el jurado detecta que el investigador no tiene clara su postura ante el objeto de estudio; siendo así, la coherencia ontológica garantiza que tu diseño sea una pieza sólida y monolítica.
Al filtrar las sugerencias de la IA bajo este lente, demuestras que tú posees el control del diseño y que la tecnología solo ha servido para instrumentar tu visión, no para suplantarla.
Debes tener siempre presente que la IA te dará lo que le pidas, incluso si le pides algo lógicamente imposible, situación que afectaría significativamente la integración metodológica, la cual, según Pandey et al. (2025), solo es válida cuando se hace desde una comprensión profunda de los paradigmas; y, enfatizan que los investigadores necesitan tener conciencia epistemológica para abordar desafíos metodológicos complejos.
A pesar del crecimiento exponencial en la capacidad de procesamiento de las IA persiste una brecha de confianza estructural, de manera que los resultados obtenidos no deben ser tomados como verdades finales, sino como insumos sujetos a una validación profunda y constante por parte del experto.
Filtro 3: El filtro de la autoría
El investigador debe ser capaz de justificar el porqué de cada decisión. Si no puedes explicar por qué usaste ese tamaño de muestra, ese diseño o instrumento de recolección de datos, la investigación pierde su carácter científico y se convierte en un reporte automatizado.
Por esta razón, Rajpurohit (2023), sostiene que el investigador tiene el compromiso de la transparencia, proporcionando detalles claros sobre la metodología y la recolección de datos para que otros puedan validar los hallazgos. La falta de esta transparencia hace que la investigación sea percibida como menos fiable.
Adicionalmente, este autor explica que las revistas científicas de alto impacto y de alto reconocimiento científico penalizan la falta de rigor y de justificación metodológica, separando las investigaciones que dan forma al discurso académico de aquellas que son meramente exploratorias o de nicho.
¿Por qué esto y no lo otro? La legitimidad científica no emana de la velocidad con la que se procesa la información, sino de la capacidad del investigador para sostener un argumento racional.
Si no puedes explicar el porqué metodológico de una decisión, esa decisión no es tuya; es un préstamo del algoritmo. La autoría real implica ser el dueño absoluto de la lógica que sostiene el estudio.
En este sentido, Habermas (1990), afirma que para él, la ciencia no es solo la acumulación de datos o el éxito técnico, sino un proceso que debe ser transparente para el sujeto. Extrapolando esto a la IA, se puede asegurar que la velocidad de procesamiento pertenecería al interés técnico de control y manipulación, pero si este interés se absolutiza sin reflexión, la ciencia se vuelve ciega y dogmática.
Para Habermas, la autoría real requiere que el investigador sea el dueño de la lógica del estudio mediante la autorreflexión, la cual es el acto a través del cual el sujeto se desvincula de una situación en la que se había convertido en un mero objeto de un proceso técnico.
Siguiendo los argumentos de este autor, si un investigador utiliza un algoritmo de IA sin poder explicar el razonamiento metodológico, está cayendo en lo que Habermas llama la “ilusión objetivista”, es decir, creer que los datos hablan por sí mismos independientemente del interés y la lógica del sujeto que los constituye.
Por su parte, Latour (1992), sostiene que la ciencia es una construcción de redes donde la verdad no emana de una realidad objetiva externa, sino de la capacidad de los actores para reunir y estabilizar una cantidad masiva de recursos y aliados.
Según Latour, la autoría y la legitimidad son el resultado de la capacidad del autor para dominar y explicar las complejas redes de asociaciones que sostienen su estudio, por consiguiente, delegar esa lógica al algoritmo sin comprensión es, efectivamente, renunciar a la posición de científico para convertirse en un usuario de cajas negras, entendidas estas cajas negras como cualquier conjunto de comandos, aparatos o teorías que, debido a su éxito o complejidad, se vuelven indiscutibles y cuyo funcionamiento interno se ignora para centrarse solo en sus entradas y salidas.
En definitiva, es recomendable someterse a este interrogatorio técnico como parte del filtro de autoría. Si no puedes responder con fluidez y fundamento, debes volver a la literatura básica:
¿Por qué seleccionamos esta escala de medición y no una de respuesta abierta?, ¿Qué autor valida que este instrumento mide realmente el constructo en nuestra población? Si la IA sugirió un muestreo por conveniencia, ¿cuáles son las limitaciones de representatividad que esto implica para mis conclusiones?
¿Por qué esta prueba estadística es la adecuada para el nivel de medición de mis variables?, ¿Por qué elegiste esa ruta metodológica?, ¿Por qué transversal y no longitudinal?, ¿Por qué un diseño de campo y no documental?
Este filtro garantiza que el investigador sea el protagonista del rigor. En una defensa de tesis o en una revisión de pares (Peer Review), nadie aceptará como respuesta: “Es que la IA lo sugirió así”.
El dominio del método es lo que te otorga autoridad en la comunidad científica. Al aplicar la defensa dialéctica, transformas el contenido de la IA en conocimiento propio validado.
La metodología es el sello de autoría. Puedes usar una grúa (IA) para levantar las piedras de tu edificio, pero tú debes ser quien garantice que los cimientos están nivelados y que la estructura no colapsará ante la primera crítica epistemológica.
Conclusión
En 2026, la frontera entre un aficionado y un científico no es el acceso a la información, sino la capacidad de estructurarla con vigilancia epistemológica. Hemos pasado de una era donde el reto era encontrar datos a una donde el desafío es validar procesos.
El investigador moderno no debe verse como un transcriptor de teorías, sino como un generador de conocimiento con rigor. Su valor no reside en la redacción mecánica del texto, sino en la firma intelectual que garantiza que cada cimiento metodológico es sólido, ético y coherente.
La inteligencia artificial carece de la capacidad de rendir cuenta ante la comunidad científica y, como resultado de ello, esa responsabilidad es y seguirá siendo estrictamente humana.
Mi invitación para ti, tesista o investigador, es a cambiar tu postura frente a la pantalla: No obedezcas al algoritmo, úsalo como un espejo dialéctico para poner a prueba tus propias ideas. Cuestiona cada sugerencia, si la IA te propone una ruta, oblígala a justificarla y luego verifica esa justificación en la literatura primaria. Una tesis no es un trámite para obtener un título; es el registro de tu capacidad para pensar con rigor, por tal motivo, no le cedas esta capacidad a una máquina.
Si el humano pierde su pensamiento crítico, el individuo puede terminar siendo solo un accesorio vivo de una inteligencia ajena.
Referencias
Bender, E. M. & Koller, A. (2020). Climbing towards NLU: On meaning, form, and understanding in the age of data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, pp. 5185–5198.
Gao, C., Fan, G., Chong, C. Y., Chen, S., Liu, C., Lo, D., Zheng, Z & Liao, Q. (2025). A Systematic Literature Review of Code Hallucinations in LLMs: Characterization, Mitigation Methods, Challenges, and Future Directions for Reliable AI.
Habermas, J. (1990). Conocimiento e interés. (Jiménez, M., Ivars, J.F. y Santos LM, Trad). Taurus. (Obra originalmente publicada en 1968).
Latour, B. (1992). Ciencia en acción. Cómo seguir a los científicos e ingenieros a través de la sociedad. (Aibar, E., Méndez, R. & Ponisio, E. Trad.). Editorial Labor, S.A. (Obra originalmente publicada en 1987).
Naddaf, M., & Quill, E. (2026). Hallucinated citations are polluting the scientific literature. What can be done? Nature, 652(8108), 26-29. https://doi.org/10.1038/d41586-026-00969-z
Pandey, C. S., Mishra, P., Pandey, S. R., Singh, R. D., & Pandey, S. (2025). Research paradigms: a systematic literature review of methodological shifts and interdisciplinary approaches in research. Quality & Quantity, 60(1), 2297-2325. https://doi.org/10.1007/s11135-025-02359-5
Pretorius, L. (2024). Demystifying research paradigms: Navigating ontology, epistemology, and axiology in research. The Qualitative Report, 29(10), 2698-2715. https://doi.org/10.46743/2160-3715/2024.7632
Rajpurohit, V. (2023, 20 agosto). How to Choose Right Journal Quartile (Q1/Q2/Q3/Q4) for My Research Paper? Research Voyage. https://researchvoyage.com/journal-quartile-research-paper/