La discusión pública sigue atrapada en si los estudiantes usan inteligencia artificial para hacer trampa. Pero en las universidades ya ocurre algo más profundo: la IA se está convirtiendo en tutor, archivo, corrector metodológico, simulador de defensa y laboratorio personal de tesis.
Durante los primeros años de la inteligencia artificial generativa, buena parte del debate universitario quedó reducido a una pregunta defensiva: ¿los estudiantes la están usando para escribir tareas que no hicieron? La preocupación no era menor. La automatización de ensayos, reportes y ejercicios abrió un problema real para la evaluación, la autoría y la integridad académica. Sin embargo, esa pregunta ya empieza a quedarse corta. En las prácticas cotidianas de muchos universitarios, la IA dejó de ser únicamente una máquina de redacción y empezó a funcionar como una infraestructura completa de aprendizaje.
La tendencia más fuerte no es necesariamente la sustitución del estudiante por el chatbot, sino la aparición de una relación de estudio permanente. La IA opera como tutor privado, disponible a cualquier hora, capaz de explicar una teoría, formular preguntas tipo examen, comparar autores, detectar huecos de comprensión o ayudar a preparar una exposición. Estudios recientes sobre educación superior muestran que una parte importante de los alumnos usa estas herramientas para aprender, recibir retroalimentación y aclarar conceptos, aunque el uso problemático para automatizar trabajos completos sigue presente. En una investigación sobre estudiantes de una universidad selectiva de Estados Unidos, más de 80% reportó usar IA con fines académicos, principalmente para ampliar el aprendizaje mediante explicaciones y retroalimentación, pero también para automatizar tareas como la generación de ensayos.
Ese doble uso explica por qué la discusión universitaria se volvió tan difícil. La misma herramienta que puede fabricar una respuesta superficial también puede ayudar a un estudiante a entender por fin un concepto que no logró procesar en clase. La diferencia no está solo en la tecnología, sino en la forma de uso. Cuando el estudiante le pide a la IA que sustituya su trabajo intelectual, el proceso se empobrece. Cuando la usa para interrogar, contrastar, ensayar y revisar, el aprendizaje puede volverse más activo.
Una de las prácticas más interesantes aparece en la construcción de “bibliotecas conversacionales”. Cada vez más estudiantes cargan artículos, libros, apuntes, transcripciones o PDFs en sistemas con recuperación de documentos, como NotebookLM u otros asistentes capaces de responder a partir de fuentes previamente cargadas. Ya no estudian solamente leyendo de manera lineal: conversan con su archivo. Preguntan qué autores se contradicen, qué conceptos se repiten, qué fragmentos sirven para el marco teórico, qué textos faltan por revisar o qué líneas argumentales todavía están débiles. Investigaciones sobre NotebookLM y sistemas RAG en educación han presentado este tipo de uso como una forma de tutoría y estudio más trazable, porque la respuesta puede quedar anclada a documentos proporcionados por el docente o el estudiante, aunque persisten límites técnicos y riesgos de confiabilidad.
Esta práctica modifica una parte central de la vida universitaria: la relación con las fuentes. Durante décadas, estudiar implicó leer, subrayar, fichar y ordenar materiales en carpetas, libretas o gestores bibliográficos. Ahora empieza a aparecer una capa intermedia: el archivo responde. No reemplaza la lectura, pero cambia el modo de aproximarse a ella. El estudiante puede pedirle al sistema que le muestre tensiones, repeticiones, vacíos o conexiones entre textos. La ventaja es evidente: acelera la exploración. El riesgo también: si el estudiante deja que la herramienta seleccione por él, la revisión puede volverse superficial, dependiente de resúmenes y vulnerable a errores de recuperación.
Algo similar está ocurriendo con la tesis. Muchos estudiantes ya no empiezan frente a una hoja en blanco, sino ante mapas de problema, matrices de autores, esquemas de capítulos, hipótesis alternativas, rutas metodológicas y preguntas de investigación tentativas. Una investigación publicada en 2026 sobre estudiantes de MBA en Japón encontró que el uso de IA en la escritura de tesis era casi universal entre los encuestados: 95.2% reportó algún uso y 77.1% un uso intenso. La empleaban en revisión de literatura, redacción, organización estructural y consulta cuando se quedaban atorados. Los beneficios percibidos se concentraron en mayor claridad argumental, mejor estructura, mejor revisión y mayor velocidad, aunque persistieron preocupaciones por la exactitud de las respuestas y el manejo de citas.
El dato relevante no es solo que los estudiantes usen IA, sino que la están distribuyendo a lo largo de todo el proceso de investigación. La tesis empieza a parecer menos un documento escrito de principio a fin y más un sistema de trabajo: búsqueda, lectura, clasificación, discusión, formulación, prueba, escritura, revisión y defensa. En ese sistema, la IA puede intervenir en distintas fases, pero no debería ocupar el lugar del juicio académico. La pregunta ya no es si el estudiante “usó IA”, sino para qué fase, con qué límites, con qué verificación y bajo qué responsabilidad.
Los estudiantes más avanzados tampoco dependen de una sola herramienta. Separan funciones. Pueden usar un chatbot para discutir ideas, un sistema documental para conversar con sus fuentes, un gestor bibliográfico para ordenar referencias, una herramienta de búsqueda académica para rastrear literatura, Python o R para analizar datos, un asistente de programación para limpiar bases y otro modelo para revisar estilo. La IA deja de ser “un chatbot” y se convierte en una pequeña infraestructura personal de investigación.
Esta división de tareas tiene consecuencias importantes para la universidad. Hasta hace poco, buena parte de la formación académica suponía que el estudiante debía aprender a investigar recorriendo lentamente cada etapa: localizar fuentes, leerlas, entenderlas, clasificarlas, discutirlas y convertirlas en argumento. Hoy esas etapas no desaparecen, pero se reconfiguran. La IA puede acelerar la revisión de literatura, encontrar patrones, sugerir relaciones entre autores, identificar conceptos recurrentes o señalar posibles vacíos. Una revisión de 2026 sobre IA generativa en revisiones de literatura sostiene que estas herramientas pueden apoyar desde búsquedas exploratorias y resúmenes hasta tareas más complejas de gestión del proyecto y síntesis conceptual.
Pero el avance técnico no elimina el problema epistemológico. Una revisión de literatura no consiste en acumular textos ni en producir un resumen ordenado de autores. Consiste en construir una posición dentro de una conversación académica. Si la IA decide qué es central, qué es secundario, qué autor importa y qué contradicción vale la pena seguir, el estudiante puede terminar con una revisión veloz pero intelectualmente débil. En cambio, si la herramienta se usa como instrumento de rastreo, contraste y verificación, puede liberar tiempo para la interpretación, que es precisamente la parte más exigente del trabajo universitario.
Otro uso creciente es el de la IA como corrector metodológico. Los estudiantes le preguntan si una pregunta de investigación es viable, si una hipótesis está mal formulada, si una encuesta introduce sesgos, si las variables están confundidas, si la muestra es demasiado débil o si la metodología realmente responde al problema planteado. Esta práctica es especialmente potente porque antes muchos alumnos solo recibían ese tipo de retroalimentación del asesor, y a veces demasiado tarde. La IA no sustituye al asesor, pero puede funcionar como una primera ronda de revisión que permite llegar mejor preparado a la tutoría humana.
También está cambiando la preparación de defensas orales. Algunos estudiantes le piden a la IA que actúe como sinodal exigente, que critique el marco teórico, que cuestione los límites metodológicos, que señale contradicciones o que formule preguntas incómodas. Esa simulación no garantiza una buena tesis, pero puede entrenar una habilidad que la universidad no siempre enseña de manera explícita: defender una interpretación frente a objeciones. En ese sentido, la IA funciona menos como escritora y más como interlocutora crítica.
El cambio alcanza incluso a las tesis cuantitativas y mixtas. En esos casos, los estudiantes usan IA para limpiar bases, escribir código, interpretar tablas, sugerir visualizaciones, detectar valores atípicos o explicar resultados estadísticos. Revisiones recientes sobre IA generativa en investigación de posgrado identifican mejoras potenciales en productividad, escritura académica, análisis de datos y revisión de literatura, pero también advierten riesgos de plagio, fabricación de datos, dependencia excesiva y necesidad de alfabetización ética.
Por eso la siguiente etapa será documentar el uso de IA como parte del método. No basta con prohibir ni con fingir que no ocurre. Varias universidades ya se están moviendo hacia políticas de transparencia, declaración de uso, privacidad, atribución, integridad académica y gobierno institucional. Un análisis de 65 documentos de política universitaria encontró temas recurrentes como privacidad de datos, integridad académica, divulgación y atribución, revisión de herramientas, propiedad intelectual, clasificación de riesgos y gobernanza. Otro estudio sobre mecanismos de transparencia en evaluación universitaria advierte que pedir declaración de uso no es suficiente si no se aclara qué cuenta como cumplimiento, cómo se evaluará y cómo evitar que la transparencia se convierta en vigilancia excesiva.
La práctica más avanzada, entonces, no es usar IA para “hacer la tesis”. Es usar IA sin perder soberanía intelectual. Los mejores estudiantes no serán quienes deleguen su pensamiento, sino quienes aprendan a dirigir una infraestructura de lectura, contraste, análisis y revisión sin renunciar a su criterio. Leerán los textos clave, verificarán citas, corregirán errores, decidirán el enfoque, sostendrán la interpretación y podrán explicar por qué usaron una herramienta en una fase y no en otra.
La universidad tiene frente a sí un cambio más profundo que la aparición de una nueva forma de copia. Está naciendo una nueva ecología del estudio. En ella, la IA puede empobrecer el aprendizaje si se usa como sustituto de la lectura, la escritura y el juicio. Pero también puede ampliarlo si se incorpora como tutor, archivo conversacional, corrector metodológico y simulador crítico.
El reto no consiste en preguntarse si los universitarios usan IA. Ya la usan. La pregunta importante es si las instituciones formarán estudiantes capaces de usarla con método, responsabilidad y pensamiento propio, o si seguirán tratando una transformación estructural como si fuera solamente un problema de tareas copiadas.
