El correo llegó a las 11 de la noche. Una estudiante de doctorado, a tres semanas de entregar su tesis, me escribía en pánico: le habían dicho que usar ChatGPT para entender sus resultados de SPSS era hacer trampa. Llevaba horas borrando conversaciones de su historial como si hubiera cometido un crimen. Le respondí con lo que le digo a todos: la IA no es trampa, es una herramienta. Pero como cualquier herramienta, usarla mal sí puede arruinar tu trabajo.
En los últimos dos años, la inteligencia artificial ha entrado de forma irreversible en el flujo de trabajo de la investigación psicológica. No como una promesa futura, sino como una realidad cotidiana que muchos investigadores usan en silencio porque no saben bien si está permitido, cómo hacerlo bien o cómo reportarlo. Esta guía existe para cerrar ese vacío.
Qué puede hacer la IA por tu investigación (y qué no puede)
Antes de entrar en herramientas concretas, necesito ser honesto sobre lo que la IA hace bien y dónde falla estrepitosamente en contextos de investigación psicológica.
Lo que la IA hace bien en investigación:
- Explicar outputs estadísticos en lenguaje comprensible
- Generar código R o Python a partir de una descripción de lo que necesitas
- Revisar la gramática y coherencia de la sección de resultados
- Resumir artículos o ayudarte a encontrar patrones en revisiones bibliográficas
- Explicarte conceptos estadísticos que no entiendes
Donde la IA puede hacerte daño:
- Interpretar tus datos sin que tú los valides (las alucinaciones estadísticas existen)
- Generar referencias bibliográficas que parecen reales pero son inventadas
- Tomar decisiones metodológicas que corresponden al investigador
- Redactar la discusión sin una supervisión crítica de cada afirmación
ChatGPT y Claude para entender tus datos de SPSS o R
Este es el caso de uso más común y también el más infravalorado. Cuando SPSS te devuelve una tabla de resultados de regresión logística con cinco bloques de variables y tres índices de ajuste diferentes, entender qué significa todo eso puede llevar horas si no tienes experiencia. Un buen modelo de lenguaje puede explicarte, en dos minutos, qué significa cada columna y qué deberías reportar.
El truco está en cómo hacerlo bien. No le preguntes "¿son buenos mis resultados?". Eso es demasiado vago y la IA rellenará con generalidades. En cambio, copia la tabla directamente (o descríbela con precisión) y pregunta algo específico: "Esta tabla de ANOVA muestra F(2,87) = 4.32, p = .016, η² = .09. ¿Cómo interpreto el tamaño del efecto y qué debería concluir sobre las diferencias entre grupos?"
Cuanto más específico seas, más útil será la respuesta. Y siempre verifica. Los modelos de lenguaje cometen errores estadísticos. No son revisores de tu tesis, son un tutor brillante pero falible.
Generar código R con IA: el cambio de juego real
Si hay algo que ha transformado radicalmente el flujo de trabajo de muchos investigadores es la capacidad de generar código R sin necesidad de memorizar sintaxis. Esto es especialmente valioso para psicólogos que saben lo que quieren analizar pero no son programadores.
Imagina que necesitas calcular el omega de McDonald para fiabilidad en lugar del alpha de Cronbach. En el pasado, eso implicaba buscar el paquete correcto, leer documentación, entender la sintaxis. Ahora puedes escribir: "Tengo una matriz de correlaciones de un cuestionario de 12 ítems en R. Quiero calcular el omega de McDonald usando el paquete psych. ¿Me escribes el código con explicación de cada paso?" y en treinta segundos tienes código funcional. La IA es especialmente útil cuando estás eligiendo entre SPSS, R o jamovi y necesitas traducir entre sintaxis de un paquete a otro.
# Código generado con asistencia de IA y verificado por el investigador
library(psych)
library(lavaan)
# Cargar datos
datos <- read.csv("mi_cuestionario.csv")
# Calcular omega de McDonald
omega_resultado <- omega(datos[, 1:12], nfactors = 1)
summary(omega_resultado)
# Extraer el omega total
cat("Omega de McDonald:", omega_resultado$omega.tot, "
")
cat("IC 95%:", omega_resultado$omega.lim[1], "-", omega_resultado$omega.lim[2], "
")El punto clave: siempre añade la nota "generado con asistencia de IA y verificado por el investigador". No porque sea obligatorio en todos los contextos, sino porque te obliga a ti mismo a verificarlo de verdad.
Herramientas específicas que vale la pena conocer
No todas las herramientas de software estadístico ni de IA son iguales para investigación psicológica. Aquí tienes las que están demostrando mayor utilidad práctica en 2026:
ChatGPT (GPT-4o): El más versátil para tareas de explicación, generación de código y revisión de texto. Tiene acceso a internet en algunos planes y puede buscar artículos. Su principal limitación es que puede inventar referencias con total confianza.
Claude (Anthropic): Especialmente bueno para análisis de texto largo, revisión de borradores de manuscritos y razonamiento estadístico. Tiende a ser más cauteloso que GPT cuando no está seguro de algo, lo que en investigación es una ventaja.
Perplexity AI: Ideal para búsquedas bibliográficas porque cita fuentes verificables en tiempo real. Úsalo como punto de partida para reviews y no como fuente definitiva.
GitHub Copilot en RStudio: Si trabajas con R habitualmente, la integración de Copilot directamente en el editor es una revolución silenciosa. Sugiere código mientras escribes, entiende el contexto de tu script y puede completar análisis enteros.
Elicit.org: Diseñado específicamente para revisiones bibliográficas. Busca en bases de datos académicas y extrae información clave de los papers (población, intervención, tamaño muestral, resultados principales). Ahorra horas en revisiones sistemáticas.
La pregunta que todos evitan: ¿cuándo es plagio?
Esta es la pregunta incómoda, pero necesaria. Y la respuesta honesta es: depende de tu institución y de la política de cada revista.
En términos generales, el consenso que está emergiendo en la comunidad científica es el siguiente. Usar IA para entender tus datos, generar código que luego verificas, corregir la gramática de tu texto o resumir artículos durante tu revisión: esto es una herramienta de trabajo legítima, igual que usar calculadoras o buscadores. Usar IA para generar texto de tu manuscrito sin revisión crítica, atribuirte ideas que la IA generó o no reportar su uso cuando la política editorial lo exige: esto es un problema ético.
Las grandes revistas de psicología (APA, Wiley, Elsevier) han actualizado sus políticas en 2025. El consenso común es: puedes usar IA como herramienta de asistencia, pero debes declararlo en la sección de métodos o en los agradecimientos. Si vas a redactar resultados con apoyo de un LLM, asegúrate de seguir las convenciones de reporte APA 7 (o usa nuestro formateador de resultados APA para agilizar el proceso) antes de copiar nada al manuscrito. Un ejemplo de cómo hacerlo:
"Los análisis estadísticos fueron realizados por los autores en R 4.4.0. Se utilizó asistencia de inteligencia artificial (ChatGPT-4o, OpenAI) para la generación inicial de código de análisis, que fue verificado y modificado por los autores. Ninguna parte del texto del manuscrito fue generada directamente por IA."
Dónde poner el límite: la regla del 70/30
Después de trabajar con muchos investigadores en la transición hacia el uso de IA, he desarrollado una heurística informal que llamo la regla del 70/30. La IA puede hacer el 70% del trabajo mecánico (formatear tablas, generar código básico, explicar outputs, revisar ortografía, buscar artículos relevantes). Tú debes hacer el 100% del trabajo intelectual (interpretar qué significan los resultados para tu campo, decidir qué análisis tiene sentido, discutir las implicaciones, validar cada número).
Cuando esa proporción se invierte, cuando la IA está tomando decisiones sustantivas y tú solo estás aprobando, es cuando la investigación pierde integridad. No porque la IA sea mala, sino porque los errores que comete en contextos específicos de investigación (no conoce tu muestra, no sabe el historial de tu campo, no entiende las particularidades de tu instrumento) solo puedes detectarlos tú.
El futuro que ya está aquí
En los próximos dos años, la integración de IA en el ciclo completo de investigación psicológica será la norma. Ya hay laboratorios usando modelos de lenguaje para analizar transcritos de entrevistas cualitativas, para extraer datos de tablas en PDFs de papers, para identificar estudios candidatos en revisiones sistemáticas con miles de abstracts.
Los investigadores que aprendan a usar estas herramientas bien, con criterio y de forma transparente, van a tener una ventaja competitiva real. Los que las ignoren perderán productividad. Los que las usen sin juicio crítico cometerán errores que podrían haberse evitado.
La habilidad que más va a distinguir a los buenos investigadores en psicología en los próximos años no será saber más estadística, sino saber hacer las preguntas correctas, a las personas correctas y a las máquinas correctas.