De la incertidumbre a la investigación: IA generativa para transformar el inicio de una tesis

La estrategia integró inteligencia artificial generativa y herramientas de apoyo a la exploración científica dentro de una secuencia orientada a la construcción progresiva del problema de investigación. Este enfoque coincide con la literatura reciente, que señala que el valor educativo de la IA generativa depende de su integración dentro de diseños pedagógicos orientados al aprendizaje y no de su uso aislado como herramienta tecnológica (Baig & Yadegaridehkordi, 2024; Batista et al., 2024). Se trabajó con recursos como SciSpace, Research Rabbit, Consensus y Elicit para ampliar la búsqueda, descubrir relaciones entre estudios y contrastar hallazgos.

Sin embargo, se estableció una regla pedagógica sencilla: ninguna respuesta generada por IA constituía por sí misma el producto final. Toda idea debía ser revisada, contrastada, sustentada y defendida por el estudiante. De esta manera, la tecnología podía acelerar la exploración, pero la responsabilidad intelectual permanecía en la persona que investiga. Esta orientación responde a los retos de integridad académica, alfabetización en IA y pensamiento crítico identificados en revisiones recientes sobre educación superior (Castillo-Martínez et al., 2024; Ogunleye et al., 2024).

El componente movilizador de la experiencia fue el “Desafío 48 h: Tu tesis empieza hoy”. La intención era romper una práctica frecuente: postergar indefinidamente la elección y delimitación del problema. En lugar de iniciar con una larga exposición teórica, el estudiante asumía una misión concreta: identificar, sustentar y mejorar una situación problemática en un tiempo definido, con acompañamiento docente y apoyo de herramientas digitales.

La experiencia se organizó en cinco momentos, bajo una lógica de acompañamiento progresivo que privilegió la autoría, la verificación y la argumentación del estudiante; criterios especialmente relevantes ante la transformación de la evaluación universitaria provocada por la IA generativa (Xia et al., 2024):

1. Observar antes de preguntar a la IA. El estudiante identificó situaciones reales vinculadas con su disciplina, organización, comunidad o contexto empresarial. El punto de partida fue la observación humana, no una sugerencia automática de la tecnología.
2. Dialogar críticamente con la inteligencia artificial. La IA se utilizó para ampliar perspectivas, plantear preguntas exploratorias y reconocer dimensiones que podían pasar inadvertidas. El objetivo no era “aceptar” la respuesta, sino aprender a interrogarla.
3. Pasar de la respuesta de IA a la evidencia científica. Las ideas debían contrastarse con literatura académica. El estudiante aprendió que una respuesta convincente no equivale necesariamente a evidencia científica. Este criterio es consistente con la necesidad de fortalecer alfabetización y evaluación crítica frente a sistemas generativos señalada por la literatura (Castillo-Martínez et al., 2024).
4. Contrastar, delimitar y argumentar. Con apoyo del docente, se revisó qué información tenía respaldo, qué vacíos permanecían y qué aspectos podían convertirse en una oportunidad de investigación. El rol del profesor fue cuestionar el razonamiento, no reemplazarlo.
5. Defender la situación problemática. Cada estudiante debía explicar qué sucede, a quién afecta, dónde ocurre, qué evidencia respalda su existencia, qué antecedentes ayudan a comprenderla y por qué merece ser investigada.

Este enfoque también responde a una preocupación creciente en educación superior: la evaluación debe desplazarse del simple producto final hacia procesos que permitan observar razonamiento, autoría, verificación y capacidad de argumentación. Xia et al. (2024) destacan que la IA generativa está obligando a repensar la evaluación, la alfabetización en IA y el desarrollo profesional docente.

La intervención combinó trabajo autónomo, búsqueda científica, iteración con IA, retroalimentación docente y socialización de decisiones. En cada etapa, el estudiante debía dejar evidencia de cómo había mejorado su planteamiento y qué fuentes había utilizado para sustentarlo. La rúbrica no premiaba “usar más IA”; valoraba la calidad del problema, la pertinencia de las fuentes, la coherencia argumentativa y la capacidad de verificar la información.

La experiencia involucró a 48 estudiantes. En una medición inicial realizada sobre 18 estudiantes evaluados, 16 presentaban dificultades en la formulación de la situación problemática. Después de la intervención, el 87,5 % logró superar satisfactoriamente esta etapa de acuerdo con los criterios establecidos en la experiencia de aula.

Estos datos deben interpretarse como evidencia pedagógica de la implementación y no como resultados de un estudio experimental generalizable. Su valor está en mostrar una señal concreta de mejora dentro del contexto en el que se aplicó la estrategia.

Tabla 1

Indicadores de seguimiento e impacto de la experiencia pedagógica

Nota. Contenido elaborado a partir de los registros de la experiencia. Los resultados corresponden al seguimiento pedagógico realizado durante la implementación y no constituyen resultados de un diseño experimental generalizable.

• Pertinencia y delimitación de la situación problemática.
• Uso de fuentes científicas pertinentes y verificables.
• Capacidad de contrastar respuestas generadas por IA con evidencia académica.
• Coherencia entre problema, contexto y antecedentes.
• Aplicación de criterios de citación y referencias académicas.
• Desempeño en la rúbrica y capacidad para defender las decisiones tomadas.