Bitácora de IA para una investigación verificable

Bajada: Declarar que se utilizó inteligencia artificial es un comienzo, pero no basta para reconstruir su incidencia. Una bitácora bien diseñada permite saber qué hizo la herramienta, qué comprobó el equipo y qué decisiones siguieron siendo humanas. Una investigadora utiliza inteligencia artificial para explorar conceptos relacionados con su pregunta. Otro equipo la emplea para depurar código, resumir documentos o identificar patrones en cientos de respuestas abiertas. Al escribir el artículo, ambos incluyen una frase parecida: “se utilizó IA como apoyo”. La declaración parece transparente, pero deja casi todo sin responder. ¿Qué herramienta se usó? ¿En qué fecha y versión? ¿Qué información recibió? ¿Qué salida influyó realmente en el método o en la interpretación? ¿Cómo se verificó? ¿Qué alternativas fueron descartadas y quién tomó la decisión final? Cuando la IA interviene de manera sustantiva, una mención genérica no permite reconstruir el proceso. La solución no es guardar cada clic ni convertir la investigación en una burocracia imposible. Es construir una bitácora proporcional al riesgo y a la incidencia: un registro que conecte herramientas, entradas, salidas, comprobaciones y decisiones humanas. La idea tiene un límite importante. Una bitácora no garantiza que otra persona obtenga exactamente la misma respuesta. Los modelos cambian, algunos servicios no identifican con claridad su versión y una misma instrucción puede producir resultados diferentes. Su valor está en otro lugar: mejora la auditabilidad, permite explicar cómo se llegó a una conclusión y hace posible evaluar qué parte del proceso puede reproducirse, cuál solo puede reconstruirse y cuál depende de un juicio humano explícito. Una captura de pantalla no es un método Frente a una herramienta conversacional, guardar una captura puede parecer suficiente. Sin embargo, una imagen aislada suele omitir el contexto que condicionó la respuesta: instrucciones anteriores, documentos adjuntos, configuración, fecha, modelo, parámetros, ediciones posteriores y criterios utilizados para aceptar o rechazar el resultado. El problema se vuelve más serio cuando la IA deja de corregir estilo y comienza a influir en decisiones metodológicas. No es lo mismo mejorar la redacción de un párrafo que sugerir hipótesis, seleccionar variables, clasificar datos cualitativos, generar código analítico o resumir literatura que luego orientará el marco conceptual. Las orientaciones vivas de la Comisión Europea sobre uso responsable de IA generativa en investigación , actualizadas en mayo de 2026, proponen justamente esa distinción. Un apoyo editorial básico no tiene la misma incidencia que utilizar IA como método o fuente, interpretar análisis, revisar literatura, identificar brechas o formular hipótesis. Cuando el uso es sustantivo, recomiendan detallar la herramienta y explicar cómo afectó el proceso; cuando corresponda, también registrar nombre, versión, fecha, entradas y salidas. La pregunta práctica no debiera ser “¿usamos IA, sí o no?”, sino “¿en qué decisión intervino y qué evidencia permite examinar esa intervención?”. Trazabilidad no significa obedecer a la herramienta Una bitácora conserva el rastro de una acción. No certifica que la acción haya sido correcta. Si un modelo inventa una referencia y el equipo registra fielmente la conversación, el error sigue siendo un error. Si una clasificación automática reproduce un sesgo, documentarla no sustituye la evaluación metodológica. Si un texto generado se incorpora sin verificar, la existencia del prompt no transfiere la responsabilidad a la máquina. El Comité Internacional de Editores de Revistas Médicas sostiene que quienes firman un trabajo mantienen la responsabilidad por la exactitud, integridad y originalidad del contenido generado con apoyo de IA. También pide transparentar qué herramienta se utilizó y con qué propósito. En la misma línea, la política de Nature Portfolio sobre inteligencia artificial subraya que la rendición de cuentas humana no puede delegarse y que la herramienta puede apoyar, pero no reemplazar, el juicio académico. Por eso una buena entrada de bitácora no termina en “respuesta obtenida”. Debe incluir “verificación realizada” y “decisión humana”. Esas dos columnas separan un archivo de conversaciones de un registro de investigación. Diez campos mínimos para registrar un uso sustantivo La estructura puede adaptarse a cada disciplina, pero una entrada útil debiera permitir responder al menos estas preguntas: Fecha, responsable y fase: ¿quién utilizó la herramienta y en qué etapa del proyecto? Tarea y propósito: ¿qué problema se intentaba resolver y por qué se consideró pertinente usar IA? Herramienta y acceso: ¿cuál fue el proveedor, producto, modelo o versión disponible y mediante qué interfaz o API se accedió? Materiales de entrada: ¿se ingresaron instrucciones, textos, datos, imágenes, código o documentos? ¿Eran públicos, confidenciales, personales o sensibles? Instrucciones y configuración: ¿qué prompts, contexto del sistema, parámetros o esquema de clasificación influyeron en la salida? Salida relevante: ¿qué respuesta, código, etiqueta, síntesis o recomendación se utilizó, descartó o transformó? Comprobación: ¿qué fuentes, pruebas, datos, ejecuciones, dobles codificaciones o revisiones expertas se usaron para verificarla? Decisión humana: ¿quién aceptó, modificó o rechazó la salida y con qué criterio? Efecto sobre la investigación: ¿el uso cambió una hipótesis, un instrumento, una muestra, un análisis, una interpretación o solo la forma de comunicar? Incidentes y correcciones: ¿se detectaron errores, sesgos, filtraciones, respuestas inestables o cambios posteriores que deban quedar asociados al registro? No todos los usos requieren la misma profundidad. Corregir puntuación puede registrarse de manera agregada en la versión del manuscrito. Generar código que produce una tabla central exige conservar instrucciones, archivos, dependencias, pruebas y revisión. Clasificar testimonios sensibles requiere, además, documentar las condiciones de privacidad, la base legítima para el tratamiento y las salvaguardas aplicadas. Una plantilla breve que sí puede usarse Una bitácora puede vivir en un repositorio, cuaderno electrónico, sistema de gestión de investigación o archivo estructurado. Lo importante es que se relacione con las versiones de datos, código y documentos, y no quede como una planilla huérfana. Campo Registro esperado Identificador Proyecto, fecha, persona responsable y fase Propósito Tarea concreta y justificación del uso Sistema Proveedor, herramienta, modelo/versión, fecha y forma de acceso Entradas Prompt, contexto, archivos y clasificación de sensibilidad Salidas Resultado relevante conservado o referencia a su ubicación Verificación Fuentes, pruebas, comparación, revisión o segunda codificación Decisión Uso, modificación o rechazo y fundamento humano Evidencia Enlace a datos, código, versiones, anexos o identificadores Riesgo/incidente Limitación, sesgo, error, exposición o corrección Declaración pública Qué debe informarse en método, anexos o publicación Cuando un servicio no muestra la versión exacta, conviene registrarlo en lugar de inventarla: nombre comercial, fecha y hora, modalidad de acceso, plan utilizado y cualquier información disponible. La incertidumbre documentada es más útil que una precisión ficticia. Registrar por fases ayuda a ver riesgos distintos En el diseño , la bitácora puede mostrar si una hipótesis fue propuesta por el equipo, sugerida por una herramienta o reformulada después de una salida. Eso permite evitar que una ocurrencia plausible aparezca luego como deducción inevitable. En la búsqueda y revisión de literatura , debe conservarse la estrategia y comprobarse cada fuente en su publicación original. Una lista generada por IA no es una base bibliográfica. Las referencias inexistentes o los resúmenes que alteran resultados siguen siendo riesgos conocidos. En la recolección y preparación de datos , el registro debe identificar transformaciones, exclusiones, imputaciones y exposición de información. Subir datos sensibles a un servicio externo puede crear un problema ético o contractual aunque la salida parezca útil. En el análisis , hay que vincular prompts con versiones de código, parámetros, resultados de pruebas y revisión experta. Si la IA sugirió un procedimiento, el equipo debe justificar su pertinencia metodológica y comprobar la ejecución. En la interpretación , conviene registrar explicaciones alternativas consideradas y evidencia utilizada para preferir una. Un modelo que redacta una conclusión convincente no demuestra que esa conclusión se desprenda de los datos. En la escritura y publicación , la declaración final debe corresponder al registro real. La bitácora interna puede ser más detallada; el artículo, sus métodos, anexos o repositorios deben ofrecer la información necesaria sin exponer datos protegidos. Transparencia no significa publicar información sensible Existe una tensión que no puede resolverse con la instrucción “guarde y comparta todo”. Los prompts pueden contener datos personales, manuscritos bajo revisión, secretos comerciales, ubicaciones sensibles, propiedad intelectual o información entregada bajo consentimiento restringido. La trazabilidad responsable distingue entre conservar , compartir con acceso controlado y publicar abiertamente . Un comité de ética, una auditoría o una revisión editorial pueden requerir acceso a ciertos registros que no deben quedar disponibles en internet. En otros casos, bastará una versión depurada del prompt, una descripción funcional o un identificador protegido. Aquí resulta útil aplicar una lógica de riesgo. El perfil de NIST para la gestión de riesgos de IA generativa no es una norma específica para la investigación chilena, pero aporta prácticas transferibles: inventariar sistemas, conservar procedencia y versiones, documentar cambios, definir supervisión humana y registrar errores o incidentes. La bitácora, por tanto, también debe decir qué no se ingresó a la herramienta y por qué. De la iniciativa individual a un estándar institucional Si cada investigadora diseña su propio registro desde cero, la trazabilidad será desigual. Las instituciones de educación superior pueden reducir esa carga con una plantilla común y reglas proporcionales. Un estándar institucional debiera definir: usos que requieren registro detallado y usos menores que pueden declararse de forma agregada; herramientas autorizadas y condiciones para datos personales, confidenciales o no publicados; campos mínimos, formatos y plazos de conservación; relación con protocolos, repositorios, cuadernos de laboratorio, control de versiones y comités de ética; responsables de revisión cuando la IA influye en resultados, imágenes, código o clasificación; criterios para declaraciones en tesis, informes, artículos y productos de transferencia; procedimiento para corregir el registro si aparece un error después de publicar. La institución también debe evitar un efecto contraproducente: crear un formulario tan extenso que los equipos lo completen al final, de memoria y solo para cumplir. La bitácora funciona cuando acompaña el proceso y genera valor: ayuda a retomar decisiones, comparar versiones, responder revisiones, detectar fallas y explicar el método. La verificabilidad se construye durante la investigación La transparencia sobre IA no puede añadirse como una frase decorativa cuando el manuscrito ya está terminado. Para entonces, muchos detalles se habrán perdido: el modelo cambió, la conversación desapareció, el código fue sobrescrito o nadie recuerda por qué se aceptó una clasificación. Registrar mientras se trabaja transforma una declaración vaga en una cadena examinable de decisiones. También protege al equipo: permite demostrar que una salida fue verificada, que un dato sensible no se expuso, que una propuesta automática fue rechazada o que la interpretación final surgió de evidencia y deliberación humana. La bitácora no vuelve infalible a la investigación ni domestica por completo a una tecnología cambiante. Hace algo más sobrio y útil: evita que una parte relevante del método quede escondida detrás de la frase “usamos IA”. Si quieres seguir explorando prácticas responsables para integrar inteligencia artificial, calidad e innovación en instituciones educativas, regístrate gratis en InnovacionAcademica.org y participa en una comunidad que busca convertir nuevas herramientas en capacidades verificables, no solo en promesas. Fuentes consultadas Comisión Europea — Living guidelines on the responsible use of generative AI in research, tercera versión, mayo de 2026. ICMJE — Use of Artificial Intelligence by Authors. Nature Portfolio — Artificial Intelligence: marco de evaluación de riesgos para publicación científica. NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1).