Abstract
This article examines the regulation and assessment of
artificial intelligence use in scientific output, focusing on the ethical and
regulatory challenges facing educational institutions seeking to curb its
misuse. The rapid integration of generative artificial intelligence (AI)
systems and large language models into academic workflows has profoundly
transformed scientific research. This article explores the key ethical and
regulatory challenges arising from the use of these technologies in the
production, drafting, and evaluation of academic manuscripts. Through a
critical analysis of international guidelines, it discusses issues regarding
authorship boundaries, methodological transparency, algorithmic bias, and
integrity in editorial management. Finally, it proposes governance guidelines
to balance technological innovation with scientific rigor. Concurrently,
scientific literature on AI-generated text detection tools documents
significant limitations in accuracy—particularly regarding false-positive rates
that affect specific student populations. The article concludes that no
detection score should serve as the sole or automatic basis for sanctions and
proposes a set of recommendations aimed at the responsible use of these tools
in postgraduate degree processes.
Keywords: Generative artificial intelligence, AI-generated text detection,
academic integrity, educational regulation, authorship.
Introducción
El ecosistema de la publicación científica atraviesa
una metamorfosis sin precedentes impulsada por la adopción masiva de
herramientas basadas en inteligencia artificial. Desde la síntesis
bibliográfica y el análisis estadístico avanzado hasta la asistencia en la
redacción y traducción de textos, los algoritmos se han posicionado como
coadyuvantes en el quehacer investigador.
Sin embargo, esta transición tecnológica plantea
interrogantes fundamentales sobre los pilares tradicionales de la ciencia: la
autoría, la originalidad, la veracidad y la responsabilidad. Mientras que las
editoriales científicas y las agencias de indexación intentan establecer marcos
regulatorios, la velocidad de adopción de la IA supera con creces la capacidad
normativa institucional. Este artículo aborda los desafíos éticos y jurídicos
que giran en torno al uso de la IA en la investigación, estructurando una
reflexión crítica sobre su valoración en revistas de alto impacto (Scopus/Web
of Science).
Es así como la historia de la escritura
científica atraviesa una transformación sustantiva en la producción de trabajos
de investigación académica como artículos, tesis y disertaciones a partir de la
disponibilidad, desde finales de 2022, de modelos de lenguaje de gran escala
capaces de redactar, sintetizar literatura y analizar datos con fluidez, que
han modificado de forma sustancial las prácticas de investigación de
estudiantes y profesores en todos los niveles educativos.
No obstante, la inclusión de estos
recursos, en el quehacer académico se constituye en un cambio sin precedentes
que demanda acciones urgentes en relación con las políticas y regulación de su
uso. Al respecto, mientras la adopción de estas herramientas por parte de la
comunidad académica ha sido prácticamente inmediata, la construcción de marcos
regulatorios, tanto estatales como institucionales, avanza con un rezago
considerable.
El presente documento está enfocado en
tres elementos. En primer lugar, presentar los hallazgos con relación al grado
de adopción de la IAG en la producción de trabajos académicos y las tendencias
que la literatura especializada ha identificado. Segundo, evaluar el estado de
la regulación en dos niveles distintos: el estatal o nacional, y el
institucional o universitario. Tercero, analizar la viabilidad del uso de las
herramientas de detección de contenido generado por Inteligencia Artificial
como mecanismo de control, incluyendo una discusión específica sobre sus tasas
de error y las implicaciones de los falsos positivos para la toma de decisiones
institucionales.
Estadísticas-tendencias de uso: una reflexión crítica sobre los riesgos y desafíos éticos de estas
aplicaciones.
La evidencia disponible confirma que el
uso de Inteligencia Artificial Generativa (IAG) en la producción de trabajos
académicos ya constituye la práctica general según Seijo (2025), no la
excepción. En España, una encuesta de la Fundación CYD a estudiantes de grado
encontró que el 89% de los universitarios utiliza herramientas de IA
generativa, y que un 35% lo hace de manera diaria. El estudio documentó,
además, que los estudiantes emplean estas herramientas con mayor frecuencia que
los propios profesionales universitarios (Fundación CYD, 2025).
En México, la Encuesta Nacional sobre
Usos y Percepciones sobre IA Generativa en la Educación Superior (ENIAG),
realizada por la Secretaría de Educación Pública con la colaboración de ANUIES,
recabó respuestas de 1.5 millones de estudiantes y 166 mil docentes de cerca de
2,900 instituciones, lo que la sitúa como el ejercicio de este tipo más extenso
documentado a nivel mundial (Secretaría de Educación Pública [SEP], 2025). Sus
resultados indican que ocho de cada diez estudiantes universitarios mexicanos
utilizan IA generativa para producir textos académicos, y que más del sesenta
por ciento de estudiantes y docentes la emplea de forma cotidiana (Proceso,
2026).
Desde la perspectiva de la literatura
científica, este fenómeno se inserta en una trayectoria de crecimiento que
antecede a los modelos conversacionales actuales como puede denotar en una
revisión sistemática sobre inteligencia artificial en educación superior, que
analizó 146 artículos publicados entre 2007 y 2018, en la que se identificó
cuatro áreas principales de aplicación de la IA en el ámbito universitario:
perfilamiento y predicción del desempeño estudiantil, evaluación automatizada,
sistemas adaptativos y de personalización del aprendizaje, y tutoría
inteligente (Zawacki-Richter et al., 2019).
El mencionado estudio advirtió, además,
una reflexión crítica todavía escasa sobre los riesgos y desafíos éticos de
estas aplicaciones. La llegada de los modelos de lenguaje de gran escala no
creó, entonces, un fenómeno nuevo, sino que aceleró y masificó de forma abrupta
una tendencia ya identificada por la investigación educativa.
Un hallazgo consistente en la
literatura, y con implicaciones directas para la gestión de postgrado, es la
brecha entre el uso y el conocimiento normativo. En el caso mexicano, el 76% de
los docentes de universidades públicas encuestados declaró no conocer ninguna
normativa institucional sobre el uso de la IA generativa (Proceso, 2026), lo
que sugiere que la adopción de estas herramientas ha ocurrido, en gran medida,
en ausencia de marcos de referencia claros tanto para quienes las usan como
para quienes
Esta fragmentación de la responsabilidad
ética en el ecosistema universitario expone una profunda vulnerabilidad
institucional. Al delegar en la discrecionalidad individual del profesorado la
definición de los límites, usos y sanciones en torno a la inteligencia
artificial generativa, las instituciones académicas trasladan un dilema
estructural y sistémico a la trinchera del aula, generando asimetrías
inaceptables para el estudian Dentro de este
ámbito, se generan consecuencias de la orfandad regulatoria a nivel micro.
Inseguridad jurídica y disonancia normativa: Un
estudiante puede enfrentar exigencias radicalmente opuestas, desde la
prohibición absoluta hasta la integración metodológica obligatoria, dependiendo
de la asignatura o del criterio subjetivo de cada docente. Esto vulnera el
principio de equidad y previsibilidad en la evaluación.
Sobrecarga y vulnerabilidad del docente: Se exige al
profesorado actuar como un regulador ético sin contar con el respaldo de
directrices institucionales claras, formación especializada en alfabetización
algorítmica ni herramientas de validación fiables (agravado por la conocida
tasa de falsos positivos de los detectores de IA).
Parálisis institucional: La ausencia de una política
unificada relega el debate ético a decisiones aisladas, impidiendo la
construcción de una postura corporativa coherente frente a la integridad
científica y la transformación pedagógica.
De acuerdo con lo esbozado, superar esta atomización
exige que las universidades asuman su responsabilidad rectora mediante:
Políticas institucionales explícitas y flexibles:
Establecer marcos generales de uso ético que definan los niveles de
transparencia exigidos (por ejemplo, el uso de la IA como apoyo a la redacción
frente a su uso como sustituto del pensamiento crítico).
Comités de ética y gobernanza tecnológica: Crear
instancias colegiadas que orienten la resolución de conflictos derivados de la
autoría, el plagio asistido y la propiedad intelectual en la era digital.
Capacitación transversal: Proveer directrices
pedagógicas homologadas para que el profesorado pueda evaluar el proceso de
aprendizaje y no solo el producto final redactado.
Marco regulatorio nacional sobre el uso de la IA a
nivel estatal y educación superior.
A diferencia de la velocidad de
adopción, el desarrollo de marcos regulatorios nacionales sobre el uso de la IA
en educación superior avanza con lentitud y de forma desigual entre países. Una
revisión comparativa de las legislaciones y las políticas públicas en América
Latina, realizada a partir de los casos de México, Paraguay, Chile, Brasil y
Colombia entre 2022 y 2025, concluyó que la región carece de marcos
regulatorios unificados sobre inteligencia artificial en la educación superior
(Cáceres Troche, 2026).
Entre los países analizados, únicamente
Chile cuenta con una Política Nacional de Inteligencia Artificial, que está
vigente desde el año 2021, y una ley en discusión. A su vez, tanto Brasil como
Colombia han avanzado en estrategias nacionales de uso de IA, pero sin una
regulación sectorial específica para el ámbito educativo (Cáceres Troche,
2026).
El caso mexicano ilustra este vacío con
particular claridad: de acuerdo a la revisión realizada, a la fecha no existe,
una ley o regulación nacional que oriente de forma vinculante la implementación
de la IA en la educación superior del país (Cáceres Troche, 2026). En ausencia
de dicho marco normativo, organismos como la SEP y ANUIES han optado por emitir
recomendaciones y orientaciones de carácter no vinculante, dirigidas a que las
propias instituciones desarrollen sus lineamientos internos (Proceso, 2026).
Paraguay, por su parte, se encuentra en una etapa aún más incipiente: hasta
2025 no contaba con estrategia nacional ni ley específica sobre IA aplicada a
la educación, aunque ese mismo año se presentó un primer proyecto de ley
orientado a establecer principios de transparencia y gobernanza participativa
en la materia (Cáceres Troche, 2026).
Este vacío normativo a nivel de Estados
tiene consecuencias operativas concretas: deja sin resolver cuestiones como la
responsabilidad institucional ante el uso indebido de IA en procesos de
evaluación, la protección de los datos de los estudiantes que interactúan con
estas herramientas, y la equidad en el acceso a tecnologías de pago frente a
las de acceso gratuito (Cáceres Troche, 2026). En consecuencia, la carga de
definir criterios de uso aceptable ha recaído, casi en su totalidad, sobre las
instituciones de educación superior de manera individual.
Frente al vacío normativo de los
Estados, según Seijo (2024), ya algunas instituciones educativas han comenzado
a construir, de manera autónoma, marcos regulatorios propios relacionados al
uso de la IA, tanto en la producción académica como en otros ámbitos. En
México, este proceso se observa en dos niveles: el de organismos de
articulación del sistema universitario y el de instituciones individuales.
En el primer nivel, la Asociación
Nacional de Universidades e Instituciones de Educación Superior (ANUIES)
constituyó, desde 2023, el Grupo de Trabajo sobre Inteligencia Artificial en la
Educación Superior dentro de su Comité ANUIES-TIC, con el mandato de proponer
estrategias sobre el desarrollo, adquisición y adopción de soluciones de IA
para las instituciones asociadas, incluyendo, entre sus líneas de trabajo, el
marco jurídico, el marco ético y la definición de indicadores y métricas
(ANUIES-TIC, s.f.).
Como parte de este esfuerzo, ANUIES
coordinó la publicación de la obra colectiva Gobernanza de la inteligencia
artificial en la educación superior: perspectivas y prácticas institucionales,
que documenta experiencias y modelos de gobernanza de universidades mexicanas
en la materia (Ponce López & Díaz Novelo, 2025).
En el segundo nivel, ya existen
políticas institucionales operativas y verificables. La Universidad Anáhuac
México cuenta con una Guía para el Uso Ético y Responsable de la Inteligencia
Artificial Generativa que exige un formato de declaración estandarizado para
documentar el uso de estas herramientas en trabajos académicos, especificando
la herramienta empleada, el propósito, las secciones del trabajo donde
intervino, y el procesamiento humano posterior del contenido generado
(Universidad Anáhuac México, 2025).
La Universidad Abierta y a Distancia de
México, por su parte, aprobó lineamientos que reconocen explícitamente a la IA
como herramienta legítima de apoyo educativo, condicionada a un uso ético,
crítico y contextualizado (Universidad Abierta y a Distancia de México, 2024).
Por su parte, la Universidad de Investigación e Innovación de México (UIIX),
incorpora a partir de 2025, políticas para el uso ético de la Inteligencia
Artificial en su repositorio institucional, como un primer paso para orientar a
su comunidad al uso adecuado de estas herramientas (Universidad de
Investigación e Innovación de México, 2025)
Estos casos muestran que, aun en
ausencia de una regulación nacional vinculante, la construcción de políticas
institucionales sobre declaración y uso de la IA en trabajos de titulación es
una decisión que universidades mexicanas concretas ya están tomando de manera
autónoma. También muestran, sin embargo, que se trata todavía de una práctica
minoritaria dentro del sistema, contenida sobre todo en instituciones privadas
con estructuras de gobierno académico más ágiles.
Viabilidad de los mecanismos de control y detección:
Herramientas disponibles para el análisis de uso de IA.
El mercado de herramientas de detección
de contenido generado por IA se ha desarrollado con la misma rapidez que la
adopción de los modelos que busca detectar. Entre las más utilizadas en el
ámbito educativo se encuentran el módulo de detección de IA integrado a
Turnitin, que opera junto al informe de similitud tradicional dentro del mismo
flujo de trabajo institucional, y GPTZero, ambas basadas en clasificadores
entrenados para distinguir patrones estadísticos del lenguaje asociados a texto
generado por modelos de lenguaje (Weber-Wulff et al., 2023).
Una evaluación comparativa de catorce
herramientas de detección de texto generado por IA, publicada en la
International Journal for Educational Integrity, encontró que ninguna de ellas
superó el 80% de precisión en condiciones cercanas al uso real, y que su
desempeño se deterioraba de forma sustancial ante textos parafraseados o
sometidos a técnicas de ofuscación (Weber-Wulff et al., 2023).
Estos resultados son relevantes para
cualquier institución que considere incorporar un informe de detección de IA
como requisito de titulación: la herramienta más utilizada en el sector,
Turnitin, no opera de forma aislada, sino dentro de un ecosistema de
clasificadores con limitaciones de precisión documentadas de forma
independiente por la comunidad científica, y no únicamente por el propio
proveedor del servicio.
Identificación del índice de contenido generado con
AI adecuado: variaciones de forma significativa según el género textual,
idioma, nivel de edición y perfil lingüístico.
Una interrogante muy importante, a la
hora de analizar este tema, está vinculada al porcentaje o índice adecuado de
contenido generado por IA en un trabajo de investigación.
Este aspecto no admite, de acuerdo con
la evidencia disponible, una respuesta numérica única. Tampoco se ha logrado
identificar acuerdos de la academia a nivel regional, ni menos a nivel
internacional al respecto. Los propios estudios de precisión de estas
herramientas muestran que el desempeño del clasificador varía de forma
significativa según el género textual, el idioma, el nivel de edición posterior
del texto y el perfil lingüístico del autor (Weber-Wulff et al., 2023; Liang et
al., 2023).
En consecuencia, fijar un umbral fijo de
rechazo automático de un documento, por ejemplo, descalificar cualquier trabajo
con más de 20% de contenido detectado como generado por IA, traslada el peso de
una decisión con consecuencias académicas graves para el estudiante a una cifra
con un margen de error no despreciable.
La recomendación que se desprende de la
literatura especializada, revisada por el autor, no es prescindir de estas
herramientas sino usarlas como insumo de un proceso de revisión en el que el
índice de detección funcione como disparador de un análisis más amplio, que
podría incluya el historial de versiones del documento, el historial de
cambios, la coherencia entre el nivel de dominio demostrado en la defensa oral
y el contenido escrito, y/o una conversación directa con el estudiante, en
lugar de asumir el indicador no como criterio único o automático de sanción
(Weber-Wulff et al., 2023).
Implicaciones éticas ante la tasa de falsos
positivos: una limitación estructural de la
tecnología disponible para la clasificación de texto.
La tasa de falsos positivos en los
clasificadores de texto generados por inteligencia artificial (IA) constituye
una limitación estructural ineludible. Dado que estos detectores no identifican
“marcas de agua” fácticas, sino que calculan probabilidades estadísticas
mediante métricas lingüísticas (como la perplejidad o grado de impredecibilidad
del texto, y la burstiness o variación sintáctica), están inherentemente
sujetos a margen de error. Por ello, cuando se utiliza un clasificador
probabilístico como insumo punitivo o de control disciplinario, la limitación
técnica escala inmediatamente a dilema ético.
La limitación más documentada y con
mayor implicación ética de estas herramientas es la proporción de texto
efectivamente escrito por una persona que la herramienta tecnológica utilizada
(por ejemplo: Turnitin), identifica de forma errónea como generado por IA. Es
decir, la tasa de falsos positivos. Un estudio publicado en la revista Patterns
evaluó siete detectores de uso extendido sobre dos corpus de textos humanos:
ensayos de estudiantes estadounidenses de octavo grado, y ensayos del examen
TOEFL escritos por hablantes no nativos del inglés. Los resultados mostraron
que, mientras los detectores clasificaron con precisión casi perfecta los
ensayos de hablantes nativos, más de la mitad de los ensayos TOEFL de hablantes
no nativos fueron clasificados erróneamente como generados por IA (Liang et
al., 2023).
Los autores de dicho estudio atribuyen
este sesgo a que los clasificadores basados en la métrica de perplejidad, que
es una medida de la previsibilidad estadística del texto, tienden a identificar
como IA cualquier escritura con menor variabilidad léxica y estructuras
gramaticales más simples, un patrón característico de quienes escriben en una
segunda lengua, independientemente de si usaron o no herramientas de IA (Liang
et al., 2023). El estudio de Weber-Wulff et al., (2023), llega a una conclusión
convergente desde una muestra distinta de herramientas, y ambos advierten que
estos resultados no deben interpretarse como evidencia que un detector
particular sea deficiente, sino como una limitación estructural de la
tecnología disponible para la clasificación de texto.
Para una institución educativa en el
área de posgrado, con alto enfoque en investigación científica, por la
naturaleza de sus programas formativos (en especial los programas de nivel
doctoral) esta evidencia tiene una implicación directa: Los estudiantes que
redactan en un idioma distinto a su lengua materna, que emplean un estilo de
escritura formal y estructurado, siendo esta una característica habitual en la
escritura académica y científica, o cuyos asesores exigen un uso muy normado
del lenguaje técnico, están expuestos a un riesgo de señalamiento erróneo más
alto que el resto de la población estudiantil. Ignorar esta evidencia al
diseñar una política de detección de IA no solo genera un riesgo de injusticia
individual, sino un riesgo de inequidad sistemática hacia ciertos perfiles de
estudiantes.
Implicaciones
éticas fundamentales: hacia una mitigación responsable.
A. Vulneración de la presunción de inocencia y daño
reputacional
En ámbitos de alta sensibilidad —como la moderación de
contenidos en plataformas, los sistemas de filtrado legal o la evaluación
académica e institucional— un falso positivo funciona como una acusación
automatizada sin debido proceso. Etiquetar un texto legítimo como infractor
vulnera la reputación de los autores, coarta la libertad de expresión legítima
(efecto chilling effect o censura preventiva) y traslada la carga de la
prueba al usuario humano, quien debe demostrar su inocencia frente a la
supuesta "objetividad" de la máquina.
B. Reproducción y amplificación de sesgos
sistémicos
Las limitaciones estructurales no se distribuyen de
manera equitativa. Diversos estudios demuestran que los clasificadores de texto
tienden a generar tasas desproporcionadas de falsos positivos cuando procesan
variantes lingüísticas no hegemónicas, dialectos regionales, español académico
periférico o textos redactados por hablantes no nativos. Esto convierte al
falso positivo en un vector de discriminación algorítmica, marginando
sistemáticamente a determinados colectivos o estilos discursivos bajo el pretexto
de estandarización técnica.
C. Erosión de la confianza institucional y
asimetría de poder
La dependencia acrítica de herramientas automatizadas
por parte de organizaciones e instituciones públicas genera una transferencia
ilegítima de la autoridad moral y decisoria hacia el software. Cuando el
ciudadano es víctima constante de falsos positivos tecnológicos, se produce una
profunda erosión de la confianza en los sistemas de gobernanza digital y una
indefensión ante decisiones que escapan al control humano efectivo.
Reconocer la tasa de falsos positivos como una
limitación estructural exige abandonar el mito de la neutralidad algorítmica e
implementar directrices rigurosas:
Principio de supervisión humana obligatoria (Human-in-the-loop):
Ninguna clasificación textual automatizada con impacto directo sobre los
derechos o el bienestar de las personas debe constituirse como una decisión
final o inapelable.
Ajuste dinámico de umbrales: Priorizar la
sensibilidad o especificidad según el contexto ético del caso, prefiriendo la
revisión manual antes que asumir los costes humanos del error automatizado.
Transparencia y trazabilidad: Proveer
mecanismos claros de apelación y explicabilidad para los usuarios afectados por
clasificaciones erróneas.
Metodología
Este artículo según Seijo (2025) y
Arnal (2022), emplea una metodología de investigación teórico-doctrinal y
análisis crítico basado en:
Revisión bibliográfica y documental
de fuentes primarias (textos normativos como Investigación
educativa: Fundamentos y metodología en la era digital)
y secundarias (análisis doctrinal de teorías sobre la dignidad de la vida
humana).
Análisis histórico-conceptual para
rastrear la evolución de la Inteligencia Artificial y sus regulaciones éticas,
sus implicaciones normativas, utilizando como caso paradigmático la crítica al
positivismo.
Análisis de principios jurídicos
para extraer de los instrumentos de Inteligencia Artificial como un conjunto de
normas y obligaciones aplicables al ámbito organizacional.
Integración teórica para sintetizar
los hallazgos de la regulación de la Inteligencia Artificial y los principios
de derechos humanos en un marco normativo y ético coherente.
Hallazgos
El análisis conduce a los siguientes
hallazgos principales:
Incompatibilidad con la Autoría Tradicional: Existe un
consenso normativo internacional inquebrantable (respaldado por COPE e ICMJE)
que despoja a los sistemas de IA de cualquier estatus de autoría, al carecer de
personalidad jurídica, capacidad de consentimiento informado y aptitud para
asumir responsabilidad ética y legal sobre los hallazgos.
La Tensión entre Eficiencia y Reproducibilidad: El uso
de modelos estocásticos de caja negra introduce un riesgo latente para la
reproducibilidad metodológica. La imposibilidad de replicar de forma exacta un
entorno algorítmico dinámico vulnera los principios clásicos de la
verificabilidad empírica si no se acompaña de una trazabilidad documental
exhaustiva.
Perpetuación de Sesgos Estructurales: Los corpus de
entrenamiento basados en datos históricos reproducen sesgos cognitivos,
geográficos y de género. Se constata que la IA tiende a privilegiar narrativas
hegemónicas y estilos estandarizados, lo que exige un rol de fiscalización
crítica activa por parte del investigador humano para evitar la homogeneización
del pensamiento científico.
Vacío Normativo y Disparidad Editorial: Las
directrices de las revistas indexadas en Scopus y Web of Science presentan una
alta heterogeneidad; mientras algunas editoriales optan por prohibiciones
restrictivas, otras implementan modelos basados estrictamente en la declaración
de transparencia. Esto evidencia la ausencia de un estándar global unificado de
gobernanza tecnológica.
La Metacognición como Nuevo Eje de Valoración: La
calidad científica en la era de la IA ya no reside exclusivamente en el dominio
técnico de la redacción o el cálculo, sino en la competencia metacognitiva del
autor para auditar, cuestionar y validar los límites de la herramienta digital
frente al rigor empírico.
No obstante, según Zuñiga (2021), la
cientificidad remite admitir el valor científico de un conocimiento basado en
criterios normativos bien definidos, unos de orden epistemológico, u otros de
orden social, de esa manera se excluyen argumentos basados en la subjetividad.
Por tanto, la aplicación de
cualquier conocimiento científico puede tener consecuencias imprevisibles para
la humanidad, aunque sólo sea concentrar el poder biotecnológico en manos de
unos cuantos. En ese sentido, en la concepción de Potter (1998), es importante
y de gran valor en este preciso instante, cerrar esta idea con la noción que la atomización de la responsabilidad ética, delegada exclusivamente a
unidades técnicas sin participación de la alta dirección ni de los actores
pedagógicos, desnaturaliza la gobernanza de la IA como función estratégica por efecto del progreso científico.
Conclusiones
La evidencia revisada permite sostener
tres conclusiones centrales. La primera, que el uso de inteligencia artificial
generativa en la producción de trabajos de investigación académica ya es
mayoritario entre estudiantes y, en menor medida, entre docentes, tanto en
México como en otros contextos comparables, y no debe tratarse como un fenómeno
emergente o excepcional. en segundo lugar, que el desarrollo de marcos
regulatorios estatales sobre esta práctica es, en la región latinoamericana,
prácticamente inexistente, lo que ha trasladado a las instituciones de
educación superior la responsabilidad casi exclusiva de definir criterios de
uso aceptable.
Algunas universidades mexicanas ya han
comenzado a hacerlo de forma autónoma, aunque se trata todavía de una práctica
minoritaria en el conjunto del sistema. Tercera, las herramientas de detección
de contenido generado por IA disponibles actualmente tienen limitaciones de
precisión documentadas por investigación científica independiente,
particularmente en forma de tasas de falsos positivos que afectan de manera
desproporcionada a hablantes no nativos del idioma de redacción y a estilos de
escritura muy formalizados.
De estas conclusiones se deriva que la
pregunta relevante para las instituciones educativas no es si debe existir
control sobre el uso de la IA en las tesis, sino qué forma debe tener ese
control para ser al mismo tiempo efectivo y justo. La evidencia disponible
sugiere que ese control no puede consistir en un umbral numérico aplicado de
forma automática, sino en un proceso de revisión que combine el reporte de
detección con otras fuentes de evidencia sobre la autoría del trabajo. Es por
ello, que cabe mencionar lo siguiente:
La IA es un instrumento, no un sujeto epistémico: Los
sistemas de inteligencia artificial deben ser rigurosamente delimitados como
herramientas de apoyo técnico y metodológico, excluyéndolos categóricamente de
cualquier responsabilidad de autoría.
Imperativo de transparencia: La rendición de cuentas
mediante declaraciones metodológicas detalladas sobre el uso de algoritmos es
un requisito indispensable para salvaguardar la confianza pública y la
reproducibilidad en la ciencia contemporánea.
Adaptación normativa: Las revistas indexadas en Scopus y otros índices de
prestigio global necesitan consolidar normativas claras, dinámicas y justas que
sancionen el fraude generado por el uso deshonesto de la IA, sin penalizar la
innovación metodológica legítima.
Recomendaciones
Se recomienda que cualquier institución
de educación superior que incorpore un informe de uso o detección de IA como
requisito de titulación, o para la aceptación de trabajos de grado (tesis,
proyectos, etc.), sobre todo en programas de postgrado que adopten, como
mínimo, los siguientes criterios.
De acuerdo con ello, el índice de
detección se utilice exclusivamente como un elemento de contraste dentro de un
proceso de revisión más amplio, y nunca como criterio único o automático de
aprobación o rechazo de un trabajo de titulación, en línea con lo que la propia
evidencia sobre precisión de estas herramientas recomienda (Weber-Wulff et al.,
2023).
No obstante, la política institucional
reconozca de manera explícita el riesgo de falsos positivos documentado por la
literatura científica, particularmente hacia estudiantes que redactan en una
lengua distinta a su lengua materna o que emplean estilos de escritura muy
formalizados (Liang et al., 2023). Esto implica que un índice de detección
elevado no debe interpretarse, por sí solo, como evidencia de uso indebido, y
que el estudiante debe tener siempre la oportunidad de presentar evidencia
adicional, como el historial de versiones del documento o su desempeño en la
defensa oral, antes de que se adopte cualquier decisión con consecuencias
académicas.
Es necesario, que la institución
priorice mecanismos de verificación menos susceptibles a este tipo de sesgo,
como la sustentación oral y la revisión del dominio conceptual del sustentante,
por parte del un sínodo competente, por encima de la sola dependencia del
índice numérico reportado por la herramienta de detección aplicada.
Asimismo, es valioso, que se establezca
un mecanismo de actualización periódica de la política institucional, dado que
tanto los modelos generativos como las herramientas de detección evolucionan
con rapidez, y que las cifras de precisión y sesgo documentadas en un momento
dado pueden variar conforme dichas tecnologías se modifiquen.
Por ello, la implementación se realice
de manera gradual, comenzando con una cohorte piloto que permita a la
institución observar el comportamiento real del índice de detección sobre su
propia población estudiantil antes de generalizar cualquier umbral de
referencia a la totalidad de los programas de postgrado.
Finalmente, en el reconocimiento del
contexto actual, sus características y los beneficios de los instrumentos de
inteligencia artificial en los campos académico y científicos, se recomienda
incluir una sección (apéndice) en la que los autores declaran los fines con los
que se usó herramientas de IAG (si es que se usó) y el alcance: las partes,
componentes y secciones, con la mayor precisión posible, para la valoración
correspondiente, en el marco de la ética, la transparencia y la honestidad
académica.
Referencias
ANUIES-TIC.
(s.f.). Inteligencia Artificial – Comité ANUIES-TIC. Asociación Nacional
de Universidades e Instituciones de Educación Superior. Recuperado el 8 de
julio de 2026, de https://anuies-tic2.anuies.mx/inteligencia-artificial/
Arnal, J. (2022). Investigación educativa: Fundamentos y metodología
en la era digital. Editorial Labor.
Cáceres
Troche, D. R. (2026, 16 de enero). Regulación de la inteligencia artificial
en educación superior en el contexto latinoamericano. Universidad Autónoma
de Madrid. https://www.uam.es/uam/investigacion/cultura-cientifica/articulos-cientificos/ia
profesorado
Fundación
CYD. (2025). Uso y percepción de la IA en el entorno universitario. https://www.fundacioncyd.org/publicaciones-cyd/uso-y-percepcion-de-la-ia-en-el-entorno-universitario/
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT
detectors are biased against non-native English writers. Patterns, 4(7), Article 100779. https://doi.org/10.1016/j.patter.2023.100779
Ponce
López, J.L. y Díaz Novelo, C. H. de J. (Coords.). (2024). Inteligencia
artificial en la educación superior, perspectivas e implicaciones prácticas en
las instituciones mexicanas. México: Asociación Nacional de Universidades e
Instituciones de Educación Superior.
Potter, V (1998). Bioética puente, bioética global y
bioética profunda. En: Cuadernos del Programa Regional de
Bioética. No. 7. Organización Panamericana de la Salud. Editorial
Kimpres. Bogotá.
Proceso.
(2026). La gran mayoría de estudiantes universitarios en México ya usa IA
para generar textos: SEP. Proceso. https://www.proceso.com.mx/nacional/2026/4/15/la-gran-mayoria-de-estudiantes-universitarios-en-mexico-ya-usa-ia-para-generar-textos-sep-370177.html
Secretaría
de Educación Pública. (2025). Dossier de resultados: Encuesta Nacional sobre
Usos y Percepciones sobre IA Generativa en la Educación Superior en México
(ENIAG 2025). Gobierno de México.
Seijo,
C (2025). Metodologías Mixtas: Nuevas Tendencias en Investigación Global.
Editorial Astro Data. Maracaibo, Estado Zulia. Venezuela.
Seijo, C
(2024). (Reseña Bibliográfica: Libro "Emprendimiento Exitoso. Cómo
mejorar su proceso y gestión" . Revista
Cientifica Saperes Universitas: Vol. 7 Núm. 2.
Seijo,
C (2025). PREFACIO: Estrategias innovadoras para el aprendizaje híbrido en las
instituciones de educación superior , Revista
Cientifica Saperes Universitas: Vol. 8 Núm. 3.
Universidad
Abierta y a Distancia de México. (2024). Lineamientos para el uso ético y
responsable de la inteligencia artificial. https://www.unadmexico.mx/images/descargables/Lineamientos_IA_Aprobados.pdf
Universidad
Anáhuac México. (2025). Guía para el uso ético y responsable de la
inteligencia artificial generativa. https://www.anahuac.mx/mexico/files/Guia-uso-etico-de-Inteligencia-Artificial.pdf
Universidad
de Investigación e Innovación de México. (2025, 1 de junio). Políticas para
el uso de inteligencia artificial (Versión 1.0). Universidad de
Investigación e Innovación de México. https://repositorio.uiix.edu.mx/items/a537e1cc-56c5-44b8-8134-d6fa59b6d41c
Weber-Wulff,
D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J.,
Popoola, O., Šigut, P., & Waddington, L. (2023). Testing
of detection tools for AI-generated text. International Journal for
Educational Integrity, 19(1), Article 26. https://doi.org/10.1007/s40979-023-00146-z
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F.
(2019). Systematic review of research on artificial intelligence
applications in higher education – where are the educators? International
Journal of Educational Technology in Higher Education, 16(1), Article 39. https://doi.org/10.1186/s41239-019-0171-0
Revista Científica Global Negotium. ISSN: 2642-4800/
e-ISSN: 2642-4800 Septiembre-Diciembre 2026 Vol. 9. N°
3 (96-111). 
