Transparencia de la IAGen en cualquier campo

7 de octubre de 2026
Artículo de reflexión: Karla Ruiz 
English version

Introducción

La Inteligencia Artificial Generativa (IAGen) llegó para modificar actividades de escritura, búsqueda, análisis y cálculo, pero el problema es más complejo: obliga a repreguntarnos qué procesos cognitivos seguiremos utilizando y cuáles estaremos dispuestos a delegar. 

¿Qué puede decirnos, entonces, un detector sobre ese proceso y qué información deja fuera?

Desarrollo

1. El problema de la detección

Turnitin y los identificadores de texto generado por IA no permiten saber cómo se produjo un trabajo. Su función es otra: estiman, a partir de regularidades lingüísticas, la probabilidad de que un fragmento se parezca a las salidas de determinados modelos. Weber-Wulff et al. (2023) encontraron problemas de precisión en distintas herramientas de detección y Atamhenwan (2026) observó variaciones en las puntuaciones de Turnitin cuando se combinaban textos humanos y generados o cuando el contenido era reformulado. Desde el campo de la integridad académica, estas limitaciones obligan a distinguir entre detectar patrones y reconstruir un proceso de autoría. De entrada, puede afirmarse que un porcentaje no permite conocer qué decisiones tomó una persona, qué fuentes verificó, qué partes modificó o qué responsabilidad asumió sobre el resultado final.

La transparencia responde a otra pregunta. Cuando una herramienta interviene en la escritura, la búsqueda, el análisis, el código o la interpretación, interesa conocer qué tarea realizó, cuál fue el alcance de su participación, cómo se verificó la salida y quién tomó las decisiones finales. El Manual para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa conforme a APA 7.ª edición organiza esta información mediante el principio de transparencia proporcional: la información disponible debe guardar relación con la influencia real de la IAGen sobre el contenido, el método, el análisis o la interpretación (Ruiz Mendoza, 2026). En esta perspectiva, declarar el uso de una herramienta no constituye una confesión de falta; permite hacer visible el procedimiento seguido.

La misma distinción puede aplicarse en distintos campos. En medicina no es equivalente resumir un expediente que sugerir una interpretación clínica; en derecho, organizar jurisprudencia que formular un argumento; en periodismo, sintetizar documentos que generar una imagen; en ingeniería, depurar código que proponer parámetros de diseño. Las tareas cambian y con ellas cambia también el grado de información que debe conservarse. En todos los casos, sin embargo, la pregunta central permanece: qué hizo la herramienta, qué hizo la persona y cómo puede comprobarse esa relación. Si la detección no reconstruye la autoría, ¿qué cambia cuando la IAGen participa en operaciones que antes atribuíamos casi exclusivamente a quien investiga?

2. La modificación de la pregunta epistemológica

Floridi (2023) denomina agencia sin inteligencia a la capacidad de ciertos sistemas para producir acciones y resultados eficaces sin comprenderlos en el sentido humano. La distinción resulta útil para analizar la IAGen porque permite reconocer que un modelo puede proponer una hipótesis, generar código, reorganizar información o producir una estrategia sin convertirse por ello en sujeto responsable. La herramienta interviene en el proceso; la responsabilidad permanece en las personas que deciden utilizar, verificar, modificar o descartar sus salidas.

La filosofía de la información de Floridi (2011, 2014) permite ampliar este problema. La producción de conocimiento ocurre dentro de una infosfera en la que interactúan personas, datos, dispositivos y procesos computacionales. En investigación, esta relación puede observarse cuando una persona formula el problema, una base aporta los datos, un modelo propone relaciones, un programa ejecuta cálculos, un sistema formal comprueba determinados pasos y una comunidad especializada evalúa el resultado. El conocimiento no deja de ser humano por incorporar procesos computacionales, pero sí cambia la distribución de las operaciones mediante las cuales se construye y se valida.

Humphreys (2004) denominó opacidad epistémica a una condición presente en la ciencia computacional: existen procesos de cálculo cuya totalidad no puede ser inspeccionada prácticamente por una sola persona, aunque sus resultados puedan someterse a procedimientos de validación. Con la IAGen, esta condición se amplía. Ya no se delega únicamente el cálculo; también pueden delegarse operaciones relacionadas con el lenguaje, el código, la formulación de hipótesis o la generación de estrategias. La responsabilidad científica no puede descansar, en consecuencia, en la idea de que quien investiga realizó cada operación por sí mismo. Debe sostenerse en la posibilidad de justificar el procedimiento, conservar la evidencia relevante, verificar las fuentes y reconocer qué operaciones fueron delegadas.

A reserva de emplear la palabra paradigma en un sentido amplio, puede decirse que las prácticas de investigación están cambiando. La modificación no consiste solamente en sustituir una herramienta por otra, sino en redistribuir actividades que antes se atribuían de manera casi exclusiva a la persona investigadora: búsqueda, síntesis, programación, exploración de hipótesis, formalización y revisión. Esto obliga a reconsiderar qué significa conocer un resultado, qué nivel de comprensión se exige para aceptarlo, qué evidencia debe conservarse y cómo se distribuye la responsabilidad cuando intervienen sistemas capaces de producir operaciones que ninguna persona ejecutó de manera directa. ¿Qué ocurre cuando esta redistribución alcanza un problema cuya validez depende de demostración, formalización y examen colectivo?

3. Navier-Stokes y las nuevas condiciones de investigación

El problema de existencia y regularidad de Navier-Stokes permite observar esta transformación en un caso límite. OpenAI presentó el 8 de septiembre de 2026 una solución producida por un sistema interno y acompañada de una formalización en Lean (OpenAI, 2026b). Tres días después, el Clay Mathematics Institute señaló que el problema aparentemente había sido resuelto y recordó que el procedimiento de evaluación de un resultado de esta naturaleza es deliberadamente pausado (Clay Mathematics Institute, 2026). En el caso, producir una demostración, formalizarla, revisarla y reconocerla como conocimiento matemático constituyen operaciones relacionadas, pero no equivalentes.

El interés epistemológico del ejemplo no depende de que la solución reciba finalmente el premio. Un sistema capaz de explorar estrategias, coordinar operaciones y producir una demostración formal modifica las condiciones bajo las cuales puede desarrollarse una investigación matemática. La persona investigadora ya no necesariamente ejecuta cada paso del procedimiento; continúan siendo necesarias, sin embargo, la revisión de los supuestos, el examen de las inferencias, la comprensión de los alcances y la aceptación de la comunidad disciplinar. Desde esta perspectiva, la ampliación de la capacidad de cálculo y generación no elimina los criterios de justificación; obliga a hacerlos más explícitos. Si producir un resultado no equivale todavía a convertirlo en conocimiento aceptado, ¿qué debe quedar visible del proceso para que pueda ser examinado?

4. Transparencia y responsabilidad

La trazabilidad constituye una condición para mantener examinable el conocimiento producido con apoyo de IAGen. Documentar una intervención no exige publicar conversaciones completas ni conservar información irrelevante. Requiere identificar la herramienta, la tarea realizada, el alcance de su participación, los procedimientos de verificación y la persona responsable de las decisiones finales. Ruiz Mendoza (2026) distingue cuatro vías que pueden combinarse según el uso: describir la intervención en el método cuando modificó el procedimiento de investigación; citar una salida cuando se reproduce, parafrasea o analiza; declarar su participación cuando afectó de manera material la preparación del trabajo; y conservar evidencia adicional cuando la evaluación, la auditabilidad o la reproducibilidad lo requieren.

La autoría se vuelve más exigente con esta distribución del trabajo porque ya no puede confundirse con la ejecución material de cada palabra, cálculo o línea de código. La IAGen puede proponer una formulación; la persona autora decide si la acepta y debe poder responder por ella. Puede sugerir referencias; corresponde consultar las fuentes originales. Puede generar código; debe comprobarse su funcionamiento y su correspondencia con los datos. Puede sintetizar resultados; quien investiga debe determinar si esa síntesis representa de manera adecuada la evidencia. Dada la problemática aquí planteada, sustituir esta documentación por un porcentaje de detección reduce un problema epistemológico a una clasificación técnica. La detección puede formar parte de un procedimiento institucional, pero no demuestra quién escribió una idea, cómo se construyó una inferencia ni si una fuente fue verificada. La transparencia, en cambio, hace posible examinar la distribución del trabajo entre persona y sistema. ¿Qué exige, entonces, investigar con IAGen sin renunciar a los criterios de evidencia, justificación y responsabilidad?

Conclusiones

Turnitin y los identificadores de texto generado por IA no resuelven el problema de la integridad académica porque responden a una pregunta limitada: si un fragmento se parece, en determinados rasgos lingüísticos, a las salidas de un modelo. Esa estimación no reconstruye las decisiones de autoría, no verifica las fuentes y no permite conocer qué parte del trabajo fue delegada. Por esta razón, un porcentaje puede servir como señal dentro de un procedimiento institucional, pero no debería convertirse en la prueba principal para decidir cómo se produjo un texto.

La incorporación de IAGen modifica, al mismo tiempo, algunas condiciones de producción del conocimiento. Floridi permite distinguir entre agencia y responsabilidad; Humphreys muestra que la opacidad epistémica antecede a los modelos generativos y forma parte de una ciencia apoyada en procesos computacionales que no siempre pueden inspeccionarse en su totalidad. El caso de Navier-Stokes hace visible un problema adicional: generar una propuesta, formalizarla, verificarla y aceptarla como conocimiento son operaciones distintas. La ampliación de las capacidades de los sistemas no elimina la validación humana y comunitaria; obliga a precisar dónde ocurre y qué evidencia la sostiene.

Desde esta perspectiva, hablar de un cambio de paradigma no significa abandonar los criterios de verdad, evidencia o justificación. Significa revisar la forma en que se satisfacen cuando una parte del trabajo epistémico se distribuye entre personas y sistemas. La transparencia permite documentar esa distribución sin convertir el uso de IAGen en una falta ni presentar a la herramienta como autora. A mayor intervención en el contenido, el método, el análisis o la interpretación, mayor debe ser la posibilidad de reconstruir el procedimiento y las decisiones humanas que condujeron al resultado.

Para llevar este principio a la práctica se recomienda consultar el Manual para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa conforme a APA 7.ª edición (Ruiz Mendoza, 2026). La propuesta de transparencia proporcional y la ruta basada en herramienta, tarea, alcance, verificación y responsabilidad ofrecen un criterio aplicable a distintos campos. Frente a la vigilancia automática, la alternativa no es confiar sin revisar; es documentar mejor para que el proceso pueda ser comprendido, discutido y, cuando sea necesario, auditado.

Declaración de uso de IAGen

Para la elaboración y revisión de este artículo se utilizó ChatGPT (GPT-5.6 Sol; OpenAI, 2026a) como apoyo en la estructuración y reescritura del borrador, la reorganización de párrafos y la revisión de sintaxis, cohesión y claridad. La herramienta también se utilizó para contrastar la consistencia de algunas referencias y formulaciones. Las fuentes citadas fueron verificadas contra sus originales disponibles; la selección conceptual, la interpretación, las decisiones editoriales y la versión final permanecen bajo responsabilidad de la autora.

Conflicto de interés

La autora informa que es también autora del Manual para citar, documentar y transparentar el uso de IAGen conforme a APA 7.ª edición, recomendado y citado en este artículo. Esta relación se declara por transparencia.

Referencias

• Atamhenwan, L. E. (2026). How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin? Education and Information Technologies. https://doi.org/10.1007/s10639-026-14049-2
• Clay Mathematics Institute. (2026, 11 de septiembre). Navier-Stokes announcement. https://www.claymath.org/news/navier-stokes-announcement/
• Floridi, L. (2011). The philosophy of information. Oxford University Press. https://doi.org/10.1093/acprof:oso/9780199232383.001.0001
• Floridi, L. (2014). The fourth revolution: How the infosphere is reshaping human reality. Oxford University Press. 
• Floridi, L. (2023). AI as agency without intelligence: On ChatGPT, large language models, and other generative models. Philosophy & Technology, 36, Article 15. https://doi.org/10.1007/s13347-023-00621-y
• Humphreys, P. (2004). Extending ourselves: Computational science, empiricism, and scientific method. Oxford University Press. https://doi.org/10.1093/0195158709.001.0001
• OpenAI. (2026a). ChatGPT [Modelo de lenguaje de gran tamaño]. https://chatgpt.com/
• OpenAI. (2026b, 8 de septiembre). On the Navier-Stokes Millennium Prize Problem. https://openai.com/index/navier-stokes-solution/
• Ruiz Mendoza, K. K. (2026). Manual para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa (IAGen) conforme a APA 7.ª edición. Aglafía: Revista Interdisciplinaria de Educación, Tecnología, Ciencias Sociales y Humanidades, 1(2), 6-38. https://doi.org/10.66769/agla.36
• 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, Article 26. https://doi.org/10.1007/s40979-023-00146-z

Karla Ruiz es Doctora en Ciencias Educativas por la Universidad Autónoma de Baja California, maestra en Historia y en Redes Sociales y Tecnología; licenciada en Docencia en Lengua y Literatura y en Sistemas Computacionales. Profesora universitaria, editora académica de Aglafía: Revista Interdisciplinaria de Educación, Tecnología, Ciencias Sociales y Humanidades; además es investigadora en educación, evaluación e inteligencia artificial generativa. Su trabajo reciente se centra en transparencia e integridad académica, alfabetización crítica en IA, medición educativa y metodologías para el uso responsable de IAGen en docencia, investigación y publicación científica. 

Las opiniones expresadas en este blog son responsabilidad exclusiva de sus autores y no necesariamente representan la postura oficial del CADEBI. Como institución comprometida con la inclusión y el diálogo plural, en CADEBI promovemos y difundimos una diversidad de voces y enfoques, con el convencimiento de que el intercambio respetuoso y crítico enriquece nuestra labor académica y formativa. Valoramos y alentamos todos los comentarios, respuestas o críticas constructivas que deseen compartir.