¿Estudiar con IA es hacer trampa? La respuesta corta
Usar IA para estudiar no es hacer trampa. Usar IA para producir un trabajo que se califica como tuyo sí lo es, cuando el enunciado no lo permitía o cuando no lo declaraste. Las políticas de integridad académica casi nunca preguntan qué herramienta abriste. Preguntan dos cosas: quién escribió el trabajo entregado y si fuiste honesto sobre cómo se hizo.
Esa distinción carga con mucho peso, porque la misma herramienta cae a un lado o al otro de la línea según la tarea. Si le pides a ChatGPT que te explique la regla de la cadena la noche antes de un examen sin apuntes, estás estudiando. Ninguna política de referencia lo prohíbe. Si le pides que escriba tres párrafos de tu ensayo y los entregas sin señalarlos, eso es una falta en casi cualquier institución. Las correcciones de gramática quedan en medio, y ese terreno intermedio es donde ocurre casi todo conflicto real.
Así que la pregunta útil no es «¿la IA es hacer trampa?». Es «¿qué nivel de uso de IA permite esta evaluación concreta, y puedo mostrar mi proceso si alguien me lo pide?». El resto de este artículo responde a las dos.
Cuántos estudiantes usan IA y qué pocos son descubiertos
La magnitud del uso ya no está en discusión. La encuesta estudiantil de 2026 del Higher Education Policy Institute (HEPI), realizada por Savanta con 1,054 estudiantes de grado a tiempo completo del Reino Unido en diciembre de 2025, encontró que el 94% afirma usar IA generativa como apoyo en trabajos evaluados. La proporción que pega texto generado por IA directamente en trabajos evaluados llegó al 12%, frente al 8% del año anterior y al 3% de dos años antes. Casi dos tercios de los estudiantes, el 65%, dijeron que la evaluación ha cambiado de forma significativa como respuesta.
Compara eso con cuántos son descubiertos. Una investigación de The Guardian, basada en solicitudes de acceso a la información dirigidas a 155 universidades británicas, de las cuales respondieron 131, registró cerca de 7,000 casos probados de fraude asistido por IA en el curso 2023-24. Eso equivale a 5.1 casos por cada 1,000 estudiantes, un salto brusco frente a 1.6 por cada 1,000 del año anterior, y aun así un error de redondeo al lado del uso declarado. Más de una cuarta parte de las universidades que respondieron ni siquiera registraban el mal uso de la IA como categoría propia.
| Qué mide el dato | Cifra | Fuente |
|---|---|---|
| Estudiantes que usan IA generativa en trabajos evaluados | 94% | HEPI Report 199 (Savanta, diciembre de 2025, n=1,054) |
| Estudiantes que pegan texto generado por IA directamente en trabajos evaluados | 12% | HEPI Report 199 |
| Casos probados de mala conducta con IA, Reino Unido, 2023-24 | 5.1 por cada 1,000 estudiantes (~0.5%), frente a 1.6 el año anterior | Solicitudes FOI de The Guardian, 131 universidades que respondieron |
Lee esas filas juntas y el retrato resulta incómodo para todos. No es la detección lo que mantiene honesta a la mayoría de los estudiantes, porque la detección apenas funciona. Lo que sostiene el sistema es que la mayor parte del uso de IA no es realmente hacer trampa, y que los estudiantes suelen distinguir la diferencia. La cifra que importa es ese 12%, y va en aumento.
Las dos pruebas que aplica toda política de integridad con IA
El uso de IA no es plagio en el sentido clásico. No hay un autor perjudicado, ni un pasaje robado, ni nada con lo que un comparador de similitud pueda emparejar. Las instituciones lo han metido casi siempre en una categoría más amplia, llamada según el caso fraude por encargo, asistencia no autorizada o simplemente falsedad. Por debajo de esos nombres distintos, reaparecen siempre dos pruebas.
La prueba de autoría. ¿Es tuyo el trabajo intelectual que se está evaluando? Si el objetivo de la tarea es ver si sabes construir un argumento, y el argumento llegó ya construido, has entregado la respuesta de otro. Da igual que ese otro sea un modelo. La misma lógica lleva décadas aplicándose a las fábricas de ensayos.
La prueba de divulgación. ¿Se sorprendería quien te corrige al saber cómo se hizo esto? La sorpresa es la señal. Si te diera reparo escribir una línea que describa exactamente para qué usaste la IA, ya sabes la respuesta. Casi todas las políticas que permiten la IA exigen declararla, y una declaración exacta es casi siempre una defensa completa.
Hay una tercera cosa que conviene nombrar, porque atrapa a más estudiantes que cualquier detector: las citas inventadas. Pedirle fuentes a un modelo y pegar lo que devuelve sin abrirlas es un fallo concreto, demostrable y extremadamente común. A quien corrige le basta con comprobar una sola referencia y descubrir que no existe para tener una prueba de la que no te librarás con explicaciones, y se trata como fabricación, no como una duda sobre la IA. Abre todas las fuentes que cites. Todas y cada una.
Los cinco niveles de la AI Assessment Scale
El marco más útil aquí es la AI Assessment Scale, desarrollada por Mike Perkins, Jasper Roe, Leon Furze y Jason MacVaugh, hoy en su versión 2.1 y adoptada por un número creciente de instituciones. En lugar de una regla general, pide a los docentes que etiqueten cada evaluación con un nivel. Los estudiantes reciben así un vocabulario compartido en vez de una conjetura. Sus autores insisten en que un nivel más alto no es mejor: los niveles describen tipos de tarea distintos, no una escalera. La columna «evaluación típica» de abajo es ilustrativa y no forma parte de la escala.
| Nivel | Nombre | Qué describe el nivel | Evaluación típica |
|---|---|---|---|
| 1 | No AI (sin IA) | Los conocimientos y las destrezas se demuestran de forma independiente, en condiciones controladas | Examen presencial, defensa oral, práctica de laboratorio |
| 2 | AI Planning (IA en la planificación) | La IA puede apoyar la búsqueda de información, la lluvia de ideas y el esquema; lo que se evalúa es la planificación misma | Esquema de ensayo, búsqueda bibliográfica, propuesta |
| 3 | AI Collaboration (colaboración con IA) | La IA puede ayudar a completar la tarea, incluidas la redacción y la mejora del texto, pero la IA sola no alcanza el nivel exigido | Trabajo de curso con una declaración de uso de IA |
| 4 | Full AI (IA plena) | Se espera la participación de la IA; la meta no se alcanza ni solo con IA ni solo con una persona en el tiempo disponible, y lo que se evalúa es el pensamiento que muestras al dirigirla | Tareas de prompt y crítica, proyectos aplicados |
| 5 | AI Exploration (exploración con IA) | Diseñado para un uso creativo de la IA que genere ideas o soluciones nuevas | Proyecto final, taller de diseño, proyecto de investigación |
Dos apuntes prácticos. Primero, el nivel pertenece a la tarea, no al curso y desde luego no a la universidad. Puedes cursar dos asignaturas del mismo departamento donde una sea de Nivel 1 y la otra de Nivel 4. Segundo, si tu enunciado no indica ningún nivel, pídelo por escrito y guarda la respuesta. Un correo fechado de tu docente que diga «revisar la gramática está bien, redactar no» vale más que cualquier documento de política si más adelante surge una duda.
Doce usos habituales de la IA para estudiar, en verde, ámbar o rojo
Estas son las dos pruebas y la escala aplicadas a lo que los estudiantes hacen de verdad. Verde significa permitido casi en todas partes, incluso mientras te preparas para evaluaciones de Nivel 1 y 2. Ámbar depende del enunciado, y conviene que lo declares. Rojo es una falta en casi cualquier institución, diga lo que diga el resto de la política.
| Qué estás haciendo | Veredicto | Por qué |
|---|---|---|
| Pedirle a la IA que te explique un concepto que no seguiste en clase | Verde | Quien aprende eres tú; nada de lo producido entra en tu entrega |
| Generar preguntas de práctica y ponerte a prueba con ellas | Verde | Es práctica de recuperación, y las respuestas son tuyas |
| Pedir comentarios sobre un borrador que escribiste tú y revisarlo tú mismo | Verde | La misma categoría que una cita en el centro de escritura |
| Convertir una lectura densa en un resumen para decidir si vale la pena leerla a fondo | Verde | Es triaje, y sigues leyendo a fondo todo lo que acabes usando |
| Corregir la gramática y la ortografía de tus propias frases | Ámbar | Lo permite la mayoría de las políticas, aunque lo restringen algunos cursos de lengua y de escritura |
| Hacer que la IA reestructure o reescriba tus párrafos | Ámbar | En algún punto de ese espectro la prosa deja de ser tuya; decláralo |
| Traducir tu propio texto al idioma de la entrega | Ámbar | Suele estar bien, salvo cuando la evaluación mide la competencia lingüística |
| Pedirle a la IA que busque fuentes o que te explique un artículo que vas a citar | Ámbar | Está bien como punto de partida, pero nunca cites una fuente que no hayas abierto |
| Entregar prosa generada por IA como escritura tuya | Rojo | Falla de plano la prueba de autoría |
| Citar fuentes que nunca abriste | Rojo | Es fabricación, y resulta trivial de probar cuando una de ellas no existe |
| Cualquier uso de IA en una evaluación declarada No AI | Rojo | Se trata como el incumplimiento de una condición declarada, no como una duda sobre la IA |
| Hacer que la IA realice el análisis por el que te califican | Rojo | Sea una demostración, una regresión o una lectura atenta, eso era la evaluación |
Las filas ámbar son donde los estudiantes se meten en problemas de verdad, y la solución es la misma en todas: escribe una frase que diga qué hiciste. Una declaración exacta convierte un ámbar en verde casi siempre.
Por qué los detectores de IA no pueden probar que hiciste trampa
Si la detección funcionara, nada de esto necesitaría un marco. No funciona, y falla en las dos direcciones a la vez.
Casi nada se descubre. Peter Scarfe, Kelly Watcham, Alasdair Clarke y Etienne Roesch hicieron una prueba en condiciones reales en la University of Reading, publicada en PLOS ONE en junio de 2024. Introdujeron respuestas generadas por IA en un sistema de exámenes para casa que estaba en uso real en estudios de grado, sin que los correctores lo supieran. Su conclusión: «We found that 94% of our AI submissions were undetected». Es decir: descubrimos que el 94% de nuestras entregas con IA pasaron sin ser detectadas. Esa cifra mide la detección que un examen real practica de verdad, que son correctores humanos leyendo el trabajo, y no la puntuación de ningún detector. Los correctores atraparon seis entregas de cada cien. Peor todavía para la integridad de las notas, las entregas con IA obtuvieron de media medio escalón de calificación más que el trabajo de estudiantes reales, con una probabilidad del 83.4% de que las entregas con IA de una asignatura superasen a una selección aleatoria del mismo número de entregas reales.
Acusa a gente que no hizo nada malo. Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu y James Zou pusieron a prueba siete detectores de GPT de uso extendido para un artículo de 2023 en Patterns. Con ensayos escritos por estudiantes estadounidenses de octavo grado, la precisión fue casi perfecta. Con 91 ensayos de TOEFL escritos por hablantes no nativos de inglés, esos mismos detectores clasificaron mal más de la mitad como generados por IA, una tasa media de falsos positivos del 61.3%. El mecanismo que identificaron era simple: un vocabulario más sencillo se lee como baja perplejidad, y la baja perplejidad se lee como escritura de máquina.
Ese hallazgo sobre el sesgo ha sido cuestionado después. En febrero de 2026, Adnan Al Ali, Jindřich Helcl y Jindřich Libovický retomaron la pregunta en checo y no reprodujeron el patrón: el texto de quienes no son hablantes nativos no tenía menor perplejidad, tres familias de detectores no mostraron ningún sesgo sistemático en su contra, y los detectores modernos ya no se apoyan en la perplejidad como lo hacía la generación de 2023. Puede que ese sesgo concreto se esté desvaneciendo. El problema probatorio no.
La objeción real a los detectores nunca fue solo el sesgo. También lo es que una puntuación porcentual no es algo que un estudiante pueda rebatir. Vanderbilt University desactivó el detector de IA de Turnitin en agosto de 2023 e hizo la cuenta en público: la universidad pasó 75,000 trabajos por Turnitin en 2022, así que incluso la tasa de falsos positivos del 1% que declara el proveedor habría supuesto unos 750 trabajos marcados por error en un solo año. Cuando aparece una puntuación, la carga de la prueba se invierte en silencio. En lugar de que la institución demuestre la falta, se te pide a ti que demuestres que escribiste tu propio trabajo.
Cómo leer la política real de tu curso
Las políticas se apilan, y gana la más específica. Recorre este orden y detente en el primer documento que aborde tu situación de forma directa:
- El enunciado de la tarea. Si nombra un nivel, una regla o una declaración obligatoria, eso es lo que manda, y nada de lo que viene después en esta lista puede relajarlo.
- La guía de la asignatura o del curso. Suele ser donde vive el «la IA se permite para X pero no para Y».
- Las indicaciones del departamento. Habituales en lenguas, derecho, medicina e informática, donde la profesión tiene su propio criterio.
- La política de toda la universidad. La capa más amplia y más vaga. Trátala como un mínimo, no como una respuesta.
Responde tres preguntas antes de empezar, no después de entregar:
- ¿Hay un nivel de IA declarado para esta tarea?
- ¿Se exige una declaración, y en qué formato?
- ¿Se nombran herramientas o usos de forma explícita, sobre todo en torno a la traducción y la gramática?
Si en algún punto la respuesta es «no lo dice», escribe a tu docente con una propuesta concreta en lugar de una pregunta abierta. «Pienso comentar la estructura de mi argumento con ChatGPT antes de redactar, y revisar la gramática al final. En la entrega no habrá texto generado. ¿Le parece aceptable?» obtiene una respuesta clara. «¿Puedo usar IA?» obtiene una evasiva en la que no te puedes apoyar.
Cuando se exige una declaración y no te dan ninguna plantilla, esta forma funciona casi en todas partes:
Declaración de uso de IA. Usé ChatGPT para generar preguntas de práctica sobre los capítulos 4 a 6 y para revisar la gramática de mi borrador final. Todos los argumentos, las fuentes y la prosa son míos. En esta entrega no aparece ningún texto generado por IA.
Concreta, verificable y un poco aburrida, que es justo lo que hace que se sostenga.
Cómo dejar un rastro de proceso que demuestre que el trabajo es tuyo
La mejor protección frente a una acusación de uso de IA no es evitar la IA. Es poder mostrar cómo se fue armando el trabajo. Los estudiantes que quedan absueltos rápido son casi siempre los que pueden sacar materiales fechados, desordenados y obviamente humanos: fuentes anotadas, notas iniciales que contradicen el argumento final, un borrador con un párrafo malo dentro.
Ese rastro es fácil de construir si capturas la lectura mientras lees, en vez de reconstruirla después. Cuando resaltas un pasaje con el resaltador web de Glasp, la cita, la URL de la fuente y la fecha en que la guardaste quedan unidas entre sí. Meses después, eso es un registro de qué leíste y cuándo, que es precisamente lo que la puntuación de un detector nunca podrá ser. Además hace que citar sea honesto por defecto, porque estás citando algo que de verdad abriste.
Lo mismo vale para las fuentes que no son texto. Si tu seminario se apoya en clases magistrales o charlas de congresos, los resúmenes de videos de YouTube te dan pasajes con marca de tiempo que puedes citar y referenciar como corresponde, en lugar de recordar un argumento a medias. Para los libros, los resaltados de Kindle importan los pasajes que marcaste al leer, con sus ubicaciones intactas.
Aquí una diferencia de categoría importa más que las demás, y separa dos cosas que reciben el mismo nombre, «usar IA». Un modelo que genera afirmaciones a partir de sus datos de entrenamiento produce texto del que nadie ha respondido. Un modelo que trabaja sobre fuentes que tú mismo seleccionaste y resaltaste hace algo mucho más parecido a lo que hace un asistente de investigación. El chat con IA de Glasp funciona sobre tus propios resaltados guardados, así que las respuestas remiten a pasajes que leíste. Es un flujo de trabajo defendible bajo casi cualquier política, y además es mejor: puedes contrastar cada afirmación con la fuente de la que salió.
Nada de esto es puramente defensivo. Anotar lo que lees con tus propias palabras es el mismo hábito que produce comprensión, que es el tema de cómo recordar lo que lees. También es la razón por la que leer artículos académicos como corresponde sigue superando a hojear un resumen hecho por IA.
El costo de aprendizaje de la IA, incluso cuando está permitida
Supón que tu tarea es de Nivel 4 y el uso de IA está plenamente permitido. Aun así tienes una decisión que tomar, porque permitido no es lo mismo que gratuito.
Nataliya Kosmyna y sus colegas del MIT Media Lab sometieron a 54 participantes a tres sesiones de escritura de ensayos mientras registraban su EEG, y 18 de ellos volvieron para una cuarta sesión en la que se intercambiaron las herramientas. Un grupo usó un LLM, otro usó un buscador y otro escribió sin ayuda (el grupo de solo cerebro). El grupo de solo cerebro mostró la conectividad neuronal más fuerte y más distribuida; el grupo del buscador quedó en medio; el grupo del LLM fue el más débil. Más llamativo que el EEG fue el resultado conductual. Los usuarios del LLM tuvieron dificultades repetidas para citar los ensayos que acababan de terminar de escribir, y dos profesores de inglés, que corregían a ciegas y sin saber que existían los grupos, describieron como «sin alma» los ensayos que tomaron por asistidos con IA. Los autores llamaron a ese patrón deuda cognitiva.
Conviene mantener el escepticismo adecuado ante ese estudio. Es un preprint, la muestra es pequeña y un segundo grupo de investigadores ha publicado un comentario detallado que cuestiona su tamaño muestral, su metodología de EEG, su reproducibilidad y la forma en que reporta los resultados. Pero apunta a algo que los estudiantes reconocen al instante: la sensación de haber entendido algo que en realidad solo viste suceder. Esa distancia entre fluidez y competencia está bien documentada fuera de la literatura sobre IA, y es la razón por la que la ilusión de competencia atrapa a personas capaces en cada temporada de exámenes.
La regla práctica que sale de aquí es lo bastante acotada como para seguirla. Deja que la IA haga el trabajo que ya sabes hacer, y haz tú el trabajo que estás intentando aprender. Si sabes escribir un resumen bibliográfico solvente y ya no te enseña nada, delegarlo te cuesta poco. Si todavía no sabes construir un argumento, que un modelo construya uno por ti no te enseña a construir argumentos, por bien que se vea el resultado. La trampa de pensar con IA desglosa esa disyuntiva con más detalle, y si prefieres usar una herramienta diseñada para hacerte trabajar, los modos de estudio con IA comparados analizan qué hacen realmente de forma distinta ChatGPT, Gemini y Claude cuando les pides que enseñen en vez de que respondan.
Preguntas frecuentes
¿Usar ChatGPT para estudiar es hacer trampa?
No. Usar ChatGPT para entender la materia, ponerte a prueba u obtener comentarios sobre tu propio trabajo es estudiar, y ninguna política académica de referencia lo prohíbe. Se convierte en trampa cuando el resultado se entrega como trabajo propio, o cuando la evaluación declaraba que no se permitía IA y la usaste igualmente.
¿Pueden los profesores saber si usaste ChatGPT?
Normalmente no por el texto en sí. En el experimento de 2024 de la University of Reading publicado en PLOS ONE, el 94% de las entregas de examen escritas por IA pasaron sin ser detectadas por los correctores. Lo que sí se nota es indirecto: citas que no existen, una prosa que no encaja con tus trabajos anteriores, respuestas que remiten a material que el curso nunca impartió, o una defensa oral en la que no sabes explicar tu propio argumento.
¿Es hacer trampa usar IA para las tareas de casa?
Depende de si la tarea se califica. Si lleva nota y se supone que las respuestas son tuyas, dejar que la IA las produzca falla la misma prueba de autoría que fallaría un ensayo de curso. Si es práctica sin nota, usar la IA para revisar tus respuestas o para que te explique en qué te equivocaste es estudiar, y es uno de los mejores usos de la herramienta. Cuando tengas dudas, pregunta si ese trabajo cuenta para tu calificación.
¿Es hacer trampa usar IA para corregir mi gramática?
Depende de la evaluación, una respuesta poco satisfactoria pero exacta. La mayoría de las instituciones lo permiten y lo tratan como una visita al centro de escritura. Los cursos de lengua, de traducción y de escritura académica a menudo no, porque lo que se evalúa es justamente la mecánica. Revisa el enunciado y decláralo si se exige una declaración.
¿Tengo que declarar que usé IA?
Si el enunciado o la guía piden una declaración, sí, y una declaración exacta es casi siempre una defensa completa. Si nadie la pide, una sola frase no te cuesta nada y elimina la duda por completo. Lo que causa problemas es la vaguedad, así que nombra la herramienta y la tarea concreta.
¿Cómo demuestro que no usé IA?
No discutas con la puntuación del detector, porque no puedes. Presenta pruebas de proceso. Notas fechadas, fuentes resaltadas, el historial de borradores de tu procesador de texto, registros de búsquedas y de biblioteca, cualquier cosa con marca de tiempo. Pregunta qué pruebas concretas existen más allá del resultado del detector, y pide su tasa documentada de falsos positivos. Varias universidades, Vanderbilt entre ellas, han desactivado estas herramientas justamente porque las puntuaciones no sobreviven a esa pregunta.
¿Es hacer trampa usar IA para resumir un artículo?
Casi siempre no, cuando resumes para decidir qué leer con atención o para refrescar material que ya trabajaste. Se vuelve arriesgado en dos situaciones: cuando lo que se evalúa es la comprensión de ese texto concreto, y cuando citas una fuente que solo conociste a través de un resumen. Lee todo lo que pienses citar.
En qué punto te deja todo esto
La regla que importa es más pequeña que el debate que la rodea. Haz tú el razonamiento por el que te evalúan, di qué usaste y ten cómo mostrar tu proceso. Cumple esas tres cosas y te mantendrás lejos de cualquier falta con prácticamente cualquier política, incluidas las que todavía no se han escrito.
La detección no va a resolver esto. A la corrección humana se le escapa casi todo, las puntuaciones de los detectores acusan a quien no hizo nada, y las instituciones que más atención prestan las han ido apagando en vez de apoyarse más en ellas. Lo que ocupa su lugar es la prueba del proceso, lo que significa que los estudiantes mejor protegidos son los que ya venían llevando un registro de qué leían y de qué pensaban al respecto.
Vale la pena construir eso por sí solo. Empieza a resaltar lo que lees para que tus fuentes, tus citas y tus fechas permanezcan juntas, y mira qué han marcado otros lectores en ese mismo material en la comunidad de Glasp. El rastro demuestra que el trabajo es tuyo, y es la parte que sigue siendo tuya después de que se publique la nota.
