ChatGPT e IA para el Análisis Estadístico de tu Tesis: lo que sí y lo que no

La pregunta llega cada semana: "¿Puedo usar ChatGPT para analizar los datos de mi tesis?" La respuesta honesta es que depende de para qué, y que la diferencia entre los casos buenos y los malos puede costarte la defensa. Esta guía separa lo que la IA hace bien de lo que inventa, y te dice en qué punto un estadístico real deja de ser opcional.

Primero, el contexto: qué tipo de IA estamos hablando

ChatGPT, Claude, Gemini y similares son modelos de lenguaje. Están entrenados para predecir texto plausible, no para ejecutar estadística correcta. Eso significa que pueden darte respuestas que parecen estadísticas pero que son incorrectas, y la plausibilidad del texto hace difícil distinguir lo correcto de lo inventado si no tienes criterio previo. No tienen acceso a tus datos (a menos que los pegues directamente), no ejecutan software estadístico y no razonan sobre la lógica interna de tu diseño.

Hay excepciones: algunos sistemas integran herramientas de código (Python, R) que sí ejecutan análisis reales. Pero incluso ahí, la interpretación de los resultados en el contexto de tu pregunta y tu diseño requiere juicio que el modelo no tiene.

Lo que la IA hace bien

Hay usos reales y legítimos:

• Entender un output que ya tienes: pegas los resultados de SPSS o R y pides una explicación. Aquí la IA es útil, pero comprueba siempre contra la documentación del test. Los valores que interpreta son los que le das tú; si los resultados en sí están mal (porque elegiste el test incorrecto), la interpretación también estará mal.
• Redactar la sección de resultados a partir de los datos correctos: si tú ya sabes los valores y el criterio de interpretación, la IA puede ayudarte a dar forma al texto. Es un asistente de escritura, no un analista.
• Buscar y entender literatura: para explorar conceptos, pedir que te explique qué es la invarianza de medida o qué diferencia hay entre el ICC(2,1) y el ICC(3,1). Útil para entender, no para decidir si tu análisis lo requiere.
• Código de R o Python para análisis que ya sabes hacer: si sabes qué test ejecutar y qué opciones tiene, la IA puede escribirte el código. El riesgo aquí es confiar en código que parece correcto pero usa paquetes obsoletos o especifica mal los parámetros.
• Revisar la redacción de hipótesis y objetivos: mejorar la claridad, el registro académico, la ortografía. Aquí el riesgo es bajo.

Lo que la IA no puede hacer (y donde el riesgo es alto)

• Elegir el test estadístico correcto para tu diseño: sin ver tus datos, sin saber el tipo de cada variable, sin entender el diseño de medida repetida o el anidamiento, cualquier recomendación es una probabilidad razonada, no un criterio técnico. El artículo sobre cómo elegir el test estadístico recorre los criterios reales.
• Verificar supuestos: normalidad, homocedasticidad, independencia de los residuos. Eso requiere ejecutar los tests sobre los datos reales y tomar decisiones sobre qué hacer cuando el supuesto no se cumple.
• Calcular e interpretar el tamaño del efecto: la IA puede decirte que una d de Cohen de 0.5 es "media", pero no puede calcularla desde tu tabla de resultados sin errores y no puede decirte si ese tamaño tiene sentido en el contexto clínico de tu variable. La guía de interpretación del tamaño del efecto y la calculadora te dan la base.
• Justificar el tamaño muestral: el comité o el revisor pedirá los 4 ingredientes del cálculo de potencia (efecto esperado, alpha, potencia, test específico) y la fuente del efecto. La IA inventará números si no los tienen; el artículo de cálculo del tamaño muestral explica cómo hacerlo bien.
• Evaluar la validez del diseño: si tu diseño transversal no permite inferir causalidad, si la muestra tiene un sesgo de selección, si las variables de control que elegiste son correctas. Eso es juicio experto.

El error más peligroso: que la IA te invente resultados plausibles

Los modelos de lenguaje "alucinen" con más frecuencia en tareas numéricas que en tareas textuales. Si pegas tus datos en el chat y pides los resultados del ANOVA, el modelo puede devolverte valores plausibles que no se corresponden con ningún cálculo real. Los tribunales de tesis y los revisores sí detectan esto: resultados sin lógica interna, discrepancias entre N y grados de libertad, tamaños del efecto inconsistentes con los p-valores.

La prueba de fuego es siempre: ¿puedes replicar el resultado en SPSS, R o cualquier otro software estadístico con tus datos? Si no puedes, el número no existe.

La IA como acelerador, no como sustituto

El uso más inteligente de la IA en una tesis estadística es como acelerador de pasos que ya dominas: si ya decidiste que harás una regresión logística y ya has verificado los supuestos, la IA puede ayudarte a redactar los resultados. Si ya tienes el output del AFC y sabes que el CFI de .94 y el RMSEA de .057 son aceptables, la IA puede ayudarte a estructurar ese párrafo en APA. Pero la decisión de que esos índices son aceptables en tu contexto no puede delegarse.

El patrón problemático es el inverso: usar la IA al principio, cuando todavía no sabes qué test hacer ni qué supuestos verificar, y confiar en que el modelo toma esas decisiones por ti. Ahí es donde se generan los errores que el tribunal detecta.

Cuándo tiene sentido contratar a un estadístico

La señal más clara es cuando llevas tiempo consultando a la IA y las respuestas que te da no puedes ni verificarlas ni entender del todo. Otro indicador: cuando el análisis que necesitas (SEM, modelos multinivel, invarianza de medida, análisis de supervivencia) tiene condiciones técnicas que van más allá de correr el test por defecto. Un estadístico no solo ejecuta el análisis; te explica qué condiciones tiene que cumplir, qué significa si no las cumple y cómo reportarlo de forma que supere la revisión por pares. El artículo sobre cómo elegir un estadístico para tu tesis recorre los criterios para distinguir un buen asesor de una fábrica de análisis.