¿Qué estamos haciendo exactamente con el manuscrito cuando lo entregamos a un sistema de IA?
Una tesis no es simplemente un archivo PDF.
Puede contener:
- investigación inédita;
- datos no publicados;
- hipótesis originales;
- información de participantes;
- material sometido a embargo;
- resultados pendientes de publicación;
- trabajo de varios años.
Por eso, cuando incorporamos IA al proceso de revisión académica, no basta con preguntarnos:
«¿Puede detectar errores?»
También debemos preguntar:
«¿Cómo se trata el documento, qué decisiones seguimos controlando y qué límites tiene la herramienta?»
La privacidad y la integridad académica no deberían aparecer al final como un aviso legal.
Deberían formar parte del diseño del sistema.
Una tesis puede contener información sensible antes de publicarse
Cuando pensamos en privacidad solemos imaginar datos personales.
Pero en investigación existe otro tipo de sensibilidad.
Un manuscrito puede ser confidencial simplemente porque todavía no ha sido publicado.
Puede incluir:
- resultados originales;
- una nueva metodología;
- datos preliminares;
- ideas pendientes de patente;
- información compartida bajo acuerdos de confidencialidad;
- revisiones recibidas de terceros.
Por tanto, una pregunta básica antes de subir un documento a cualquier herramienta debería ser:
¿Estoy autorizado a procesar este contenido mediante este servicio?
No todo manuscrito puede tratarse igual
Imaginemos tres documentos.
Documento A
Un ensayo personal ya publicado.
Documento B
Una tesis doctoral inédita que todavía está siendo evaluada.
Documento C
Un estudio que contiene información confidencial de participantes.
Los tres son textos académicos.
Pero su nivel de sensibilidad es completamente diferente.
La decisión sobre si utilizar una herramienta externa debería considerar esa diferencia.
Privacidad no significa solamente «tener una política de privacidad»
Una política legal es necesaria.
Pero desde el punto de vista del investigador, existen preguntas mucho más concretas.
Por ejemplo:
- ¿qué información necesita realmente la herramienta?
- ¿durante cuánto tiempo necesita conservarla?
- ¿quién puede acceder al documento?
- ¿qué partes del análisis permanecen almacenadas?
- ¿puede el usuario eliminar el proyecto?
- ¿qué ocurre con los archivos derivados?
Estas preguntas pertenecen al diseño del producto tanto como a la documentación legal.
No afirmo aquí que exista una única respuesta correcta para todos los sistemas.
Pero sí considero que el usuario debería poder conocerla.
El principio de minimización
Una idea útil es sencilla:
un sistema debería tratar únicamente la información que necesita para realizar la tarea.
Si estamos revisando argumentación, quizá no necesitamos determinados metadatos personales.
Si estamos verificando referencias, quizá no necesitamos procesar anexos confidenciales.
Si una parte del documento no es necesaria para un análisis concreto, existe una buena razón para preguntarse si debería incluirse.
La privacidad también puede diseñarse por herramienta
Esto conecta con una de las ideas estructurales de Philologica:
trabajar con objetivos de revisión específicos en lugar de enviar el manuscrito indiscriminadamente a una conversación general. :contentReference[oaicite:1]{index=1}
Una arquitectura basada en herramientas permite pensar:
«¿Qué necesita esta operación concreta?»
en lugar de:
«Utilicemos todo el documento para todo.»
Desde una perspectiva de privacidad, esa diferencia es importante.
Un manuscrito como proyecto, no como texto desechable
Cuando un documento se trata como proyecto, también aparece una responsabilidad.
El usuario debería poder entender:
- qué archivo está asociado al proyecto;
- qué análisis se han realizado;
- qué resultados se conservan;
- qué versión se está revisando.
Esto mejora la trazabilidad.
Pero también ayuda a controlar qué información existe dentro del sistema.
Confidencialidad e integridad son problemas diferentes
Conviene separar ambos conceptos.
Privacidad y confidencialidad preguntan:
¿Quién puede acceder al contenido y cómo se trata?
Integridad académica pregunta:
¿Cómo se utiliza la IA dentro del proceso intelectual y qué responsabilidad conserva el autor?
Ambas dimensiones están relacionadas.
Pero no son iguales.
Qué significa integridad académica con IA
La aparición de herramientas generativas ha introducido preguntas nuevas.
Por ejemplo:
- ¿puede una IA corregir estilo?
- ¿puede proponer una reformulación?
- ¿puede resumir bibliografía?
- ¿puede generar una premisa?
- ¿puede redactar conclusiones?
- ¿debe declararse su uso?
No existe una respuesta universal para todas las instituciones, disciplinas y tipos de trabajo.
Las normas pueden variar.
Pero existe un principio bastante útil:
cuanto más se acerque la IA a producir el contenido intelectual que está siendo evaluado, más importante resulta revisar las reglas aplicables y hacer explícito su uso cuando corresponda.
Revisar no es lo mismo que escribir
Esta distinción es central en la filosofía de Philologica.
Hay una diferencia entre:
«Escribe mi argumento.»
y:
«Indícame dónde mi argumento parece tener un salto.»
También entre:
«Genera referencias para esta afirmación.»
y:
«Comprueba si esta referencia puede verificarse externamente.»
En el primer caso, la IA produce contenido.
En el segundo, ayuda a inspeccionar contenido existente.
La diferencia es importante desde la perspectiva de integridad académica.
Una herramienta de revisión debería favorecer el diagnóstico
Por eso prefiero un sistema que diga:
«He encontrado una posible inconsistencia aquí.»
antes que uno que silenciosamente reescriba todo el texto.
El diagnóstico mantiene al investigador dentro del proceso.
Le obliga a:
- leer;
- evaluar;
- decidir;
- corregir conscientemente.
La automatización total puede eliminar precisamente aquello que una tesis pretende demostrar:
la capacidad del investigador para razonar sobre su propio trabajo.
El problema de aceptar correcciones automáticamente
Imaginemos que una IA propone:
«Reescribir conclusión.»
El usuario pulsa:
Aceptar.
Después hace lo mismo cincuenta veces.
Formalmente existe supervisión humana.
Pero ¿ha existido realmente revisión intelectual?
Tal vez no.
Un botón de aprobación no garantiza que el usuario haya comprendido la modificación.
Human in the loop no debería ser una etiqueta
Se utiliza mucho la expresión:
human in the loop.
Pero para que una persona esté realmente dentro del proceso necesita:
- evidencia;
- contexto;
- capacidad de cuestionar;
- capacidad de rechazar;
- comprensión de la recomendación.
Esto conecta directamente con la trazabilidad.
La trazabilidad protege también la integridad académica
Si el sistema dice:
«Esta conclusión parece demasiado amplia.»
y muestra:
- la conclusión;
- las premisas;
- la evidencia;
- la ubicación;
el investigador debe decidir qué hacer.
Puede:
- defenderla;
- limitarla;
- añadir evidencia;
- descartar el hallazgo.
La IA ayuda a revisar.
No sustituye la decisión intelectual.
La diferencia entre asistencia y delegación
Podemos imaginar un continuo.
REVISIÓN
↓
SUGERENCIA
↓
REFORMULACIÓN
↓
GENERACIÓN
↓
DELEGACIÓNNo todos los puntos son necesariamente problemáticos.
Pero cuanto más nos desplazamos hacia delegación, mayor debe ser nuestra atención a las normas académicas aplicables.
La misma herramienta puede utilizarse de maneras muy distintas
Una IA no determina por sí sola si el uso es adecuado.
Por ejemplo, una herramienta puede utilizarse para:
«Explícame por qué esta frase es difícil de leer.»
o:
«Escribe las conclusiones de mi tesis.»
La tecnología puede ser la misma.
La función académica es completamente diferente.
Las reglas institucionales importan
Universidades, revistas, editoriales y organismos financiadores pueden establecer políticas distintas sobre el uso de IA.
Por tanto, un investigador debería comprobar siempre:
- normas de su universidad;
- reglamento de tesis;
- instrucciones de la revista;
- políticas del proyecto;
- requisitos de declaración de IA.
Una herramienta no puede sustituir esas normas.
Un sistema académico debería recordar sus límites
Esto es particularmente importante.
Una aplicación puede facilitar una operación técnicamente.
Eso no significa que esa operación esté permitida dentro de todos los contextos académicos.
El producto puede ayudar.
Pero la institución define las reglas aplicables.
El uso de IA debería poder explicarse
Una pregunta práctica que me parece útil es:
«¿Podría explicar claramente a mi director, revisor o editor cómo he utilizado esta herramienta?»
Si la respuesta es sí, probablemente existe una relación más sana con el sistema.
Si el uso solo funciona mientras permanece oculto, conviene reflexionar.
Revisar una fuente frente a inventar una fuente
La integridad bibliográfica ofrece un ejemplo muy claro.
Podemos pedir:
«Dame cinco referencias que apoyen esta idea.»
y recibir referencias plausibles pero inexistentes.
O podemos construir un flujo distinto:
FUENTE PROPUESTA
↓
BÚSQUEDA EXTERNA
↓
VERIFICACIÓN
↓
REVISIÓN HUMANA
↓
CITALa segunda estructura conserva una capa de comprobación.
Una referencia generada no debería convertirse automáticamente en evidencia
Esta es una regla práctica que considero especialmente importante.
Una referencia propuesta por IA debería considerarse una pista de búsqueda hasta que exista verificación independiente.
Esto protege tanto la calidad bibliográfica como la integridad del argumento.
Existencia, pertinencia y respaldo
Incluso una referencia real puede estar mal utilizada.
Por eso conviene separar tres preguntas.
1. ¿Existe?
La fuente puede verificarse.
2. ¿Es pertinente?
Tiene relación con el tema.
3. ¿Respalda realmente la afirmación?
La fuente contiene evidencia adecuada para el uso que hacemos de ella.
La IA puede ayudar en estas capas.
Pero la última requiere a menudo interpretación disciplinar.
La confidencialidad de las fuentes también puede importar
No todos los materiales utilizados en una investigación son públicos.
Puede haber:
- documentos internos;
- entrevistas;
- transcripciones;
- informes privados;
- datasets restringidos.
Subir estos contenidos a una herramienta requiere más cautela que trabajar únicamente con artículos públicos.
Los datos de participantes merecen especial atención
En determinadas investigaciones, un documento puede contener información asociada a personas.
Por ejemplo:
- entrevistas;
- historias clínicas;
- encuestas;
- datos demográficos;
- respuestas abiertas.
En esos casos, la pregunta sobre el uso de IA ya no es únicamente editorial.
También puede implicar requisitos éticos, legales o institucionales.
El investigador debería comprobar qué tratamiento está autorizado.
Anonimización y seudonimización
Cuando sea compatible con la investigación, una práctica razonable puede ser reducir información identificativa antes de utilizar herramientas externas.
Por ejemplo, sustituir:
«María López, médica del Hospital X…»
por:
«Participante 12…»
Pero incluso la anonimización tiene límites.
Una persona puede seguir siendo identificable por combinación de datos.
Por eso no debería tratarse como garantía absoluta.
La privacidad también incluye metadatos
A veces pensamos únicamente en el texto visible.
Pero los documentos pueden incluir otros datos.
Por ejemplo:
- nombre de autor;
- institución;
- comentarios;
- propiedades del archivo;
- nombres de revisores;
- control de cambios.
Antes de compartir un archivo, conviene saber qué contiene realmente.
Un PDF puede revelar más de lo que parece
Especialmente cuando procede de documentos con historial editorial.
Puede contener información que el usuario no pretendía analizar.
Por eso una arquitectura que procese documentos debería tener en cuenta no solo el texto principal, sino el alcance real del archivo recibido.
El principio de propósito
Otro criterio importante es:
¿para qué se está utilizando el documento?
Si el usuario lo sube para revisar bibliografía, el tratamiento debería estar alineado con ese propósito.
El hecho de disponer técnicamente del archivo no debería significar automáticamente que pueda utilizarse para cualquier otro fin.
El usuario necesita entender el ciclo de vida del documento
Idealmente debería poder responder:
- ¿cuándo subo el documento?
- ¿qué análisis se realiza?
- ¿qué información derivada se genera?
- ¿qué permanece asociada al proyecto?
- ¿qué ocurre cuando elimino el proyecto?
Estas preguntas son mucho más concretas que una declaración genérica de privacidad.
No afirmar más de lo que la arquitectura puede garantizar
Este principio también afecta a cómo comunicamos privacidad.
Una aplicación no debería utilizar afirmaciones absolutas como:
«Seguridad total.»
o:
«Privacidad garantizada al 100 %.»
Los sistemas reales tienen dependencias, infraestructuras y riesgos.
Es preferible describir controles concretos y límites conocidos.
La transparencia sobre proveedores también importa
Cuando una aplicación utiliza modelos o servicios externos, existe una cadena técnica.
Podemos imaginar:
USUARIO
↓
APLICACIÓN
↓
SERVICIO DE IA
↓
RESULTADOEl usuario debería poder comprender, al menos a un nivel razonable, qué actores participan en el procesamiento.
Esto no significa mostrar toda la arquitectura interna.
Significa no crear una falsa impresión de aislamiento si existen terceros involucrados.
Privacidad por oscuridad no es privacidad
Ocultar la complejidad técnica puede facilitar la interfaz.
Pero no debería ocultar decisiones relevantes para el usuario.
Especialmente cuando trabaja con un manuscrito inédito.
La privacidad también es una cuestión de control
Un usuario tiene más control cuando puede:
- decidir qué subir;
- elegir qué analizar;
- ver qué resultados existen;
- eliminar información cuando corresponda;
- comprender qué actores participan.
La experiencia de privacidad no consiste únicamente en proteger datos detrás de la interfaz.
También consiste en permitir decisiones informadas.
El principio de reversibilidad
Una buena pregunta de diseño es:
«¿Puede el usuario deshacer razonablemente lo que ha hecho?»
Por ejemplo:
eliminar un proyecto;
borrar un documento;
descartar un análisis.
No siempre todo puede deshacerse técnicamente de la misma manera.
Pero la capacidad de control debería ser una consideración explícita.
La integridad también implica preservar el texto original
Si una herramienta propone modificaciones, conviene que el usuario pueda distinguir:
original
de:
propuesta.
Esto evita que la IA altere silenciosamente el manuscrito.
Podemos imaginar:
TEXTO ORIGINAL
↓
SUGERENCIA
↓
DECISIÓN DEL AUTORen lugar de:
TEXTO ORIGINAL
↓
MODIFICACIÓN AUTOMÁTICAConservar el original es una forma de trazabilidad
Si podemos comparar antes y después, podemos saber:
- qué cambió;
- quién tomó la decisión;
- qué parte fue sugerida;
- qué parte permaneció igual.
Esto es especialmente útil en trabajos largos.
Una revisión académica debería poder auditarse
La palabra auditar puede sonar excesivamente técnica.
Pero el principio es simple.
Deberíamos poder reconstruir:
«¿Qué hizo el sistema y qué hice yo?»
Esta separación protege la responsabilidad intelectual.
Autoría y asistencia
Una herramienta puede haber:
- señalado una inconsistencia;
- propuesto una fuente;
- identificado un cambio de estilo;
- formulado una pregunta crítica.
Eso no significa que sea autora del argumento final.
Pero si empieza a:
- formular tesis;
- construir premisas;
- seleccionar evidencia;
- redactar conclusiones;
la frontera puede hacerse mucho más relevante.
La responsabilidad final no puede delegarse a la herramienta
Una frase como:
«La IA dijo que estaba correcto.»
no debería constituir una defensa académica.
El investigador sigue siendo responsable de:
- sus afirmaciones;
- sus fuentes;
- sus conclusiones;
- sus decisiones metodológicas.
La IA puede asistir.
No puede asumir esa responsabilidad.
Esto es precisamente lo que hace valiosa la supervisión humana
No se trata de colocar a una persona al final como firma simbólica.
Se trata de conservar el lugar donde se produce el juicio.
La herramienta puede decir:
«He encontrado esto.»
El investigador responde:
«Comprendo la evidencia y decido esto.»
El dossier de Philologica mantiene esta frontera
La presentación de Philologica insiste en que la revisión humana sigue siendo esencial y sitúa privacidad, trazabilidad, límites y seguridad entre los principios del sistema. :contentReference[oaicite:2]{index=2}
Eso es importante porque define el papel de la herramienta.
No como sustituto del investigador.
Sino como infraestructura para revisar mejor.
La revisión humana no es un defecto de la IA
A veces se presenta la necesidad de revisión humana como una limitación temporal.
Algo que desaparecerá cuando los modelos sean mejores.
No estoy seguro de que esa sea la forma correcta de entenderlo en investigación.
Hay decisiones que son humanas no porque la IA sea todavía imperfecta.
Sino porque implican:
- responsabilidad;
- interpretación;
- criterio disciplinar;
- elecciones teóricas;
- consecuencias éticas.
Una IA más potente no elimina necesariamente esta frontera
Un modelo futuro puede detectar mejor una contradicción.
Pero decidir si una excepción teórica está justificada puede seguir siendo una cuestión académica.
Puede verificar mejor una referencia.
Pero decidir si esa fuente es conceptualmente adecuada puede requerir conocimiento experto.
La potencia técnica no elimina automáticamente la responsabilidad.
Una herramienta académica debería saber decir «no lo sé»
Esto también forma parte de la integridad.
Un sistema puede encontrarse con:
- evidencia insuficiente;
- datos ambiguos;
- una fuente no verificable;
- un PDF mal extraído;
- una interpretación abierta.
En esos casos, una respuesta responsable puede ser:
«No puedo determinarlo con suficiente confianza.»
Eso es más útil que inventar certeza.
La incertidumbre debería ser visible
Por ejemplo:
Verificado
Requiere revisión
No verificado
Estas categorías pueden ser más responsables que una respuesta binaria.
Privacidad e integridad tienen una raíz común
A primera vista parecen temas distintos.
Pero ambos dependen de una misma idea:
control.
Privacidad:
control sobre el documento y sus datos.
Integridad:
control sobre las decisiones intelectuales.
Una herramienta académica debería intentar preservar ambos.
Un buen sistema debería poder responder siete preguntas
Antes de utilizar IA con un manuscrito importante, yo intentaría responder:
- ¿Qué información voy a proporcionar?
- ¿Tengo derecho a procesarla?
- ¿Qué parte del trabajo realizará la IA?
- ¿Qué decisiones seguirán siendo mías?
- ¿Puedo verificar sus resultados?
- ¿Conozco las normas de mi institución?
- ¿Podría explicar abiertamente cómo he utilizado la herramienta?
Si alguna respuesta no está clara, probablemente necesitemos detenernos a comprobarla antes de continuar.
Un checklist práctico antes de subir una tesis
- Comprueba si el documento contiene información confidencial.
- Revisa si incluye datos personales o material restringido.
- Consulta las normas de tu universidad o institución.
- Identifica qué análisis necesitas realmente.
- No compartas información innecesaria para la tarea.
- Verifica las fuentes propuestas por IA.
- No aceptes automáticamente cambios argumentativos.
- Conserva siempre el documento original.
- Revisa manualmente los hallazgos importantes.
- Documenta el uso de IA cuando las normas aplicables lo requieran.
Un checklist durante la revisión
Para cada hallazgo importante, preguntaría:
¿Puedo ver el fragmento original?
¿Puedo saber por qué se ha marcado?
¿Puedo verificar la fuente?
¿La recomendación modifica el contenido intelectual?
¿Comprendo el cambio antes de aceptarlo?
Estas preguntas reducen el riesgo de delegación automática.
Un checklist antes de entregar
- Revisa todas las citas y referencias.
- Comprueba que las sugerencias de IA no hayan introducido datos nuevos sin verificar.
- Revisa especialmente tesis, premisas y conclusiones.
- Comprueba la terminología.
- Verifica cualquier texto reformulado de manera significativa.
- Comprueba si debes declarar el uso de IA.
- Conserva una versión final bajo tu control.
El principio de «no introducir evidencia silenciosamente»
Esta es otra regla que considero especialmente útil.
Si una herramienta reformula un párrafo, no debería introducir:
- datos;
- referencias;
- afirmaciones;
- causalidades;
- conclusiones;
que no estaban justificadas en el original sin hacerlo visible.
Una corrección estilística no debería transformarse silenciosamente en producción de contenido.
Una reformulación puede cambiar más de lo que parece
Comparemos:
«Los resultados sugieren una posible relación.»
con:
«Los resultados demuestran una relación.»
Solo cambia una palabra.
Pero cambia el nivel de certeza.
La edición asistida por IA necesita preservar estas diferencias.
La integridad también exige controlar el significado
No basta con que el nuevo texto suene mejor.
Debe seguir diciendo lo que el autor pretende decir.
Esto es particularmente importante cuando la IA:
- resume;
- traduce;
- reformula;
- simplifica;
- expande.
El investigador debe seguir reconociendo su propio texto
Después de una revisión, una pregunta sencilla es:
«¿Podría defender cada afirmación de esta versión aunque la sugerencia inicial procediera de una IA?»
Si la respuesta es no, el proceso de revisión todavía no ha terminado.
La privacidad no sirve de mucho sin confianza operativa
Un producto puede tener una buena política de privacidad y, sin embargo, generar dudas si el usuario no entiende qué está ocurriendo.
Por eso la interfaz también importa.
Mensajes claros sobre:
- qué se está procesando;
- qué análisis se está ejecutando;
- qué resultado se está generando;
pueden ayudar a construir una relación más comprensible.
La integridad no debería depender únicamente de advertencias
Podríamos mostrar un aviso:
«Comprueba las respuestas de la IA.»
Está bien.
Pero es mejor diseñar el producto para facilitar esa comprobación.
Por ejemplo:
- mostrar fragmentos;
- mostrar fuentes;
- separar evidencia de interpretación;
- evitar correcciones silenciosas;
- conservar versiones.
El diseño puede fomentar buenas prácticas.
La seguridad también debe entenderse como proceso
Ningún sistema serio debería hablar de seguridad como una propiedad absoluta.
La seguridad implica controles, revisión y gestión continua.
Para un investigador, la pregunta práctica sigue siendo:
«¿El nivel de protección y las condiciones de uso son adecuados para el tipo de material que voy a procesar?»
No todos los documentos requieren el mismo nivel de cautela.
La tesis detrás de una IA académica responsable
Si tuviera que resumir todo esto en una idea sería:
la IA debería ampliar la capacidad de revisión del investigador sin quitarle el control sobre su documento ni sobre sus decisiones intelectuales.
Eso implica:
privacidad.
Trazabilidad.
Límites claros.
Verificación.
Revisión humana.
No son elementos independientes.
Forman un mismo modelo de uso.
La IA no debería convertirse en una zona opaca del proceso académico
Durante una investigación intentamos documentar:
- métodos;
- fuentes;
- datos;
- decisiones.
Sería extraño introducir una herramienta de IA y aceptar que precisamente esa parte del workflow permanezca sin explicación.
Cuanto más importante sea su función, más importante será poder describirla.
La transparencia protege también al investigador
Si podemos explicar:
«Utilicé IA para detectar inconsistencias bibliográficas y revisar estructura, pero verifiqué manualmente todos los hallazgos y no delegué la elaboración de las conclusiones.»
tenemos una descripción mucho más clara del proceso.
La transparencia reduce ambigüedad sobre el papel real de la herramienta.
La mejor relación con la IA puede ser una relación auditable
No necesitamos fingir que la IA no existe.
Tampoco necesitamos entregarle todo el trabajo.
Podemos construir una relación intermedia:
INVESTIGADOR
↓
IA REVISA
↓
EVIDENCIA
↓
INVESTIGADOR VERIFICA
↓
INVESTIGADOR DECIDEEn este modelo, la IA aporta escala.
El investigador conserva responsabilidad.
Un manuscrito merece más cuidado que un prompt cualquiera
Quizá esta sea la conclusión más sencilla.
Una tesis puede representar años de trabajo.
Contiene conocimiento, decisiones, datos y responsabilidad intelectual.
No debería tratarse como si fuera simplemente otro texto que pegamos en una caja de chat.
Necesita un entorno diseñado para revisión académica.
Con:
- objetivos claros;
- límites;
- trazabilidad;
- control del usuario;
- revisión humana.
La pregunta que deberíamos hacernos
No es únicamente:
«¿Qué puede hacer la IA con mi tesis?»
También:
«¿Qué debería permitirle hacer, qué necesito verificar y qué decisiones deben seguir siendo mías?»
Esa pregunta me parece mucho más importante.
Philologica: privacidad, trazabilidad y revisión humana
El planteamiento de Philologica sitúa la revisión académica dentro de un flujo estructurado y mantiene principios como trazabilidad, privacidad, límites claros y revisión humana como parte de la forma en que se presenta la herramienta. :contentReference[oaicite:3]{index=3}
El objetivo no es sustituir al investigador, sino ofrecer instrumentos para localizar, verificar y priorizar cuestiones que merecen revisión.
Puedes explorar Philologica en:
Las condiciones concretas de tratamiento de datos, almacenamiento, uso de servicios externos y conservación de documentos deben consultarse siempre en la documentación y políticas vigentes del servicio utilizado. Del mismo modo, las normas sobre el uso de inteligencia artificial pueden variar entre universidades, revistas y disciplinas.
