Un TFG redactado con IA: riesgos académicos y profesionales

Un texto puede superar una entrega y seguir siendo un mal TFG. El problema no es que dentro de cinco años «suene a IA» ni que un detector futuro descubra una huella secreta. Es más concreto: si la herramienta tomó decisiones que el estudiante no entiende, el documento deja de demostrar las competencias por las que se concede el título. Ese déficit aparece en la revisión del tutor, en la defensa o más tarde, cuando hay que explicar el proyecto.

La IA generativa también puede utilizarse como apoyo permitido: comparar la claridad de dos frases, crear preguntas de práctica o ayudar a localizar términos de búsqueda. No es lo mismo que pedir un capítulo y presentarlo sin verificación. La frontera la marcan la norma aplicable, la transparencia, la responsabilidad del autor y el tipo de tarea.

Cinco riesgos que sí pueden comprobarse

El primero es la autoría académica. Un TFG se evalúa como trabajo del estudiante. Si una herramienta produce el razonamiento sustantivo o la redacción en contra de las reglas, citar ChatGPT al final no convierte el proceso en admisible. La guía de buenas prácticas de la EINA de la Universidad de Zaragoza permite apoyo responsable, pero no sustituución del trabajo personal, y exige respetar autoría y originalidad.

El segundo es la fiabilidad. Un modelo puede inventar referencias, combinar resultados de estudios distintos, omitir excepciones o redactar con seguridad una relación causal que los datos no permiten. La fluidez no es evidencia. Una referencia real tampoco garantiza que sostenga la frase atribuida.

El tercero es la privacidad. Subir entrevistas, historias clínicas, bases de datos, documentos internos o borradores confidenciales a un servicio externo puede vulnerar obligaciones aunque el texto resultante sea correcto. La orientación de UNESCO sobre IA generativa en educación e investigación subraya protección de datos, validación ética y preservación de la agencia humana.

El cuarto es la trazabilidad. Si el autor no sabe de dónde salió una cifra o por qué se eligió una prueba, no puede corregir el trabajo ni responder al tutor. El quinto es el aprendizaje perdido: formular una pregunta, buscar, comparar evidencia y reconocer límites son precisamente las capacidades que debería hacer visibles el TFG.

Lo que un detector no resuelve

No hay que basar la estrategia en «humanizar» un texto ni en conseguir un cero por ciento de IA. Los detectores pueden equivocarse en ambas direcciones. Una prosa convencional, escrita por una persona, puede recibir una puntuación alta; un texto generado y editado, una baja. Por eso un resultado aislado no establece autoría ni sustituye un procedimiento de evaluación.

La protección más sólida es tener un proceso auténtico y documentado: notas de lectura, búsquedas, versiones, datos, cambios del tutor y decisiones. Si una herramienta está permitida, registre qué hizo y cómo se verificó. La guía cómo usar la IA en el TFG sin ponerlo en riesgo incluye un método práctico; el artículo sobre detectores de IA explica sus límites.

El documento puede convertirse en una muestra profesional, pero no siempre

No todos los TFG se publican. Algunas universidades depositan solo los autorizados o los que superan cierta nota; otras permiten embargo o restringen trabajos con datos sensibles. Antes de hablar de una «huella permanente», hay que consultar la política concreta.

Si el trabajo queda en acceso abierto, puede ser una muestra de especialización para becas, posgrados o primeros empleos. Eso no significa que todos los reclutadores lo leerán ni que una redacción imperfecta arruinará una carrera. El riesgo razonable es más limitado: un documento firmado, con afirmaciones falsas o decisiones que el autor no puede explicar, puede restar credibilidad cuando alguien sí lo consulte.

Incluso sin publicación, el TFG suele aparecer en conversaciones profesionales. «¿Qué investigaste?», «¿por qué elegiste ese método?» o «¿qué cambiarías?» son preguntas naturales para un recién graduado. Haber delegado el razonamiento deja respuestas genéricas; haber tomado decisiones reales permite hablar de problemas, límites y aprendizaje.

Tres fallos que se descubren al defender

Una bibliografía ornamental contiene fuentes que existen, pero no respaldan las afirmaciones. Para evitarla, abra cada documento, lea el pasaje y registre qué aporta. No cite una referencia porque la herramienta entregue un DOI.

Un método de palabras prestadas menciona triangulación, regresión o PRISMA sin que esas decisiones se reflejen en datos y resultados. Cada término del método debe corresponder a una acción ejecutada y a una evidencia disponible.

Una discusión sin límites repite que se cumplieron objetivos y recomienda más investigación. Una buena discusión puede explicar qué resultado fue inesperado, qué alternativa se descartó, qué sesgo permanece y qué decisión cambiaría con nuevos datos. Esa comprensión no se obtiene pegando una conclusión generada al final.

Uso permitido no significa uso invisible

Cuando la normativa admite IA, el flujo de trabajo puede separar tareas según riesgo. Una herramienta puede servir para explorar vocabulario o criticar la claridad de un esquema. Las decisiones de pregunta, selección de evidencia, análisis e interpretación deben permanecer bajo control humano y ser verificables.

No introduzca datos personales, material bajo confidencialidad o resultados inéditos sin una base y una herramienta aprobadas. Desactive historiales o entrenamiento cuando proceda, pero no confunda una opción de interfaz con una garantía jurídica. La política institucional y el contrato del servicio son los que mandan.

Si se exige declaración, no escriba simplemente «se utilizó IA». Identifique herramienta y versión, fecha, finalidad, partes afectadas, prompts relevantes y revisión realizada. Conserve las salidas necesarias según la guía. Si no hay un formato, pregunte antes de inventarlo.

Auditoría de un borrador antes de entregarlo

Revise el documento por capas. Primero, abra todas las referencias y elimine las que no existan o no se hayan leído. Después, construya una tabla que conecte objetivos, datos o fuentes, análisis, resultados y conclusiones. Cualquier conclusión sin camino trazable necesita corregirse.

En una segunda lectura, marque cifras, nombres propios, normas y afirmaciones causales. Compruébelas en fuentes primarias y actualizadas. En la tercera, haga una defensa simulada sin consultar la memoria: explique muestra, exclusiones, elección del método y limitación principal. Lo que no pueda explicar señala una carencia de comprensión, no un problema de estilo.

Por último, compare el uso real de herramientas con la norma del centro y la declaración. Si hay un uso no permitido, no intente ocultarlo con paráfrasis: rehaga esa parte mediante lectura y trabajo propios y consulte al tutor cuando sea necesario.

Qué hacer si la IA ya redactó una parte importante

Empiece por el contenido, no por cambiar sinónimos. Extraiga cada afirmación, localice sus fuentes y decida si debe conservarse. Reconstruya el esquema desde la pregunta y vuelva a redactar a partir de notas propias. Revise que método y resultados correspondan a lo efectivamente realizado.

Si el problema está cerca de la entrega, reduzca alcance antes que inventar evidencia. Un trabajo más pequeño, transparente y defendible suele ser mejor que uno extenso lleno de decisiones opacas. Informe al tutor de dudas sustantivas; ocultar un problema de autoría puede agravarlo.

Apoyo editorial y metodológico con trazabilidad

Podemos ayudar a auditar referencias, detectar huecos entre objetivos y método, ordenar las entregas y preparar una defensa basada en decisiones que usted comprenda. El alcance y precio dependen del estado del borrador, la disciplina y el plazo; puede consultar precios y describir el caso en encargar TFG.

Lecturas relacionadas

Consulte cómo hacer un TFG con ChatGPT, para qué sirve la nota del TFG y la guía para preparar la defensa.