Fundamentos: IA en la Investigación Social

¿Qué es la IA generativa?

La inteligencia artificial generativa es un tipo de software capaz de crear contenido nuevo —texto, imágenes, audio, código— a partir de patrones aprendidos durante su entrenamiento. No copia: genera. Pero tampoco inventa desde la nada: trabaja con probabilidades.

Los modelos de lenguaje grande (LLM) como Claude, GPT o Gemini fueron entrenados con cantidades enormes de texto: libros, artículos científicos, foros, documentación técnica, páginas web. Durante ese entrenamiento, el modelo aprendió algo aparentemente simple pero profundo: predecir la siguiente palabra en una secuencia.

Esa capacidad de predicción, aplicada miles de millones de veces y refinada con retroalimentación humana, produce algo que se siente como comprensión. El modelo no entiende como entendemos nosotros, pero puede mantener coherencia, seguir instrucciones complejas y generar respuestas útiles y bien estructuradas.

¿Por qué importa para quien investiga?

Porque la investigación social implica tareas que la IA generativa puede potenciar enormemente:

• Revisión de literatura: sintetizar decenas de artículos, identificar tendencias y vacíos en el campo.
• Análisis de datos cualitativos: codificar entrevistas, encontrar patrones en textos, triangular fuentes.
• Escritura académica: estructurar argumentos, redactar borradores, traducir entre registros.
• Diseño metodológico: explorar opciones de muestreo, comparar estrategias analíticas, anticipar limitaciones.

¿Qué puede y qué no puede hacer?

La IA generativa es excelente para organizar, sintetizar, explorar y redactar. Pero tiene limitaciones reales que todo investigador debe conocer:

• Puede inventar referencias bibliográficas que no existen (las llamadas «alucinaciones»).
• No accede a bases de datos académicas en tiempo real (Scopus, Web of Science, JSTOR).
• No tiene juicio epistemológico: no distingue entre un argumento sólido y uno débil por convicción, solo por patrón.
• Puede reproducir sesgos presentes en los datos con los que fue entrenada.
• Su conocimiento tiene una fecha de corte: no sabe qué pasó después de esa fecha.

Morin y el pensamiento complejo

Edgar Morin nos advirtió que el mayor peligro del conocimiento contemporáneo es la fragmentación: separamos lo que está conectado, simplificamos lo que es complejo, aislamos lo que es interdependiente. La IA generativa, paradójicamente, puede ser una aliada contra esa fragmentación —porque es capaz de conectar campos que normalmente no se cruzan—, pero también puede agravarla si la usamos solo para producir más rápido sin pensar más profundo.

Como escribió Morin: «La reforma del pensamiento es una necesidad democrática clave: formar ciudadanos capaces de enfrentar los problemas de su tiempo.» Usar IA con criterio es parte de esa reforma.

Bourdieu y la reflexividad científica

Pierre Bourdieu insistió en que todo acto científico requiere reflexividad: el sociólogo que investiga no puede no saber lo que hace. No puede ocultarse detrás de la objetividad como si fuera neutral. Siempre está implicado en el proceso de conocimiento.

¿Qué significa esto cuando usamos IA? Significa que debes ser consciente de:

• Qué decisiones has tomado al diseñar tu pregunta para la IA.
• Qué asunciones están incrustadas en los datos con los que fue entrenada la IA.
• Cómo tu interpretación de los resultados refleja tus propios esquemas conceptuales.
• Cómo la IA amplifica o disimula ciertas voces en tu investigación.

La reflexividad no desaparece con la IA. Se complica, se profundiza, se vuelve más necesaria.

Referencias clave

• • Bourdieu, P. (1990). In Other Words: Essays Towards a Reflexive Sociology. Polity Press.
• • Morin, E. (1994). Introducción al Pensamiento Complejo. Gedisa.
• • Latour, B. (2008). Reensamblar lo social: una introducción a la teoría del actor-red. Manantial.
• • Anthropic. (2024). Constitutional AI: Harmlessness from AI Feedback. Technical Paper.