Asistente de investigación con IA: qué es

El problema que resuelve: horas de lectura antes de escribir una palabra

Una revisión de literatura seria empieza con decenas de resultados de búsqueda. El investigador —o el estudiante de posgrado que hace su primera revisión sistemática— tiene que abrir cada uno, leer el resumen, a veces el documento completo, y decidir si aporta algo a su pregunta. Ese cribado inicial es trabajo mecánico y repetitivo: leer para descartar, no leer para aprender. Es también el punto donde más tiempo se pierde y donde más fácil es que algo relevante pase inadvertido porque nadie llegó a abrirlo.

Un asistente de investigación con IA ataca justamente ese tramo. Recibe la pregunta de investigación, recupera los documentos pertinentes de las fuentes conectadas a la biblioteca y entrega una síntesis que permite decidir en minutos cuáles de esos cuarenta resultados merecen una lectura completa. No sustituye la lectura de lo que finalmente se cita en el trabajo —eso sigue siendo responsabilidad del investigador— pero reduce drásticamente cuánto hay que leer para llegar a ese punto.

Por qué no es lo mismo que usar ChatGPT

Esta es la pregunta que más se repite cuando se presenta el servicio a una vicerrectoría académica, y merece una respuesta técnica, no una de mercadeo.

Un modelo de lenguaje genérico como ChatGPT, usado sin ningún mecanismo adicional, responde desde lo que memorizó durante su entrenamiento. Cuando se le pide una cita académica, no la busca: la genera por patrón, con el formato y el aspecto de una referencia real, aunque el artículo no exista o los datos no correspondan al documento que cita. Estudios sobre el problema documentan tasas de citas fabricadas que van, según el dominio y el modelo evaluado, de menos de una quinta parte hasta más de la mitad de las referencias generadas; en el ámbito legal, investigación de Stanford encontró que ChatGPT alucina cerca del 29% de las citas legales que produce. No es un fallo raro: es el comportamiento esperable de un modelo que no tiene ningún documento real delante y que, aun así, se le exige una respuesta con apariencia de precisión.

Un asistente de investigación académico bien diseñado funciona distinto porque trabaja sobre recuperación de información antes de generar la respuesta —lo que en la literatura técnica se conoce como RAG, retrieval-augmented generation—: primero busca en las fuentes reales conectadas a la institución, y solo después redacta el resumen a partir de los documentos efectivamente recuperados, con sus metadatos reales. La investigación sobre esta técnica es clara en un punto y honesta en otro: reduce sustancialmente la fabricación de referencias frente a un modelo sin recuperación, porque ancla la respuesta a texto que existe en vez de a un patrón aprendido, pero no la elimina del todo —el sistema puede malinterpretar o distorsionar el contenido de una fuente incluso cuando la tiene delante—. Por eso la verificación de la cita antes de incorporarla a un trabajo académico sigue siendo responsabilidad del investigador, y así se lo decimos a las instituciones y a los usuarios cuando implementamos el servicio: la herramienta reduce el trabajo, no la responsabilidad.

Hay una segunda diferencia, menos técnica y más práctica: de qué fuentes lee cada uno. ChatGPT, en su versión abierta, no tiene forma de saber qué bases de datos suscribió tu universidad ni qué hay en tu repositorio institucional. Un asistente de investigación conectado al metabuscador de la biblioteca lee exactamente eso: el catálogo, el repositorio institucional, las revistas propias en OJS, las bases de datos suscritas y los agregadores académicos abiertos que la institución tenga habilitados. Responde desde la colección que la biblioteca pagó y curó, no desde la web abierta, y por eso puede citarla con precisión.

Para quién está pensado

El perfil de usuario es específico y conviene decirlo sin generalizar. Sirve a estudiantes de pregrado y posgrado que enfrentan su primera revisión de literatura y no saben todavía cómo acotar una búsqueda; a investigadores y profesores que necesitan mantenerse al día con la producción de su campo sin dedicarle un día completo a la semana; y a bibliotecas académicas que quieren ofrecer un servicio de referencia de primer nivel sin que cada consulta dependa de que un bibliotecólogo esté disponible en ese momento. No está pensado para reemplazar al asesor de tesis ni el criterio del comité editorial de una revista: es una herramienta de cribado y síntesis, no de evaluación académica.

Cómo se integra con BiblioMeta Académico

El asistente de investigación no funciona aislado: va integrado con BiblioMeta Académico, nuestro metabuscador para universidades. BiblioMeta Académico es la capa de descubrimiento que unifica en un solo punto de búsqueda el catálogo, el repositorio institucional, las revistas propias en OJS y las bases de datos suscritas de la biblioteca. El asistente se apoya en esa unificación: convierte la pregunta en lenguaje natural del usuario en preguntas especializadas contra esas fuentes, recupera los documentos pertinentes y entrega el resumen y las citas.

Esa dependencia es, en realidad, la explicación de por qué el asistente responde con precisión donde ChatGPT no puede: no es que tenga un modelo más grande o más nuevo, es que tiene un índice real de lo que la biblioteca contiene y de lo que la institución pagó por suscribir. Sin esa capa de descubrimiento debajo, cualquier asistente de IA vuelve a depender de su memoria de entrenamiento, con los mismos riesgos de un ChatGPT genérico.

En los proyectos que hacemos, este es el orden que recomendamos a una biblioteca que empieza desde cero: primero consolidar las fuentes en el metabuscador —sin eso, no hay nada que el asistente pueda leer con confianza—, y después activar la capa de síntesis y citación sobre ese índice ya construido. Saltarse el primer paso es la causa más común de que un piloto de asistente de investigación decepcione: si el metabuscador solo cubre la mitad de las suscripciones de la biblioteca, el asistente solo puede responder desde esa mitad.

Qué no hace, y por qué eso también es parte del diseño

Vale la pena ser explícitos sobre los límites, porque presentarlo sin ellos sería venderlo mal. El asistente no reemplaza la lectura completa de los documentos que finalmente se van a citar en un trabajo académico: acelera la decisión de cuáles merecen esa lectura. No sustituye el criterio editorial ni el juicio disciplinar del investigador sobre qué fuentes son relevantes o rigurosas. Y aunque trabaja sobre documentos reales y no sobre invenciones del modelo, la verificación final de cada cita antes de publicarla sigue siendo tarea de quien firma el trabajo. Cuando lo implementamos para una universidad, dejamos esa expectativa clara desde la capacitación inicial: es un copiloto que acelera el cribado y la síntesis, no un sustituto del criterio académico.

Cuándo tiene sentido para tu institución

Tiene sentido si tu biblioteca ya tiene o está construyendo un metabuscador que unifique sus fuentes suscritas, si los investigadores y estudiantes de posgrado se quejan de cuánto tiempo toma una revisión de literatura, o si la biblioteca quiere ofrecer un servicio de referencia disponible fuera del horario del personal humano. No tiene sentido todavía si la institución no tiene bases de datos suscritas más allá del catálogo básico: un asistente que solo puede leer un catálogo pequeño no tiene mucho que sintetizar, y en ese caso lo que conviene primero es ampliar la colección digital antes de añadir una capa de IA encima.

Si tu universidad ya tiene BiblioMeta Académico o está evaluando implementarlo, el asistente de investigación es la extensión natural: convierte un buscador unificado en una herramienta que además lee y resume lo que encuentra. Y si todavía no sabes cómo funciona la parte de generación de citas automáticas, en cómo la IA sintetiza fuentes académicas y genera citas automáticas explicamos el mecanismo con más detalle técnico.