Reflexividad e inteligencia artificial

El oficio del investigador social ante la automatización del saber

José Raúl Dubón Huezo

Sociólogo. Consultor independiente en investigación social aplicada, monitoreo y evaluación.

Julio 2026

«La sociología de la sociología es una dimensión fundamental de la epistemología sociológica.»

— Pierre Bourdieu, Science de la science et réflexivité (2001)

Introducción: una transformación que ya ocurrió

Hay un debate que llega tarde. Mientras las ciencias sociales discuten si la inteligencia artificial debería usarse en la investigación, la inteligencia artificial ya está siendo usada. No como experimento de vanguardia ni como curiosidad tecnológica, sino como parte del equipamiento cotidiano de quienes producen conocimiento: procesamiento de corpus textuales, codificación de entrevistas, revisión bibliográfica asistida, análisis exploratorio de bases de datos, redacción de borradores. La pregunta pertinente ya no es si usar estas herramientas, sino qué le ocurre al oficio del investigador social cuando las incorpora.

Este ensayo propone una tesis que, formulada con economía, dice lo siguiente: la inteligencia artificial no amenaza la reflexividad del investigador social; la pone a prueba. Las herramientas de IA generativa amplifican simultáneamente la capacidad de producir conocimiento riguroso y la capacidad de simular rigor. Lo que decide el resultado no es la herramienta, sino la disposición reflexiva de quien la emplea. Y esa disposición, como Bourdieu (2003) insistió a lo largo de su obra, no es un atributo individual ni un gesto metodológico: es una práctica socialmente condicionada que debe ejercerse contra las inercias del campo.

El argumento se desarrolla en tres movimientos. Primero, recupero la noción bourdieusiana de reflexividad como herramienta analítica para pensar la relación entre investigador e instrumento. Segundo, examino la doble cara de la democratización que la IA introduce en la producción académica: acceso ampliado y simulación facilitada. Tercero, abordo un problema estructural que precede a la tecnología pero que esta ilumina con particular nitidez: la fragmentación del conocimiento en contextos donde el saber existe, pero está disperso, silenciado o encapsulado. El ensayo se apoya en la experiencia de haber producido Claude para las Ciencias Sociales (Dubón Huezo, 2025), un libro que sistematiza el uso práctico de IA generativa en investigación social, y que constituye el punto de partida experiencial de estas reflexiones.

1. La reflexividad no es opcional: Bourdieu ante la máquina

Pierre Bourdieu dedicó su último curso en el Collège de France a un programa que denominó ciencia de la ciencia (Bourdieu, 2003). Su propósito no era metodológico en el sentido técnico del término, sino epistemológico en el sentido más exigente: se trataba de someter la práctica científica al mismo tipo de análisis que los científicos aplican a cualquier otro objeto social. La reflexividad, en esta perspectiva, no consiste en una introspección subjetiva del investigador sobre sus sesgos personales, sino en la objetivación sistemática de las condiciones sociales de producción del conocimiento: la posición en el campo académico, las determinaciones institucionales, los intereses simbólicos y materiales que configuran lo que se investiga, cómo se investiga y para quién se investiga.

Esta definición rigurosa de reflexividad adquiere una relevancia renovada cuando el investigador introduce en su práctica herramientas de inteligencia artificial. El riesgo principal no es, como suponen las críticas más superficiales, que la máquina piense por el investigador. Los modelos de lenguaje no piensan; procesan patrones estadísticos sobre corpus textuales. El riesgo genuino es más sutil y más peligroso: que la fluidez del output, su apariencia de coherencia argumentativa, su capacidad de producir textos formalmente correctos, adormezca la vigilancia epistemológica del investigador. Que el producto parezca conocimiento sin haber pasado por el trabajo de producirlo.

Bourdieu (2003) ya advertía que una de las amenazas más insidiosas a la práctica científica es la confusión entre el dominio de las formas y el dominio del objeto. Un investigador puede manejar con destreza el vocabulario teórico, la estructura argumentativa y los protocolos de citación sin haber realizado el trabajo analítico que esas formas presuponen. La IA intensifica este riesgo porque reduce dramáticamente el costo de producir formas correctas. Un modelo de lenguaje puede generar un marco teórico con citas bien colocadas, una discusión de resultados con la estructura esperada, un abstract con las palabras clave adecuadas. Nada de eso garantiza que haya habido pensamiento sociológico detrás.

De aquí se sigue una conclusión que constituye el primer nudo del argumento: la IA no reduce la necesidad de reflexividad; la multiplica. Cada vez que un investigador utiliza un modelo generativo para procesar datos, revisar literatura o estructurar un argumento, está obligado a preguntarse qué está delegando, qué está asumiendo como dado, y qué control mantiene sobre las decisiones epistémicas que configuran su producción. La reflexividad, en este contexto, deja de ser una virtud deseable para convertirse en una condición de posibilidad del trabajo científico. Sin ella, la IA no produce conocimiento: produce simulacros.

2. Democratización y simulación: la doble cara del acceso

Uno de los efectos más tangibles de la IA generativa en el ámbito académico es la reducción de las barreras de entrada para tareas que antes requerían competencias técnicas especializadas o recursos institucionales significativos. Procesamiento de lenguaje natural sobre corpus cualitativos extensos, análisis exploratorio de datos cuantitativos, revisión sistemática de literatura, traducción académica, acceso a bases de datos: operaciones que hace una década demandaban equipos, software costoso o formación específica hoy pueden realizarse, con grados variables de calidad, desde una computadora personal con conexión a internet.

Este fenómeno de democratización es real y tiene implicaciones positivas que sería deshonesto minimizar. Para investigadores que trabajan fuera de los circuitos institucionales dominantes, en universidades con recursos limitados o como consultores independientes, la IA representa un multiplicador de capacidad operativa. Tareas que antes consumían semanas pueden completarse en días. Análisis que requerían un equipo pueden realizarse individualmente. La promesa de un acceso más equitativo a las herramientas de producción de conocimiento no es vacía.

Sin embargo, como todo proceso social, la democratización del acceso no opera en un vacío moral ni institucional. La misma reducción de barreras que permite a un investigador riguroso hacer más con menos, permite también a un actor oportunista producir textos que simulan rigor académico sin haberlo ejercido. Este no es un problema de la herramienta; es un problema humano amplificado por la tecnología. Como observaba Merton (1973) en su análisis de las normas de la comunidad científica, la estructura normativa de la ciencia no se sostiene por la virtud individual de los científicos sino por los mecanismos institucionales de control que la comunidad despliega: la revisión por pares, la replicabilidad, la citación como sistema de crédito y verificación.

Lo que la IA introduce no es, entonces, un tipo nuevo de fraude, sino una escala nueva para formas de fraude que siempre existieron. El plagio, la fabricación de datos, la citación ornamental, la producción de textos vacíos con apariencia académica no nacieron con ChatGPT. Pero la IA reduce el esfuerzo necesario para ejecutarlos y aumenta la dificultad de detectarlos. Un texto generado íntegramente por un modelo de lenguaje puede exhibir coherencia formal, manejo bibliográfico aparentemente sólido y estructura argumentativa reconocible. Distinguirlo de un texto producido con asistencia de IA pero con genuino trabajo analítico detrás requiere un tipo de lectura que los mecanismos de evaluación existentes no siempre practican.

La respuesta a esta tensión no puede ser la prohibición ni la nostalgia. Prohibir el uso de IA en la producción académica es tan impracticable como lo fue prohibir el uso de calculadoras en la enseñanza de matemáticas. La nostalgia por un pasado en el que la producción académica era necesariamente artesanal ignora que ese pasado también tenía sus propias formas de simulación y sus propios mecanismos de exclusión. La respuesta, si la hay, pasa por reforzar lo que los angloparlantes llaman accountability y que en la tradición sociológica bourdieusiana se formula con mayor precisión como la institucionalización de la reflexividad: hacer de la transparencia sobre el proceso de producción una exigencia del campo, no una opción del individuo.

En la práctica, esto implica que un artículo producido con asistencia de IA debería explicitar qué tareas fueron delegadas a la herramienta, qué decisiones analíticas permanecieron bajo control del investigador, y cómo se verificaron los outputs generados. No como confesión ni como disculpa, sino como parte del aparato metodológico. La experiencia de escribir Claude para las Ciencias Sociales me enseñó que la productividad de la IA es directamente proporcional a la claridad con que el investigador formula sus preguntas, especifica sus parámetros y evalúa críticamente las respuestas. La herramienta no sustituye el criterio; lo presupone.

3. El saber fragmentado: más allá de la herramienta

Hay un tercer problema que la IA ilumina sin haberlo creado. En muchos contextos latinoamericanos, el obstáculo principal para la producción de conocimiento no es la falta de herramientas analíticas sino la fragmentación del saber existente. Investigadores, organizaciones de la sociedad civil, organismos de cooperación internacional, instituciones estatales y consultores independientes producen, cada uno desde su trinchera, conocimiento sobre los mismos territorios, las mismas poblaciones, los mismos problemas. Pero ese conocimiento rara vez se articula. Los datos de una evaluación de programa social no dialogan con los de una investigación académica sobre el mismo territorio. Las sistematizaciones de experiencia de una ONG no alimentan las bases de datos gubernamentales. Los consultores independientes acumulan conocimiento empírico que no se publica ni se sistematiza porque las condiciones contractuales no lo permiten o porque no existen los incentivos institucionales para hacerlo.

Esta fragmentación no es técnica sino política. Responde a lógicas de competencia entre actores, a restricciones de confidencialidad que exceden lo razonable, a culturas institucionales que tratan la información como recurso de poder antes que como bien público, y, en contextos de deterioro democrático, a procesos de silenciamiento deliberado de actores que conocen el territorio pero cuya voz resulta incómoda para los proyectos políticos dominantes. El resultado es una paradoja: hay más datos que nunca, más estudios que nunca, más informes que nunca, pero el conocimiento articulado sobre lo que ocurre en el terreno es escaso, disperso y frecuentemente inaccesible.

La IA tiene, en principio, la capacidad técnica de contribuir a resolver esta fragmentación. Herramientas de procesamiento de lenguaje natural pueden cruzar corpus documentales producidos por actores diferentes, identificar patrones transversales, sintetizar hallazgos dispersos. Plataformas de datos abiertos potenciadas por IA podrían facilitar la articulación de información que hoy existe en silos institucionales. Pero la capacidad técnica no resuelve el problema político. Si los actores no comparten información porque no confían entre sí, porque compiten por los mismos fondos, o porque el contexto político los obliga al silencio, ninguna herramienta tecnológica alterará esa dinámica.

Lo que sí puede hacer la IA, y lo que constituye quizás su contribución menos visible pero más importante, es hacer evidente la magnitud de la fragmentación. Cuando un investigador intenta usar herramientas de IA para articular conocimiento disperso sobre un territorio y descubre que los datos no existen en formatos procesables, que los informes están bloqueados detrás de restricciones de acceso, que las bases de datos de diferentes instituciones son incompatibles entre sí, la herramienta funciona como un espejo que refleja un problema estructural. La IA no puede resolver el sectarismo académico ni la fragmentación institucional. Pero puede hacerlos visibles con una claridad que antes no teníamos.

De Sousa Santos (2009) ha argumentado que una de las formas más eficaces de dominación epistemológica es la producción activa de ausencias: no solo la destrucción del conocimiento existente, sino la creación de condiciones que impiden que ciertos saberes se articulen, se visibilicen o se legitimen. En contextos donde el conocimiento territorial existe pero está silenciado, la IA ofrece una herramienta técnica para la articulación, pero solo si existe la voluntad política de romper los silos. La herramienta es condición necesaria pero no suficiente.

4. Reflexividad aumentada: hacia una práctica responsable

Si la IA amplifica tanto la capacidad de producir conocimiento como la de simularlo, y si la fragmentación del saber es un problema político antes que técnico, ¿qué queda como programa para el investigador social que trabaja con estas herramientas? Propongo el concepto provisional de reflexividad aumentada para describir una práctica que integra la IA en el oficio investigativo sin ceder el control epistémico sobre las decisiones que configuran la producción de conocimiento.

La reflexividad aumentada opera en tres niveles. En el nivel instrumental, implica transparencia sobre el uso de la herramienta: qué se delegó, cómo se verificó, qué limitaciones se identificaron. En el nivel epistemológico, exige que el investigador mantenga la pregunta bourdieusiana activa en cada etapa del proceso: ¿desde qué posición produzco este conocimiento? ¿Qué categorías asumo como dadas? ¿Qué excluyo al formular la pregunta de esta manera y no de otra? En el nivel político, requiere una conciencia explícita de que la herramienta no opera en un vacío: los datos que alimentan los modelos tienen sesgos, las lenguas en que los modelos funcionan mejor no son neutras, y el acceso diferencial a la tecnología reproduce desigualdades que el investigador social, por definición disciplinar, debería problematizar.

La experiencia de escribir Claude para las Ciencias Sociales me permitió comprobar empíricamente que la productividad de la IA en la investigación social es función directa de la claridad analítica del investigador. Un modelo de lenguaje responde mejor a preguntas bien formuladas, con parámetros explícitos, contexto disciplinar preciso y criterios de evaluación definidos. Esto no es una limitación de la herramienta; es una confirmación de que la competencia investigativa sigue siendo el factor determinante. La IA no hace buena investigación con malas preguntas. Y la capacidad de formular buenas preguntas no es automatizable: es el producto de una formación disciplinar, una sensibilidad teórica y una práctica reflexiva que solo el investigador puede aportar.

Cada nueva herramienta que se incorpora al repertorio del investigador trae consigo rendimientos diferentes y utilidades específicas. No existe una receta universal para integrar la IA en la investigación social, del mismo modo que no existe una receta universal para hacer trabajo de campo o para analizar datos cualitativos. Lo que existe es un principio regulador: la vigilancia epistemológica permanente, la negativa a dar por bueno lo que no ha sido sometido al escrutinio del oficio. Ese principio no cambia con la tecnología. Lo que cambia es la intensidad con que debe ejercerse.

A modo de cierre: el oficio persiste

La inteligencia artificial no va a destruir el oficio del investigador social. Tampoco va a salvarlo. Lo que va a hacer, y lo que ya está haciendo, es separar con mayor nitidez a quienes ejercen ese oficio con rigor de quienes lo simulan. En un entorno donde producir textos con apariencia académica es trivialmente fácil, la diferencia la marca el trabajo que no se ve: la formulación precisa de las preguntas, la construcción paciente de los marcos analíticos, la evaluación crítica de cada output, la honestidad sobre lo que se sabe y lo que no.

Bourdieu dedicó su vida intelectual a demostrar que la ciencia no se hace sola: se hace contra las inercias sociales que la atraviesan, contra los intereses que la condicionan, contra las facilidades que la degradan. La IA es, simultáneamente, una herramienta extraordinaria para hacer mejor ciencia y una facilidad extraordinaria para degradarla. La reflexividad es lo que decide de qué lado cae la balanza. Y la reflexividad, como insistió Bourdieu hasta el final, no es un acto individual de buena voluntad: es una exigencia colectiva que debe institucionalizarse en las prácticas, los protocolos y las comunidades que producen conocimiento.

Hoy, más que nunca, las herramientas existen para que la producción académica seria sea más accesible, más rigurosa y más articulada. Que esa posibilidad se realice o se desperdicie no depende de la tecnología. Depende de nosotros.

Referencias

Bourdieu, P. (2003). El oficio de científico: ciencia de la ciencia y reflexividad. Anagrama.

Bourdieu, P. y Wacquant, L. (2005). Una invitación a la sociología reflexiva. Siglo XXI.

De Sousa Santos, B. (2009). Una epistemología del sur: la reinvención del conocimiento y la emancipación social. Siglo XXI / CLACSO.

Dubón Huezo, J. R. (2025). Claude para las Ciencias Sociales. Publicación independiente.

Merton, R. K. (1973). The Sociology of Science: Theoretical and Empirical Investigations. University of Chicago Press.

Sobre el autor