En breve
Con la suscripción de ChatGPT compras amplitud: te explica un concepto las veces que haga falta, te escribe la sintaxis de un modelo mixto y te reescribe una discusión en un idioma que no es el tuyo. Con una herramienta especializada compras garantías sobre un número concreto. La diferencia no es de calidad, es de mecanismo: un modelo genera un valor p escribiendo el token más probable después de tus grados de libertad, mientras que una herramienta especializada lo calcula resolviendo la distribución, y las dos cosas salen por pantalla exactamente iguales. Con las referencias pasa lo mismo: un modelo las reconstruye de memoria, así que salen plausibles y a veces falsas, mientras que una herramienta las busca una a una en las bases donde estarían si existieran. La regla práctica: mientras aprendes, programas o redactas, ChatGPT rinde más; cuando lo que está en juego es si los números del manuscrito se sostienen, quieres algo que compruebe. Y no son excluyentes, porque no compiten en la misma semana.
La decisión que tienes delante no es filosófica, es de treinta segundos en una pantalla de pago. Ya tienes ChatGPT, alguien de tu grupo te ha enseñado una herramienta que hace pre-revisión de manuscritos, y antes de meter la tarjeta otra vez te haces la pregunta razonable: si ya pago por una IA que hace de todo, ¿para qué pago por una que hace una cosa? Tiene respuesta, y no es la que esperas de alguien que vende la segunda: para casi todo lo que haces en una semana normal de doctorado, ChatGPT rinde más. Lo que sigue es dónde deja de rendir, por qué deja de rendir, y qué compras exactamente cuando pagas lo otro. Si lo que buscas es el mapa general de qué se le puede delegar a la IA en una tesis, eso está en ChatGPT e IA para el análisis estadístico de tu tesis; aquí va solo la comparación de las dos facturas.
Se compara por categoría, no por calidad
El instinto es ordenarlas: cuál es mejor. Esa pregunta no tiene respuesta porque no están en la misma categoría. La mayoría de las herramientas que se le venden a un investigador alrededor de un manuscrito son herramientas de LENGUA: gramática, estilo, ajuste al formato de la revista, traducción. Lo que se compara aquí es otra cosa, herramientas de ESTADÍSTICA Y VERIFICACIÓN, y decirlo así es más útil que fingir una rivalidad que no existe. Comparar ChatGPT con un verificador de estadística es comparar una navaja suiza con una llave dinamométrica: la navaja hace cuarenta cosas, la llave hace una y te da un número que puedes certificar. Nadie discute cuál es mejor herramienta.
Del precio diré solo lo que he podido comprobar. En la ficha de la aplicación de ChatGPT en la App Store, cuyo desarrollador figura como OpenAI OpCo, LLC, entre las compras dentro de la aplicación figura «ChatGPT Plus» a 19,99 $, y hay planes por encima y por debajo (comprobado el 4 de septiembre de 2026). No pongo aquí el precio de nada más porque los precios cambian y un número viejo en un artículo hace más daño que ningún número.
Además, el precio casi nunca es lo que decide. Los dos gastos son pequeños al lado de un año más de doctorado o de seis meses de vuelta a empezar tras un rechazo. Lo que decide es otra pregunta, y es la que sostiene todo lo que viene: ¿qué garantiza cada uno sobre lo que te devuelve?
Lo que compras con ChatGPT, y es mucho
Paciencia. El cuello de botella cuando aprendes estadística no es la información, que lleva treinta años en los mismos manuales: es tener delante a alguien a quien preguntarle lo mismo por quinta vez sin quedar mal, y que la quinta explicación sea distinta de las cuatro anteriores. Eso lo hace, lo hace bien, y no hay ninguna herramienta especializada que se le acerque. Si lo que te falta es entender por qué un modelo mixto no es lo mismo que una ANOVA de medidas repetidas, la conversación es el formato correcto.
Código. Te escribe la sintaxis, te traduce el análisis de SPSS a R, te dice por qué no converge un modelo. Y no se queda en escribirlo: la documentación de OpenAI para desarrolladores describe una herramienta de intérprete de código que permite al modelo escribir y ejecutar Python en un entorno aislado para tareas de análisis de datos, matemáticas y programación (comprobado el 4 de septiembre de 2026). Cuando esa herramienta entra en juego, detrás del número hay ejecución de verdad, no solo texto.
Redacción. Convierte tus notas en párrafos, aprieta una discusión que se ha ido treinta líneas de largo, traduce a un inglés que no delata. Para esto una herramienta de estadística es peor, sencillamente porque no lo hace, y hay además herramientas de lengua dedicadas a ello que también lo hacen bien. No compiten con lo que describo más abajo.
Así que la frase incómoda, sin truco: si tuvieras que elegir una sola suscripción y estás empezando la tesis, elige esta. El caso a favor de la otra no es que ChatGPT sea malo. Es que hay una cosa concreta que, por cómo está construido, no puede prometerte.
La diferencia estructural: generar un valor p no es calcularlo
Escribes «tengo F(2, 87) = 4.31, ¿cuál es la p?». Dentro pueden pasar dos cosas muy distintas, y por pantalla salen idénticas.
La primera es generación. El modelo produce la continuación más probable de lo que has escrito. Después de esos grados de libertad y ese estadístico, «p = .016» es una cadena verosímil: tiene la forma correcta, el número de decimales correcto y el orden de magnitud correcto. Puede incluso ser el número correcto: en este caso lo es, porque el área de la cola de la F con 2 y 87 grados de libertad por encima de 4.31 vale .0164. Pero no se ha calculado. Se ha escrito, y la próxima vez podría escribirse otro.
La segunda es cálculo. Algo evalúa esa distribución en ese punto y devuelve el área. Eso es aritmética: tiene una sola respuesta, no depende de cómo formularas la pregunta, no cambia si se lo preguntas mañana y no le afecta que en el mismo mensaje le hayas dicho que esperabas un efecto. Un cálculo no tiene opinión sobre tu hipótesis.
Y aquí está la parte que hay que decir para no vender humo: ChatGPT puede hacer la segunda, precisamente por el intérprete de código. El problema no es que no pueda, es que desde fuera no distingues cuál de las dos ha ocurrido. Un número calculado y un número escrito tienen exactamente el mismo aspecto en la respuesta. La regla operativa que uso es simple: si no he visto el código y su salida, trato el número como prosa. Y el modo de fallo es de los peores que hay, porque un valor p equivocado en el tercer decimal no rompe ninguna frase, no lo caza nadie leyendo, y es justo lo que un revisor metodológico recalcula en dos minutos.
La segunda diferencia: una referencia no se recuerda, se busca
Un modelo no lleva dentro una base bibliográfica que pueda consultar. Lleva la FORMA de una cita, aprendida de haber visto millones. Cuando le pides tres estudios sobre un tema produce, otra vez, la continuación más probable: un apellido de los que firman en esa literatura, un año que cuadra con cuándo el tema se puso de moda, un título montado con las palabras exactas del campo, una revista que publica justo eso y un DOI con el prefijo del editor correcto. Cada pieza por separado es real. La combinación, a veces, no.
No hace falta que lo diga alguien de fuera. En «Why Language Models Hallucinate» (Kalai, Nachum, Vempala y Zhang, 2025), tres de ellos investigadores de OpenAI y uno de Georgia Tech, el argumento es que el entrenamiento y la evaluación premian adivinar por encima de reconocer que no se sabe. El ejemplo que usan es doméstico: preguntan por el título de la tesis doctoral de uno de los propios autores y cada modelo devuelve un título distinto, todos equivocados. Y dejan anotado el detalle que aquí importa: ninguno buscó en la web.
Porque buscar sí se puede, y esa es la mitad justa de la historia. La documentación de OpenAI describe una herramienta de búsqueda web que permite al modelo acceder a información actualizada de internet y responder citando las fuentes (comprobado el 4 de septiembre de 2026). Con esa herramienta encendida el juego cambia. Apagada, la referencia es reconstrucción, y la reconstrucción produce falsedades con muy buen aspecto: autores reales, revista real, formato APA impecable. La referencia fabricada suele parecer MEJOR que la verdadera incómoda, ese capítulo de 1994 sin DOI que sí existe.
Una herramienta especializada hace lo contrario, y es mucho menos brillante: consulta. Coge tu referencia número 43 y la busca en Crossref, OpenAlex, Semantic Scholar, PubMed, DOAJ, arXiv y OpenLibrary. La respuesta no es «suena bien», es «este registro existe con estos autores y este año» o «no aparece en ninguna». Si prefieres hacerlo a mano, el procedimiento completo está en comprobar las referencias antes de enviar.
Lo que compras con una herramienta especializada: garantías, no inteligencia
Dicho sin adornos: la herramienta especializada es, en cualquier sentido general, más tonta. No te explica el concepto, no te reescribe la discusión, no sostiene una conversación sobre tu diseño y no sabe nada de tu campo que no esté en tu propio PDF. Si la juzgas por lo que ChatGPT hace bien, pierde en todo.
Determinismo. El mismo manuscrito dos veces da los mismos números, y esa es la propiedad que hace que un resultado sea discutible. Puedes coger un valor recalculado, meterlo tú en R y ver si coincide. Con una respuesta generada esa comprobación no significa nada, porque la siguiente respuesta puede ser otra sin que haya cambiado nada en tu manuscrito.
Cobertura. Esta es la que se subestima. ChatGPT contesta lo que le preguntas, y muy bien; el modo de fallo de un manuscrito es lo que no se te ocurrió preguntar. Nadie pega sus sesenta referencias de una en una a las tres de la mañana, ni le pasa uno a uno los cuarenta estadísticos del apartado de resultados. Una herramienta que hace una sola cosa la hace sobre todo el documento, incluida la tabla que llevas sin mirar desde marzo.
Traducido a lo que hay aquí: el Previum recalcula tus valores p desde tus grados de libertad con código, contrasta cada tamaño del efecto contra la F o la t que tú mismo reportas, y verifica las referencias una a una contra esas ocho bases. La prosa del informe sí la escribe un modelo, pero alrededor de números que no puede mover; si quieres ver qué aspecto tiene eso antes de decidir nada, el informe de ejemplo está entero y sin registro. Y la frase que no me ahorro: no es revisión por pares. Es autoevaluación del autor sobre su propio manuscrito antes de enviarlo.
Con la tarjeta delante: qué compras según en qué punto estés
El criterio no es cuál es mejor herramienta en abstracto, es qué estás haciendo esta semana. Estás aprendiendo, programando o redactando. ChatGPT, y con margen. Aquí la amplitud gana y la especialización no aporta nada: nadie necesita un verificador de valores p para entender qué es la homocedasticidad ni para arreglar un bucle en R.
Estás a punto de darle a enviar. Cambia la pregunta. Ya no es «cómo se hace esto», es «¿aguanta esto una lectura hostil?», y una lectura hostil empieza recalculando. Aquí quieres algo que compruebe todo el documento y te diga de dónde sale cada objeción, no algo que te dé una segunda opinión bien redactada sobre los tres párrafos que le has pegado.
Vuelves de una revisión con comentarios metodológicos. Los dos, y en orden. Primero comprueba si el revisor tiene razón en el número, que es un problema de cálculo; después redacta la respuesta, que es un problema de tono y de argumento, y ahí ChatGPT es un buen borrador con el que discutir.
Y la respuesta que nadie quiere oír, porque suena a que no me mojo, pero es la que se cumple: mucha gente acaba pagando las dos y no se siente estafada, porque no las abre la misma semana. La una es el compañero de mesa durante meses. La otra es la comprobación de los tres días antes de enviar.
Lo que no compras con ninguno de los dos
El criterio de diseño. Ninguna de las dos suscripciones decide si tu variable dependiente admite el modelo que le has puesto, si tu muestra da para las seis comparaciones que has hecho o si la pregunta que contestas es la que te interesaba. Si esa decisión está mal, todo lo que viene después es decoración: números impecablemente calculados sobre un análisis que no responde a nada. Un valor p correcto de un test equivocado sigue siendo un valor p equivocado.
Revisión por pares. Ni una ni otra, y conviene repetirlo porque el marketing de este sector lo difumina mucho. Lo que compras en los dos casos es una lectura previa, hecha antes y hecha por ti, con la ventaja de que a estas alturas todavía puedes cambiar cosas sin que quede constancia en ningún historial editorial.
Y un humano que se juegue su nombre en tu análisis. Eso, cuando hace falta, no se compra por suscripción: se contrata, se le enseñan los datos y responde de lo que firma. Si has llegado hasta aquí porque el análisis se te ha ido de las manos y no es cuestión de comprobar sino de rehacer, eso es consultoría estadística y es otro tipo de gasto.
Preguntas frecuentes
¿Merece la pena pagar ChatGPT para la tesis?
Si estás en la parte de aprender, programar y escribir, sí, y es de los gastos que mejor se justifican de todo el doctorado: te explica lo mismo cinco veces sin cansarse, te escribe la sintaxis que ibas a copiar mal de un foro y te convierte tus notas en párrafos. El límite llega el día en que dejas de preguntar «cómo se hace esto» y empiezas a preguntar «¿está bien este número?». Ahí lo que necesitas no es un interlocutor mejor, es un cálculo, y son cosas distintas.
¿Puede ChatGPT calcular bien un valor p?
Puede, si usa la herramienta de código. La documentación de OpenAI para desarrolladores describe un intérprete que escribe y ejecuta Python en un entorno aislado (comprobado en septiembre de 2026), y un número que sale de ahí está calculado de verdad. Lo que no puedes es darlo por hecho: en la respuesta, un número calculado y un número escrito tienen el mismo aspecto, los mismos decimales y la misma seguridad. Pídele el código, ejecútalo tú y compara. Si no vas a hacer eso, trata el número como una hipótesis que todavía hay que comprobar.
¿Por qué se inventa referencias si puede buscar en internet?
Porque buscar es una herramienta que se enciende, no el comportamiento por defecto, y sin ella la referencia sale de la memoria y no de una base de datos. En «Why Language Models Hallucinate» (Kalai, Nachum, Vempala y Zhang, 2025) los autores piden el título de una tesis doctoral concreta a varios modelos y cada uno devuelve uno distinto, todos falsos; dejan anotado que ninguno buscó en la web, y proponen que el entrenamiento y la evaluación premian adivinar frente a decir que no se sabe. La consecuencia práctica es cómoda de recordar: si no ves las fuentes citadas en la respuesta, asume reconstrucción y comprueba.
¿Necesito las dos suscripciones o me vale con una?
Depende de dónde tengas el riesgo, no de cuánto quieras gastar. Si tu problema es que no sabes hacer el análisis, una sola y que sea ChatGPT: lo que te falta es aprender y para eso el formato de conversación es imbatible. Si tu problema es que el análisis ya está hecho y vas a mandarlo a una revista donde un rechazo cuesta seis meses de calendario, la segunda deja de ser un capricho. Mucha gente termina con las dos porque no se solapan: una acompaña meses, la otra se usa tres días.
Una herramienta especializada también lleva un modelo de lenguaje dentro, ¿no?
Sí, y conviene decirlo en voz alta en vez de esconderlo detrás de la palabra «algoritmo». La diferencia está en qué parte le toca al modelo. En el caso de Previum, los valores p se recalculan con código desde los grados de libertad, los tamaños del efecto se contrastan contra el estadístico que tú reportas y las referencias se consultan en bases externas; el modelo escribe la prosa que envuelve esos resultados y decide el orden en que te plantea las objeciones, pero no puede mover un número. Si una herramienta no te dice con claridad qué parte calcula y qué parte redacta, esa es exactamente la pregunta que hay que hacerle antes de pagarla.
¿Usar cualquiera de las dos es hacer trampa?
No, y el criterio es el mismo en los dos casos: el problema nunca ha sido la herramienta, sino firmar algo que no sabrías defender. Que un programa te recalcule un valor p es tan tramposo como que te lo calcule SPSS. Que un modelo te reescriba un párrafo es cuestión de declararlo donde te lo pidan y de que la idea sea tuya. La línea se cruza cuando entregas un análisis que no entiendes, y esa línea existía mucho antes de que hubiera suscripciones.
Antes de decidir qué suscripción pagas, mira qué sale de tu manuscrito
Previum recalcula tus valores p desde tus grados de libertad, contrasta cada tamaño del efecto contra tu propia F o t y busca cada referencia en ocho bases bibliográficas, y te devuelve cada objeción con el número del que sale. No es revisión por pares: es tu propia comprobación antes de enviar. La versión Básica gratuita te enseña el mecanismo con tu manuscrito delante, que es mejor argumento que este artículo.
Pasa tu manuscrito por el revisor →La pregunta con la que has llegado —si estás pagando dos veces por lo mismo— tiene una respuesta corta: no, porque una escribe y la otra comprueba, y lo que audita un revisor con una calculadora en la mano es el número, no la redacción. Si lo que quieres ahora es el listado concreto de qué mirar en tus propios números antes de enviar, con herramientas o sin ellas, está en comprobar el análisis antes de enviar.