Prompética académica: Principios éticos y técnicos para el uso responsable de la inteligencia artificial en entornos académicos

 

1.     Nociones y planteamientos

 

En el breve lapso transcurrido desde la irrupción pública de los modelos de lenguaje grande —ChatGPT en noviembre de 2022, Claude, Gemini, Copilot y sus sucesores—, las instituciones educativas han transitado de la perplejidad al debate y, más recientemente, a la necesidad urgente de producir marcos normativos coherentes. La pregunta que subyace a este proceso no es tecnológica sino filosófica: ¿qué significa aprender, investigar y pensar en un mundo donde una máquina puede generar, en segundos, textos funcionalmente indistinguibles de los producidos por expertos humanos?

Esta pregunta no admite respuestas simples. Prohibir el uso de IA en contextos académicos es tan inviable como ingenuamente permisivo sería aceptarlo sin condiciones. Lo que la academia requiere es una gramática del diálogo humano-IA: un conjunto de principios, procedimientos y criterios éticos que gobiernen la interacción entre pensadores y sistemas artificiales. A esta gramática la denominamos prompética.

El neologismo formado por la contracción de prompt —instrucción dirigida a un sistema de IA— y ética, designaría al campo de estudio capaz de formular, evaluar y perfeccionar instrucciones dirigidas a modelos de IA, garantizando que dicho uso sea honesto, riguroso, epistemológicamente responsable y pedagógicamente fértil.

Para comprender la necesidad de la prompética, conviene situar la magnitud del fenómeno. Para ello debemos hablar de los LLM (Large Language Model o Modelo de Lenguaje Grande)[1] que son buscadores de información perfeccionados que generan texto probabilísticamente plausible a partir de patrones estadísticos extraídos de corpus masivos. Esto les confiere capacidades extraordinarias —síntesis, reformulación, argumentación, traducción, generación de código— y limitaciones igualmente extraordinarias: pueden fabricar datos, citas y afirmaciones con una fluidez que dificulta la detección del error. En el argot técnico, este fenómeno se denomina alucinación, y constituye uno de los riesgos más serios para su uso en entornos donde la precisión factual es constitutiva de la práctica: la ciencia, la medicina, el derecho, la historia.

El ámbito académico concentra precisamente ese perfil de riesgo. Cuando un estudiante de posgrado incorpora a su tesis una cita generada por IA sin verificarla, no comete únicamente una falta de integridad: comete un error metodológico que puede invalidar su argumentación. Cuando un docente diseña materiales a partir de contenido no revisado críticamente, puede propagar inexactitudes con la autoridad institucional que otorga la docencia. La magnitud del daño potencial justifica la urgencia de una respuesta sistemática.

Pero la prompética no nace solo de la gestión del riesgo. Nace también de una oportunidad. Los mismos sistemas que pueden inducir al error, cuando se usan con criterio, amplifican genuinamente las capacidades cognitivas: permiten explorar perspectivas teóricas con rapidez, obtener retroalimentación sobre borradores, generar contraargumentos, acceder a explicaciones de distinto nivel de complejidad. La prompética, en consecuencia, no es una disciplina del miedo sino de la competencia: enseña a usar bien, no solo a evitar usar mal.

La prompética académica puede definirse como la disciplina que estudia la formulación ética, técnica y epistemológicamente responsable de instrucciones dirigidas a sistemas de inteligencia artificial en entornos de enseñanza e investigación. Esta definición integra tres dimensiones inseparables: la técnica, referida a cómo se construye un prompt efectivo; la ética, que determina qué usos son honrados y cuáles constituyen formas de deshonestidad intelectual; y la epistemológica, que interroga el estatuto de conocimiento que tiene el output de la IA y cómo se incorpora legítimamente al discurso académico.

Sobre esta triple dimensión se articulan seis principios fundamentales que funcionan como criterios de validación de cualquier práctica prompética en el ámbito académico.

2.     Hexálogo prompético:

a)    Claridad

Un prompt vago produce respuestas genéricas. La claridad exige que la instrucción exprese con precisión el objetivo, el contexto disciplinario, el nivel académico de la audiencia y las restricciones del resultado esperado. La imprecisión no es neutra: genera outputs que pueden parecer relevantes sin serlo, induciendo al usuario a una falsa sensación de productividad intelectual.

b) Honestidad intelectual

El uso de IA debe declararse cuando así lo exige la normativa institucional. El texto generado por IA no puede presentarse como producción propia sin mediación crítica. Este principio no opera solo en el plano de la sanción —evitar el plagio— sino en el de la integridad: el valor epistémico de un trabajo académico reside en la trayectoria intelectual que lo produjo, no únicamente en su resultado final.

c) Autonomía cognitiva

El prompt debe servir para ampliar el pensamiento propio, no para reemplazarlo. El usuario mantiene la autoridad epistémica sobre el resultado: decide qué incorporar, qué descartar, cómo reformular. Este principio es pedagógicamente central: si la IA piensa por el estudiante, el aprendizaje —entendido como transformación de las estructuras cognitivas— no ocurre.

d) Verificabilidad

Todo dato, cita o afirmación generada por IA debe ser cotejado contra fuentes primarias verificables antes de incorporarse a un trabajo académico. Los modelos de lenguaje no tienen acceso a la verdad: tienen acceso a patrones estadísticos del lenguaje. La verificación no es un paso opcional sino una obligación metodológica.

e) Contextualización

El prompt debe situar al modelo en el marco disciplinario, el nivel académico y el propósito específico de la tarea. Los LLM no leen el contexto implícito: requieren instrucciones explícitas para orientar su respuesta hacia estándares específicos de rigor, tono y profundidad. Un mismo prompt en psicología clínica y en filosofía analítica debería producir respuestas estructuralmente distintas; si no lo hace, el prompt fue mal contextualizado.

f) Responsabilidad

El usuario es responsable del output final, no el modelo. Delegar la responsabilidad epistémica en la máquina —"la IA lo dijo"— es una falta ética, no una exculpación técnica. Esta responsabilidad incluye las consecuencias de errores no detectados, los sesgos no cuestionados y las conclusiones no verificadas que puedan derivarse del uso acrítico de la IA.

 

3.     Anatomía de un prompt hecho éticamente

Un prompt académico bien construido no es una pregunta espontánea, es un texto estructurado que integra componentes funcionales articulados, coherentes y con pretensión de verdad. Identificar estos componentes permite pasar de interacciones imprecisas y banales a un diálogo productivo con la IA.

a)    Rol: define la perspectiva desde la que debe responder el modelo. Ejemplo: "Actúa como un metodólogo experto en investigación cualitativa…"

b)    Contexto: sitúa la tarea: disciplina, nivel académico, audiencia, propósito. Ejemplo: "…para estudiantes de posgrado en ciencias sociales de México…"

c)     Tarea: especifica con precisión qué se solicita. Ejemplo: "…explica las diferencias entre muestreo teórico e intencional…"

d)    Restricciones: establece límites de extensión, formato, estilo e idioma. Ejemplo: "…en no más de 300 palabras, con lenguaje académico accesible…"

e)     Formato: indica la estructura de la respuesta. Ejemplo: "…organiza la respuesta en una tabla comparativa con ejemplos."

f)     Criterio: define qué hace que la respuesta sea satisfactoria. Ejemplo: "Incluye al menos una referencia bibliográfica verificable."

g)    Finalidad: especifica si el resultado debe ser más especulativo o práctico. Ejemplo: “Incluye un caso práctico.”

La integración de estos componentes maximiza la probabilidad de obtener outputs que puedan incorporarse críticamente al trabajo académico. Es importante subrayar la naturaleza interativa del proceso, raramente el primer prompt produce el resultado óptimo. La prompética es, en este sentido, un diálogo, no un oráculo.

4.     La dimensión ética: usos responsables e irresponsables

La ética de la prompética académica no puede reducirse a la pregunta de si se usa IA o no. La pregunta relevante es cómo y para qué se usa. Existe un espectro de usos que va desde los claramente problemáticos hasta los pedagógicamente valiosos, con una zona gris que exige juicio situado.

Entre las prácticas problemáticas cabe identificar: presentar texto íntegro generado por IA como trabajo propio; fabricar o no verificar citas bibliográficas; usar IA para responder exámenes o evaluaciones sin autorización; generar datos cuantitativos o cualitativos artificiales en contextos de investigación; ocultar el uso de IA cuando la normativa institucional obliga a declararlo. Estas prácticas no son problemáticas porque sea difícil detectarlas —a veces lo es, a veces no— sino porque socavan la integridad del proceso epistémico que la academia pretende sostener.

Entre los usos éticamente aceptables y pedagógicamente valiosos se encuentran: mejorar la redacción de un borrador propio ya elaborado; obtener explicaciones de conceptos complejos antes de leer las fuentes primarias; generar contraargumentos que fortalezcan la propia postura; corregir aspectos gramaticales y estilísticos de textos propios; explorar perspectivas teóricas antes de profundizar en la bibliografía especializada.

El criterio orientador puede formularse como una pregunta: ¿este uso de IA fortalece o debilita mi capacidad de pensar, investigar y aprender de forma autónoma? Si la respuesta es "debilita", el uso requiere revisión ética, independientemente de que técnicamente sea posible o que nadie lo detecte. Este criterio desplaza el eje de la evaluación desde la vigilancia externa —detectar el plagio— hacia la responsabilidad interna, que es el terreno donde opera genuinamente la integridad intelectual.

 

Conclusiones

La prompética no es una moda ni una respuesta de pánico ante la novedad tecnológica. Es la expresión lógica de una exigencia que la academia siempre ha sostenido: que los instrumentos del conocimiento se usen con rigor, honestidad y conciencia de sus limitaciones. Los LLM son un instrumento nuevo, de potencia sin precedentes, que requiere una articulación explícita de esa exigencia histórica.

Los seis principios desarrollados en este ensayo —claridad, honestidad intelectual, autonomía cognitiva, verificabilidad, contextualización y responsabilidad— no constituyen una lista de restricciones sino un marco de posibilidades: delimitan el espacio en el que el uso de IA es genuinamente productivo para el aprendizaje y la investigación. Fuera de ese espacio, la IA no amplifica el pensamiento; lo sustituye, y en esa sustitución radica su mayor peligro pedagógico.

La prompética, en consecuencia, debe integrarse explícitamente en los currículos académicos de todos los niveles. No como una asignatura optativa sobre tecnología, sino como una competencia transversal equiparable a la lectura crítica, la argumentación o la metodología de investigación. En un mundo donde la distinción entre pensamiento humano y generación artificial se vuelve progresivamente más difusa, saber promtear bien —con precisión técnica y honestidad ética— es una forma de saber pensar.

Referencias

-       Bozkurt, A., et al. (2023). Speculative futures on ChatGPT and generative artificial intelligence. Asian Journal of Distance Education, 18(1).

-       Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1).

-       Mollick, E. (2023). One useful thing: Using AI as a co-intelligence. Wharton School, University of Pennsylvania.

-       UNESCO. (2023). ChatGPT and artificial intelligence in higher education: Quick start guide. UNESCO Institute for Information Technologies in Education.

-       Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education. International Journal of Educational Technology in Higher Education, 16(1), 39.

 

---

[1] Es un tipo avanzado de Inteligencia Artificial diseñado para entender, procesar y generar lenguaje humano de manera natural. Son el motor principal detrás de los asistentes de chat actuales.