Una inteligencia artificial puede producir una respuesta muy buena y seguir siendo poco útil como instrumento editorial.
Puede identificar un problema correctamente.
Puede explicar por qué importa.
Puede incluso sugerir cómo resolverlo.
Pero si esa observación termina perdida dentro de una conversación de cincuenta mensajes, tenemos un problema.
La revisión académica necesita algo más que buenas respuestas.
Necesita estructura.
Un manuscrito de 200 o 300 páginas puede producir decenas de observaciones.
Algunas importantes.
Otras menores.
Unas relacionadas con bibliografía.
Otras con argumentación.
Otras con terminología o estilo.
Si todo aparece como texto continuo, el usuario debe reconstruir manualmente qué revisar, dónde y en qué orden.
Por eso considero que el resultado natural de una revisión académica asistida por IA no debería ser únicamente una conversación.
Debería ser un informe editorial estructurado.
Una respuesta no es todavía un informe
Imaginemos que preguntamos a una IA:
«Revisa mi tesis y dime qué problemas encuentras.»
La respuesta puede contener observaciones como:
- hay cierta repetición en el capítulo 3;
- la conclusión podría estar mejor respaldada;
- algunas referencias parecen inconsistentes;
- la terminología cambia en determinadas secciones;
- el estilo varía entre capítulos.
Todo esto puede ser correcto.
Pero después aparecen preguntas prácticas:
¿Dónde está exactamente cada problema?
¿Cuál debería revisar primero?
¿Qué evidencia originó el hallazgo?
¿Está resuelto?
¿Puedo compartirlo con otra persona?
Una conversación rara vez responde de manera estructurada a todas estas necesidades.
El informe como artefacto editorial
Utilizo la expresión artefacto editorial porque el resultado debería existir como un objeto de trabajo independiente.
Algo que pueda:
- consultarse;
- revisarse;
- compartirse;
- exportarse;
- archivarse;
- compararse con versiones posteriores.
El informe no debería desaparecer cuando termina la sesión de chat.
Debería formar parte de la historia del manuscrito.
1. Resumen ejecutivo
La primera parte debería permitir comprender rápidamente el estado general del documento.
Un buen resumen ejecutivo no intenta reproducir todos los hallazgos.
Responde preguntas como:
- ¿Cuál parece ser el estado general del manuscrito?
- ¿Dónde se concentran los principales riesgos?
- ¿Qué debería revisar primero el autor?
- ¿Existen problemas especialmente relevantes?
Por ejemplo:
«El manuscrito presenta una estructura general consistente, pero se han identificado varios puntos que requieren atención antes de una entrega final. Las principales prioridades se concentran en integridad bibliográfica, consistencia terminológica y alcance de determinadas conclusiones.»
Eso permite obtener contexto antes de entrar en los detalles.
El resumen no debería convertirse en una nota
Hay una tentación muy frecuente:
«Calidad del manuscrito: 84/100.»
Una cifra así parece objetiva.
Pero necesita una enorme cantidad de contexto.
¿Qué significa 84?
¿Es comparable entre disciplinas?
¿Un paper de física y una tesis de filosofía pueden utilizar la misma escala?
¿Qué peso tiene la bibliografía?
¿Y la metodología?
Por eso una puntuación puede utilizarse como indicador interno, pero no debería presentarse como una calificación académica universal.
2. Número y distribución de hallazgos
Después del resumen puede ser útil mostrar una visión cuantitativa.
Por ejemplo:
Hallazgos totales: 32
Alta prioridad: 4
Prioridad media: 11
Prioridad baja: 17Y también por categoría:
Bibliografía: 9
Argumentación: 6
Terminología: 5
Estructura: 4
Estilo: 8Esto permite comprender dónde se concentra el trabajo.
Pero hay que tener cuidado.
Más hallazgos no significa necesariamente peor manuscrito.
Una categoría puede generar muchas observaciones menores mientras otra contiene un único problema mucho más importante.
3. Severidad o prioridad
Esta es una de las capas más útiles.
Cuando un manuscrito contiene muchas observaciones, el autor necesita saber por dónde empezar.
Podemos imaginar tres niveles sencillos.
Alta prioridad
Problemas que pueden afectar significativamente a la trazabilidad, coherencia o argumento principal.
Por ejemplo:
- conclusión principal sin suficiente respaldo;
- referencia central no verificable;
- contradicción conceptual importante;
- problema estructural que afecta a varios capítulos.
Prioridad media
Problemas relevantes que conviene revisar antes de la entrega.
Por ejemplo:
- cita sin referencia;
- variación terminológica;
- premisa poco desarrollada;
- sección estilísticamente inconsistente.
Prioridad baja
Observaciones menores o mejoras editoriales.
Por ejemplo:
- redundancias;
- variaciones menores de estilo;
- pequeñas inconsistencias formales.
La finalidad no es dramatizar los hallazgos.
Es ayudar a organizar el trabajo.
Severidad no significa certeza
Este punto es importante.
Una observación puede ser de alta prioridad y tener incertidumbre.
Por ejemplo:
«Se ha detectado una posible contradicción en la definición del concepto central.»
Si afecta a toda la tesis, merece prioridad alta.
Pero todavía puede ser un falso positivo.
Por eso conviene separar:
impacto potencial
de:
confianza del sistema.
4. Categoría del hallazgo
Cada observación debería pertenecer a una categoría suficientemente clara.
Por ejemplo:
- estructura;
- bibliografía;
- fuentes;
- argumentación;
- terminología;
- estilo;
- preparación editorial.
Esto permite filtrar el informe.
Un usuario puede decir:
«Ahora quiero trabajar únicamente en bibliografía.»
y revisar solo esos resultados.
5. Ubicación exacta
Esta es probablemente una de las propiedades más importantes.
Un hallazgo sin ubicación obliga al usuario a repetir parte del análisis manualmente.
Comparemos:
«Existe una inconsistencia terminológica en el documento.»
con:
«El término “autonomía” se define en el capítulo 2, sección 2.3, como capacidad técnica para actuar sin intervención, pero en el capítulo 6, sección 6.1, parece utilizarse como independencia institucional.»
La segunda observación puede comprobarse.
La primera apenas orienta.
La ubicación puede adoptar varias formas
Dependiendo del documento y del proceso de extracción, podemos disponer de:
- página;
- capítulo;
- sección;
- párrafo;
- fragmento;
- coordenadas dentro del documento.
Cuanto más precisa sea la relación con el original, más útil resulta el informe.
6. Fragmento afectado
No siempre basta con indicar una página.
La evidencia debería aparecer junto al hallazgo cuando sea posible.
Por ejemplo:
Fragmento: «Estos resultados demuestran que el sistema puede aplicarse universalmente.»
Ahora el usuario sabe qué está evaluando el sistema.
Esto evita un problema importante:
que la IA produzca una interpretación y oculte el material sobre el que la ha construido.
El fragmento permite discutir con la IA
Imaginemos que el usuario considera que el hallazgo es incorrecto.
Si puede ver el fragmento, puede decir:
«Aquí se está interpretando mal mi conclusión porque la frase anterior ya limita el alcance.»
Perfecto.
El usuario puede revisar la evidencia.
Un sistema académico debería permitir ese desacuerdo.
7. Explicación del problema
Después de indicar qué y dónde, necesitamos explicar por qué importa.
Una mala explicación sería:
«Problema de argumentación.»
Una mejor:
«La conclusión utiliza una formulación universal, mientras que la evidencia presentada corresponde a una muestra limitada. Conviene comprobar si el alcance de la conclusión está suficientemente justificado.»
Ahora el hallazgo tiene sentido editorial.
La explicación debería separar observación de interpretación
Podemos estructurarlo así:
Observación:
La conclusión utiliza «todos los usuarios».
Contexto:
El estudio presenta resultados de 25 participantes.
Interpretación:
Puede existir una generalización superior al alcance de la evidencia.
Esta separación hace visible el razonamiento.
8. Evidencia
La evidencia es lo que evita que el hallazgo se convierta en una opinión opaca.
Puede proceder de distintas fuentes.
Del propio manuscrito
Fragmentos, citas, definiciones, conclusiones o relaciones internas.
De metadatos externos
Por ejemplo, información bibliográfica recuperada de Crossref u otros servicios.
De una comparación
Dos definiciones, dos capítulos o dos patrones estilísticos.
El informe debería mostrar cuál de estas capas sustenta la observación.
Una recomendación sin evidencia es difícil de evaluar
Imaginemos:
«Reescriba esta conclusión.»
¿Por qué?
Ahora:
«La conclusión introduce una relación causal, pero el apartado de resultados describe únicamente una correlación. Comprueba si existe evidencia adicional para sostener causalidad o modera la formulación.»
La recomendación ya puede evaluarse.
9. Fuente externa, cuando exista
En revisión bibliográfica es especialmente importante.
Por ejemplo:
- Referencia del manuscrito: Smith, 2022.
- Fuente consultada: Crossref.
- Resultado: posible coincidencia.
- Discrepancia: año registrado 2021.
- DOI: identificado.
El usuario puede comprobar la fuente original.
Esto transforma la IA de autoridad en intermediario.
10. Recomendación
Después de describir el problema necesitamos una acción posible.
Por ejemplo:
«Comprueba si la referencia debe añadirse a la bibliografía.»
o:
«Distingue ambas definiciones o explica explícitamente la ampliación conceptual.»
o:
«Revisa si la evidencia permite mantener una conclusión causal.»
La recomendación no debe confundirse con una orden.
Recomendar no es editar automáticamente
Un sistema puede tener la capacidad técnica de modificar el texto.
Pero en un entorno académico conviene mantener una separación clara.
Primero:
diagnóstico.
Después:
decisión.
Y, si el usuario lo solicita:
asistencia para la edición.
No deberíamos saltar automáticamente del primer paso al tercero.
11. Nivel de confianza
No todos los hallazgos tienen la misma fiabilidad.
Una cita sin referencia puede ser relativamente objetiva.
Una interpretación argumentativa puede ser más incierta.
Una anomalía estilística todavía más.
Por eso puede ser útil mostrar algo como:
- confianza alta;
- confianza media;
- confianza baja.
Pero debe explicarse qué significa.
Un porcentaje sin contexto puede dar una falsa impresión de precisión científica.
La confianza debería orientar, no impresionar
Su finalidad es ayudar a responder:
«¿Cuánto peso debo dar a esta observación antes de investigarla?»
No:
«¿Qué tan seguro está matemáticamente el sistema de que tengo un error?»
Son preguntas diferentes.
12. Estado del hallazgo
Cuando el documento se trata como proyecto, el hallazgo debería poder evolucionar.
Por ejemplo:
PENDIENTE
↓
EN REVISIÓN
↓
RESUELTOo:
PENDIENTE
↓
REVISADO
↓
DESCARTADOEsto convierte el informe en un instrumento de trabajo.
No simplemente en una fotografía del momento del análisis.
Descartar también es una decisión válida
Un usuario puede revisar una observación y decidir:
«El sistema tiene razón en detectar la diferencia, pero es deliberada.»
Entonces el hallazgo puede cerrarse como:
revisado / explicado.
Eso forma parte de la revisión.
13. Comentarios del usuario
También puede ser útil permitir una nota.
Por ejemplo:
«La diferencia terminológica es intencional. Se explica al comienzo del capítulo 6.»
Esto documenta por qué se cerró el hallazgo.
Especialmente útil en trabajo colaborativo.
14. Fecha y versión del documento
Una revisión tiene poco valor histórico si no sabemos sobre qué versión se realizó.
Por ejemplo:
Documento:
tesis_v12.pdf
Fecha de análisis:
8 de agosto de 2026
Versión del informe:
1Después el usuario puede analizar:
tesis_v13.pdfy comparar.
La comparación entre versiones puede ser más valiosa que una puntuación
Imaginemos:
Versión A
5 hallazgos de alta prioridad
18 de prioridad mediaDespués de la revisión:
Versión B
1 hallazgo de alta prioridad
7 de prioridad mediaAhora existe evidencia de progreso editorial.
Eso me parece mucho más útil que decir:
«Tu tesis ha pasado de 72 a 86 puntos.»
15. Historial de cambios
En sistemas más avanzados, un hallazgo podría conservar:
- cuándo apareció;
- qué versión lo originó;
- cuándo se revisó;
- qué decisión se tomó;
- si volvió a aparecer posteriormente.
Esto convierte la revisión en un proceso auditable.
16. Exportación
El informe debería poder salir de la aplicación.
Por ejemplo como:
- PDF;
- documento;
- tabla;
- reporte imprimible;
- otros formatos estructurados.
La exportación tiene varias utilidades.
Compartir con el director
El estudiante puede llevar una lista priorizada de cuestiones.
Trabajo entre coautores
El equipo puede distribuir tareas.
Revisión editorial
Un editor puede conservar evidencia del análisis preliminar.
Archivo
Puede mantenerse registro de cómo evolucionó el manuscrito.
El informe no debería intentar reemplazar al documento
Existe otro riesgo.
Si el informe es demasiado extenso, puede convertirse en otro manuscrito que el usuario tiene que revisar.
Eso sería contraproducente.
La función del informe es reducir complejidad.
No duplicarla.
Resumen primero, detalle después
Una arquitectura útil puede funcionar por capas.
RESUMEN EJECUTIVO
↓
PRIORIDADES
↓
CATEGORÍAS
↓
HALLAZGOS
↓
EVIDENCIA
↓
DETALLEEl usuario entra tan profundamente como necesite.
No tiene que leer todo para comprender lo importante.
Filtros
Cuando existen muchos hallazgos, los filtros son fundamentales.
Por ejemplo:
Mostrar solo:
- alta prioridad;
- bibliografía;
- capítulo 5;
- pendientes.
Ahora una lista de cien observaciones puede convertirse en cinco tareas manejables.
Ordenación
También puede ser útil ordenar por:
- prioridad;
- capítulo;
- categoría;
- confianza;
- estado.
Esto permite utilizar el informe de formas diferentes.
Buscar dentro de los hallazgos
En documentos muy largos puede interesar buscar:
«autonomía»
y encontrar todos los hallazgos relacionados con ese concepto.
O:
«Smith 2022»
y localizar observaciones bibliográficas asociadas.
El informe puede convertirse en interfaz de revisión
En ese momento dejamos de pensar en el informe únicamente como PDF.
Puede existir primero como una interfaz interactiva.
El usuario:
- filtra;
- abre;
- compara;
- marca;
- comenta;
- resuelve.
Y después exporta una fotografía del estado.
Un ejemplo completo de hallazgo
Imaginemos un resultado de argumentación:
Categoría:
Argumentación
Prioridad:
Alta
Confianza:
Media
Ubicación:
Capítulo 7 · sección 7.4
Fragmento:
"Los resultados demuestran que el modelo
puede aplicarse universalmente."
Observación:
La conclusión introduce una generalización
superior al alcance de la muestra descrita.
Evidencia:
El estudio utiliza 31 participantes
de dos instituciones.
Recomendación:
Comprobar si existe evidencia adicional
para justificar la generalización o limitar
el alcance de la conclusión.
Estado:
PendienteAhora tenemos una verdadera unidad de revisión.
Otro ejemplo: bibliografía
Categoría:
Integridad bibliográfica
Prioridad:
Media
Ubicación:
Página 87
Cita:
García (2021)
Observación:
No se ha localizado una referencia
correspondiente en la bibliografía.
Recomendación:
Comprobar si falta la referencia o
si la cita contiene datos incorrectos.
Estado:
PendienteDe nuevo, el usuario sabe exactamente qué hacer.
Otro ejemplo: terminología
Categoría:
Terminología
Concepto:
Autonomía
Definición:
Capítulo 2 · capacidad técnica del sistema
Uso divergente:
Capítulo 6 · independencia institucional
Observación:
Posible desplazamiento conceptual.
Recomendación:
Distinguir ambos usos o explicar explícitamente
la ampliación del concepto.La estructura se adapta al tipo de hallazgo.
No todos los hallazgos necesitan los mismos campos
Esto también es importante.
Una referencia bibliográfica puede necesitar:
- DOI;
- fuente externa;
- metadatos.
Una anomalía estilométrica puede necesitar:
- fragmento comparado;
- métricas;
- patrón de referencia.
Un problema argumentativo puede necesitar:
- tesis;
- premisas;
- evidencia;
- conclusión.
El informe debería tener una estructura común, pero permitir especialización.
La trazabilidad como principio central
En todos los casos existe una idea común.
El hallazgo debería tener un camino de vuelta.
Por ejemplo:
HALLAZGO
↓
UBICACIÓN
↓
FRAGMENTO
↓
EVIDENCIA
↓
RECOMENDACIÓNY, cuando existe una fuente externa:
HALLAZGO
↓
CITA
↓
REFERENCIA
↓
FUENTE EXTERNAEsta es la diferencia entre un informe explicable y una lista de opiniones generadas.
La evidencia debería ser más importante que la confianza
Podemos mostrar:
«Confianza: alta.»
Pero prefiero que el usuario pueda ver por qué.
Una buena evidencia reduce la necesidad de confiar en el sistema.
Esto conecta con una idea que considero central en Philologica:
una herramienta académica no debería pedir confianza ciega cuando puede ofrecer trazabilidad.
El informe también debe mostrar límites
No todo análisis puede realizarse con la misma precisión.
Por ejemplo:
- un PDF puede haber sido extraído imperfectamente;
- una referencia puede no encontrarse en las bases consultadas;
- una tabla puede resultar difícil de interpretar;
- un fragmento puede ser ambiguo;
- un argumento puede admitir varias lecturas.
El informe debería poder decir:
«No se ha podido verificar.»
o:
«La evidencia es insuficiente.»
Esto es una característica, no un defecto.
Un sistema que siempre tiene respuesta es sospechoso
En investigación, reconocer incertidumbre forma parte del rigor.
Una IA que siempre produce una conclusión definitiva puede parecer muy competente.
Pero puede estar ocultando justamente aquello que más necesitamos conocer:
sus límites.
El informe debería ayudar a decidir, no decidir por el usuario
Esta es la finalidad última.
Después de abrir el informe, el investigador debería poder responder:
¿Qué reviso primero?
¿Dónde está?
¿Por qué se ha marcado?
¿Qué evidencia hay?
¿Qué opciones tengo?
La decisión final continúa siendo humana.
Un informe debería reducir carga cognitiva
Una tesis de 300 páginas representa una enorme cantidad de información.
El informe debería reducirla.
No mediante una simplificación irresponsable.
Sino mediante organización.
De:
«Tengo que volver a revisar toda mi tesis.»
a:
«Tengo cuatro problemas importantes que resolver primero.»
Ese cambio es significativo.
Informe completo frente a lista de errores
Una lista de errores dice:
«Aquí hay 37 problemas.»
Un informe editorial dice:
«Estos son los cuatro problemas prioritarios, esta es la evidencia, estos son los otros hallazgos y este es el estado actual del manuscrito.»
La segunda estructura es mucho más útil.
El informe como puente entre persona e IA
También podemos entenderlo de otra forma.
La IA realiza una enorme cantidad de procesamiento.
El usuario no necesita ver cada operación.
Pero sí necesita suficiente información para evaluar el resultado.
El informe funciona como puente.
Convierte:
procesamiento automático
en:
decisiones humanas revisables.
El informe como memoria del proceso
Si cada revisión queda registrada, aparece además una historia.
Podemos saber:
- qué problemas existían;
- cuáles se corrigieron;
- cuáles se descartaron;
- qué cambió entre versiones.
Esto resulta especialmente interesante en proyectos académicos largos.
Una tesis no tiene una única revisión
Normalmente existen muchas.
Borrador
↓
Revisión 1
↓
Correcciones
↓
Revisión 2
↓
Director
↓
Correcciones
↓
Versión finalUna herramienta que conserve esos estados puede convertirse en una parte real del workflow.
Qué representa esto dentro de Philologica
El dossier de Philologica plantea precisamente que el resultado de la revisión sea un elemento tangible y estructurado, con componentes como resumen ejecutivo, priorización, ubicación, evidencia y recomendaciones. :contentReference[oaicite:1]{index=1}
La intención es evitar que todo el trabajo termine reducido a una conversación difícil de recuperar.
El reporte no es el final
Esta idea también es importante.
El informe no representa el final de la revisión.
Representa el comienzo del trabajo posterior.
ANÁLISIS
↓
INFORME
↓
REVISIÓN HUMANA
↓
CORRECCIÓN
↓
NUEVA VERSIÓNDespués puede ejecutarse otro análisis.
El verdadero producto es la decisión informada
En última instancia, no importa demasiado cuántos tokens haya procesado el modelo.
Ni cuántas operaciones internas se hayan ejecutado.
Lo que importa es si el usuario puede tomar mejores decisiones sobre su manuscrito.
Por eso el producto final no es:
«una respuesta inteligente».
Es:
una decisión mejor informada.
Qué incluiría en un informe mínimo
Si tuviera que reducir todo lo anterior a una versión esencial, pediría al menos:
- Resumen ejecutivo.
- Prioridades.
- Categoría.
- Ubicación exacta.
- Fragmento o evidencia.
- Explicación.
- Recomendación.
- Estado.
Con esas ocho piezas ya podemos construir un instrumento bastante útil.
Qué añadiría en una versión avanzada
Después:
- nivel de confianza;
- fuentes externas;
- comentarios;
- versionado;
- comparación entre revisiones;
- historial;
- exportación;
- filtros;
- búsqueda.
Ahí el informe empieza a convertirse en un verdadero sistema editorial.
La tesis detrás del informe
La IA aplicada a revisión académica no debería producir únicamente texto.
Debería producir resultados que puedan ser examinados.
Porque una observación sin ubicación es difícil de verificar.
Una recomendación sin evidencia es difícil de evaluar.
Una prioridad sin explicación es difícil de aceptar.
Y una conclusión sin trazabilidad exige demasiada confianza.
Por eso considero que un buen informe debe responder siempre a cinco preguntas:
¿Qué has encontrado?
¿Dónde?
¿Por qué importa?
¿Qué evidencia tienes?
¿Qué debería revisar yo?
Cuando el sistema puede responder claramente a esas preguntas, la IA deja de comportarse únicamente como un interlocutor.
Empieza a funcionar como un verdadero instrumento editorial.
Philologica: del análisis al informe editorial
Dentro de Philologica, la revisión está diseñada para producir hallazgos estructurados que puedan convertirse en un informe revisable y exportable, en lugar de quedar únicamente dentro de una conversación. :contentReference[oaicite:2]{index=2}
El objetivo es ayudar a priorizar, localizar y verificar los aspectos del manuscrito que merecen atención.
Puedes explorar Philologica en:
Los informes generados mediante inteligencia artificial deben entenderse como instrumentos de apoyo a la revisión. La interpretación de los hallazgos y las decisiones editoriales continúan correspondiendo al autor, investigador, editor o revisor.
