Ana Henríquez Orrego Observatorio de IA en Educación Universidad de Las Américas
Hay problemas que no se presentan con estridencia, sino con una apariencia impecable de normalidad. En el uso académico de la inteligencia artificial, uno de ellos aparece cuando esta tecnología responde demasiado bien: usa lenguaje experto, organiza la información con fluidez y ofrece resultados que parecen evidencia. Sin embargo, al verificar, esa seguridad puede derrumbarse: los datos no existen, las fuentes no aparecen o los detalles han sido completados con información plausible, pero falsa.
No se trata de una sospecha abstracta. El estudio de Cabezas-Clavijo y Sidorenko-Bautista, publicado en 2026, evaluó ocho asistentes conversacionales de IA en la generación de referencias académicas. De las 400 referencias analizadas, solo el 26% fue completamente correcto; el 33% correspondía a fuentes reales, pero con errores; y el 40% resultó incorrecto o fabricado. En algunos casos, el problema fue extremo: Copilot fabricó el 100% de las referencias analizadas; Perplexity, el 72%; y Claude, el 64%. Grok y DeepSeek tuvieron mejor desempeño relativo, pero el punto central es claro: ninguno fue completamente preciso.
Las alucinaciones de la IA no son simples equivocaciones. Son respuestas producidas por sistemas que predicen lenguaje con alta eficacia, pero sin una relación estable con la verdad empírica. Cuando el modelo carece de información suficiente, puede completar vacíos con combinaciones probables: autores comunes, fechas posibles, títulos verosímiles o explicaciones coherentes. La máquina puede sonar segura sin saber, organizar una respuesta sin haber verificado y producir autoridad retórica sin sustento documental. Aunque los modelos mejoran e incorporan búsqueda web, conectores o acceso a fuentes, el riesgo no ha sido superado.
Por eso la alfabetización en IA debe ir más allá de enseñar a usar aplicaciones o escribir prompts. Debe formar criterio para seleccionar herramientas según la tarea, distinguir entre exploración y validación, verificar resultados, reconocer señales de alerta, proteger datos y exigir acceso a las fuentes. No es lo mismo usar un chatbot general para ordenar ideas que emplear herramientas orientadas a investigación, como Consensus, SciSpace, Elicit, ResearchRabbit, Semantic Scholar, Scite, Mendeley, Scholarcy o NotebookLM. La diferencia está en la trazabilidad, el control del corpus, la curaduría y la posibilidad de revisar la fuente original.
La respuesta educativa debe ser propositiva y exigente: usar IA como apoyo, no como autoridad final; preferir entornos donde el usuario pueda revisar documentos, contrastar información y controlar fuentes; y diseñar actividades donde los estudiantes deban justificar, comprobar y corregir lo que la herramienta entrega. Las alucinaciones no se abordan solo con prohibiciones ni con entusiasmo tecnológico, sino con método, cultura de verificación y alfabetización crítica. Ese es uno de los desafíos educativos de fondo: integrar la IA con criterio pedagógico, verificación y responsabilidad.
Equipo Prensa
Portal Educa
