La Universidad Austral difundió
una revisión sistemática que mapea por qué los doctorandos abandonan y dónde la
inteligencia artificial puede —y dónde no puede— hacer algo al respecto. El
trabajo está firmado por Gerardo Alfredo Rodríguez y Andrés Chiappe
(Universidad de La Sabana, Colombia) junto a Julio Durand (Universidad
Austral), y fue publicado en abril de 2026 en Social Sciences &
Humanities Open, de Elsevier, bajo licencia abierta CC BY.
El dato que ordena todo lo demás:
en el estudio australiano de Larcombe, Ryan y Baik (2022), relevado por la
revisión, el 26,3% de los doctorandos señaló la salud mental —estrés, depresión
y ansiedad— como motivo principal de deserción. La presión económica aparece
segunda, con 13%.
Cinco barreras, medidas
Los autores siguieron el
protocolo PRISMA sobre Scopus, filtrando por ciencias sociales, artículos y
ventana 2015-2025. Analizaron 92 trabajos: 41 sobre barreras doctorales y 51
sobre usos de IA en formación de posgrado.
De ahí salen cinco categorías. La
primera es salud mental: en Bélgica, un tercio de los doctorandos reportó
problemas de salud mental (Levecque et al., 2017); en Francia, 51% declaró
estrés, 42% ansiedad y 54% síntomas depresivos (Casey et al., 2023). Schwoerer
y colegas encontraron que más del 35% se sintió incapaz de manejar su vida
académica al menos una vez por semana, y 52% reportó agotamiento mental
semanal.
La segunda es la supervisión.
Sobre 152 participantes, 88% reportó dificultades con su director y 22%
percibió desinterés directo. Los autores describen una figura precisa: la
"libertad negativa", esa autonomía que en los papeles suena bien y en
la práctica es ausencia de estructura, de interacción y de devolución útil.
La tercera son los factores
personales. En la muestra española de Castelló, McAlpine y Pyhältö (n=724), 25%
abandonó por desequilibrio entre vida y trabajo; entre quienes cursaban
part-time, 51,6% reportó serias dificultades para conciliar, contra 26% de los
full-time. En la misma muestra, 23% no tenía ingresos y solo 21% contaba con
beca.
La cuarta son las competencias
académicas. Un dato incómodo de Conway (2011): sobre 41 estudiantes de
posgrado, 59% no supo elegir una estrategia de búsqueda pertinente y 33% no
pudo identificar un operador booleano. La quinta son los factores institucionales,
segunda causa de deserción según Hurtado et al. (2024), con 13% de los casos.
Las tres promesas de la IA
La revisión agrupa los usos
documentados en tres funciones: personalización, asistencia y automatización.
La más citada es la personalización —retroalimentación oportuna, aprendizaje
adaptativo, tutoría inteligente—. En asistencia aparecen los chatbots y las
herramientas de escritura; en automatización, la revisión de literatura, el
reconocimiento de patrones y la organización de tareas.
Sobre uso concreto, el estudio de
Carrillo Cruz et al. (2023), con 456 participantes, encontró que 46,5% usó
ChatGPT para verificar consistencia en la escritura científica, 21,2% recurrió
a lectores de PDF con IA, 16,4% para localizar fuentes secundarias y 10,7% para
parafrasear.
Dónde el trabajo se pone
escéptico
Acá está lo más valioso del
paper, y es lo que suele quedar afuera de la conversación pública. Los autores
identifican una "carga de verificación" latente: la IA acelera la
producción, pero si las salidas son plausibles y a la vez imprecisas, alguien
tiene que chequearlas. Ese alguien es el director de tesis. El resultado
posible no es menos trabajo, sino trabajo desplazado —del diálogo formativo al
control de calidad—.
El segundo riesgo es de equidad.
Como el comportamiento del modelo replica sus datos de entrenamiento, campos
disciplinares, lenguas y metodologías subrepresentadas reciben orientación
sistemáticamente más pobre. Para el sistema científico argentino, que publica
en español y trabaja sobre agendas locales, la advertencia no es abstracta.
El tercero es de soberanía
institucional: tercerizar servicios de IA genera dependencias tecnológicas
difíciles de revertir, y la portabilidad de modelos, prompts y datasets pasa a
ser una vulnerabilidad. Los autores recomiendan incluir criterios de portabilidad
y desmantelamiento en las compras institucionales.
Los propios investigadores
declaran que usaron IA generativa solo para gramática, claridad y estilo, y que
ningún contenido, análisis o conclusión fue generado por IA.
Límites del estudio
Los autores lo advierten: los trabajos incluidos son heterogéneos en diseño y contexto, lo que restringe comparabilidad e impide inferencias causales. Además, la cobertura de Scopus subrepresenta producción no indexada —un sesgo que castiga particularmente a la investigación latinoamericana—. La recomendación final es prudente: implementar por pilotos acotados, monitorear efectos no deseados y recién después escalar.
Instagram: @mundonorte
.gif)
