Psicólogo, Ucab, Caracas, con máster en IA aplicada. Amplia experiencia en ciencia de datos y analítica. Ha trabajado en organizaciones como Save the Children, TaskUs y e2e Technology Solutions implementando soluciones de machine learning, minería de datos e integración en la nube. Consultor en estadística y machine learning para diversas industrias, con certificaciones en Data Science, IBM SPSS Statistics e IBM SPSS Modeler.
No existe conflicto de interés entre los/as autores/as del artículo.
La expansión acelerada
de herramientas de inteligencia artificial para la investigación académica ha
generado un ecosistema tecnológico de recursos que, pese a su diversidad
técnica, comparte una característica común: la ausencia de un marco
epistemológico explícito que oriente sus sugerencias y
The rapid expansion of artificial intelligence (AI) tools for academic research has generated an ecosystem of resources that, despite their technical diversity, share a common characteristic: the absence of an explicit epistemological framework to guide their suggestions and outputs. This article describes the experience of designing Tutoeris, an AI platform built to assist researchers in training throughout the development of their degree projects, constructed on the basis of the holistic understanding of science formulated by Jacqueline Hurtado de Barrera and Marcos Fidel Barrera Morales. It is argued that the holistic understanding of science can function not only as a theoretical framework for thinking about AI, but as a functional architecture for designing it: its principles translate into generation rules, its concepts into structured forms, and its spiral of the research process into a coherent sequence of steps for the researcher. At the same time, the inverse direction of the relationship is examined: what AI contributes to the holistic research process and what its real limits are. The article concludes that epistemologically informed AI (that which is designed from a specific methodological framework rather than from the apparent neutrality of generalist models) represents a necessary and viable direction for the development of technology in the service of science.
En marzo de 2026, la
revista
La noticia generó
reacciones encontradas en la comunidad académica. Para algunos, representaba
una promesa de aceleración sin precedentes de la investigación científica. Para
otros, planteaba preguntas urgentes sobre la autoría, la integridad del sistema
de revisión por pares y el riesgo de una inflación de
Este escenario plantea preguntas que van más allá de lo técnico: ¿qué significa hacer ciencia con rigor, y puede la inteligencia artificial incorporar ese rigor si no ha sido diseñada desde un marco epistemológico que lo defina? La respuesta a esa pregunta no es solo filosófica. Tiene consecuencias directas en el tipo de herramientas que se construyen, en cómo orientan a los investigadores y qué tipo de conocimiento producen o facilitan.
Este artículo parte de
una experiencia concreta: el diseño de
Tutoeris no nació de una reflexión abstracta sobre epistemología y tecnología, sino de una pregunta pragmática: ¿cómo puede la IA ayudar realmente a un investigador en formación, sin reproducir los sesgos y las confusiones que ya abundan en la literatura metodológica convencional? La respuesta que se encontró fue que la única manera de lograrlo era construir la herramienta desde adentro hacia afuera, es decir, partir de un marco metodológico claro (la comprensión holística de la ciencia) y dejar que ese marco determinara la arquitectura de la IA. No al revés.
Lo que se describe en
este documento no es, por tanto, un análisis teórico de la relación entre IA y
epistemología, sino el relato de una operacionalización: cómo los conceptos de
la comprensión holística se convirtieron en formularios, en reglas de generación,
en secuencias de pasos, en criterios de coherencia interna para los
El artículo se organiza en torno a varias preguntas. Primero: ¿Cuál es el estado real del ecosistema de herramientas de IA para investigación? ¿Cuáles vacíos deja? Segundo: ¿Qué ofreció específicamente la comprensión holística como base para diseñar una herramienta de IA? Tercero: ¿cómo se tradujo esa base conceptual en decisiones concretas de diseño en Tutoeris? Y, cuarto: ¿Qué puede hacer la IA por la investigación holística?
La pertinencia de este
texto para el presente número de la
Antes de explicar qué hace diferente a Tutoeris, conviene describir con honestidad el paisaje en el que aparece. Porque el ecosistema de herramientas de inteligencia artificial para la investigación académica es hoy vasto, diverso y, en apariencia, bastante completo. Sin embargo, un análisis más detenido revela un patrón que explica mucho: las herramientas son de apoyo puntual por fase del proceso investigativo y ninguna distinta articula el proceso completo desde una perspectiva metodológica coherente.
El ecosistema puede
organizarse en tres grandes grupos. El primero incluye las
El tercer grupo es el
más amplio y el más difícil de delimitar: las
El punto crítico no es que estas herramientas sean malas o inútiles. Muchas son excelentes en lo que hacen. El punto es que se presentan enormes dificultades e inconsistencias relativas a preguntas de fondo de un investigador en formación, como: ¿Por dónde empiezo?, ¿qué hago primero?, ¿cómo sé si lo que estoy haciendo es metodológicamente coherente con lo que hice antes? Aún más, ¿los criterios expuestos en nombre de la metodología son coherentes, correspondientes y corresponden a la lógica de la investigación científica? Y si se afina más, ¿corresponden los parámetros, criterios y algoritmos a la comprensión actualizada, integral, sintagmática y holista de la ciencia, de la investigación y de la metodología? Esas preguntas, precisamente, están vinculadas con la metodología de investigación. Y las herramientas de IA disponibles, en su gran mayoría, evitan responderla o las soslayan a través de eufemismos.
Esto no es un
accidente. Es el resultado de un sesgo de diseño que varios investigadores han
empezado a documentar. Chatzichristos (2025), en el
En el ámbito hispanohablante, estas limitaciones se acentúan. Las herramientas disponibles en español son escasas y de alcance limitado. Las que existen (generalmente orientadas a la escritura del trabajo de grado o trabajo de finalización de algún programa de formación en el contexto español), no han sido diseñadas ni desde, ni para las tradiciones metodológicas latinoamericanas. Y, lo más relevante para este texto: ninguna ha sido construida desde un marco epistemológico específico. Básicamente, obedecen a principios pragmatistas, cuando no funcionalistas. Son, en el mejor de los casos, herramientas útiles para fragmentos del proceso; y en el peor, generadores de texto que reproducen las mismas confusiones metodológicas que sus usuarios intentan resolver.
Esta es la brecha que Tutoeris intenta llenar. No con más funciones, sino con un principio consecuente en el diseño.
Cuando se comenzó a
diseñar Tutoeris, había que tomar una decisión de fondo: ¿Desde qué marco
metodológico orientar la IA? Esta no es una pregunta trivial. Significaba que
cada sugerencia, cada formulario, cada
La comprensión
holística de la ciencia, desarrollada por Jacqueline
En aras de la concreción de Tutoeris, tres elementos de la comprensión holística resultaron especialmente útiles, como base para el diseño de una herramienta de IA.
El primero es la
El segundo elemento es
el concepto de
El tercer elemento es
la
Hurtado de Barrera
resumió con claridad la diferencia que esta base hace para una herramienta de
IA: "Tutoeris es una herramienta novedosa y sencilla de utilizar, basada
en IA, que ofrece apoyo al investigador como un asistente, pero desde una visión
integral de la ciencia, y su ventaja es que no tiene los sesgos y las
confusiones comunes que abundan en la literatura metodológica"
(comunicación institucional, saberinvestigar.com,
Describir cómo un
marco epistemológico se convierte en arquitectura de software no es un
ejercicio retórico. Implica señalar, con la mayor precisión posible, qué
decisión conceptual produjo cada decisión técnica. Lo que sigue no es una
presentación comercial de Tutoeris sino una descripción de
El primer punto de contacto entre la comprensión holística y el código es, paradójicamente, uno de los más simples de la teoría: el verbo. Hurtado de Barrera establece que, por lo regular, cada holotipo de investigación tiene verbos característicos que definen el tipo de conocimiento que se busca producir. La investigación descriptiva describe, caracteriza, identifica. La analítica analiza, critica, interpreta. La proyectiva diseña, propone, elabora. La explicativa explica, determina, establece relaciones causales. Entre otros. Esta correspondencia no es arbitraria: el verbo del objetivo general es el punto de articulación entre el nivel cognitivo que pretende la investigación y los procedimientos que esa investigación requiere.
En Tutoeris, este principio se tradujo en un mapeo computacional explícito. El motor de generación de objetivos opera sobre una tabla de correspondencias que vincula cada holotipo con su conjunto de verbos admisibles y con la estructura sintáctica del objetivo. Cuando un investigador describe o selecciona su problema y la IA determina que la investigación es de tipo descriptivo, el sistema propone objetivos que comienzan únicamente con verbos de ese grado de complejidad. Si el holotipo es proyectivo, los verbos cambian. Este mapeo parece pequeño, pero su efecto es radical: previene el error metodológico más frecuente en trabajos de grado en la academia e instituciones de interés científico: el desajuste entre el tipo de investigación declarado y el objetivo formulado. Un trabajo que declara ser descriptivo, por ejemplo, pero cuyo objetivo advierte el propósito de determinar el efecto de X sobre Y es, en realidad, un trabajo explicativo que no reconoce su propio grado de complejidad. Tutoeris, por su parte, hace que ese error sea, en principio, imposible de cometer sin emitir advertencias.
Pero el verbo no solo orienta la formulación de objetivos. Es también el pivote de una función más ambiciosa: la virtualización del enunciado holopráxico. A partir de una sola descripción de la problemática de investigación, el fenómeno que le interesa al estudiante, el contexto en el que ocurre y las unidades de estudio, Tutoeris genera automáticamente las correspondientes variantes del enunciado, una por holotipo, lo que mantiene el mismo fenómeno, pero ajusta el nivel cognitivo y el verbo de indagación en cada caso. En una sola pantalla, el investigador puede ver cómo su problemática puede abordarse como una exploración de territorios poco conocidos, como una descripción sistemática de sus características, como un análisis de sus componentes y relaciones, como una explicación de sus causas, o como una propuesta de intervención para modificarla (entre otras posibilidades). Esta tarea no es solo didáctica. Es la demostración más directa de algo que la comprensión holística argumenta desde hace décadas, pero que pocas veces se hace visible de manera tan concreta: la espiral holística no es una metáfora bonita, es una estructura formal que puede ejecutarse algorítmicamente. Los diez holotipos no son diez etiquetas para clasificar investigaciones; son diez posiciones distintas en una progresión de complejidad cognitiva que tiene lógica interna y que determina, en cascada, todo el diseño posterior. Es la evidencia de la cualidad heurística del proceso metodológico.
La segunda operacionalización es la más sofisticada
y, en cierta medida, la que mejor ilustra qué puede hacer la IA cuando está
epistemológicamente informada. Se trata del agente de definiciones
conceptuales, un componente de Tutoeris que asiste al investigador en la
construcción de la fundamentación noológica de su proyecto. Este agente no es
un
Lo que este flujo
ilustra es algo central para el argumento de este artículo:
La tercera operacionalización cierra el círculo. Si el verbo es el pivote que conecta holotipo y objetivo y si el agente de definiciones conceptuales guía la fundamentación noológica, el atributo de validación de coherencia interna es el mecanismo que verifica que todos estos componentes se articulen correctamente entre sí. En términos técnicos, el sistema mantiene un registro del holotipo seleccionado y verifica, en tiempo real, que las decisiones posteriores del investigador sean compatibles con ese grado de conocimiento. Si el holotipo es descriptivo, los objetivos específicos no pueden emplear verbos de nivel explicativo o proyectivo que sean capaces de distorsionar la investigación. Si el evento de estudio ha sido definido de una manera determinada, el instrumento propuesto es coherente con esa definición. Esta validación no ocurre como una revisión posterior, cuando el proyecto ya está construido; ocurre durante la construcción, en el momento en que el investigador intenta avanzar con una decisión incompatible. Esto es oportunidad.
El principio que está
detrás de esta función es, de nuevo, de la comprensión holística: la coherencia
metodológica interna no se audita al final, se construye paso a paso. Un
proyecto de investigación no es una colección de componentes que se ensamblan al
terminar; es un sistema en el que cada decisión impacta las siguientes (
Describir lo que Tutoeris puede hacer, sin describir lo que no puede, sería una presentación incompleta. Los límites de la herramienta no son defectos de implementación que se corregirán en la próxima versión; algunos son límites estructurales que definen el lugar apropiado de la IA en el proceso de investigación. Examinarlos de cerca revela algo importante sobre la naturaleza de la comprensión holística de la ciencia y sobre la relación entre tecnología y conocimiento.
El primer límite tiene que ver con la pertinencia teórica. El agente de definiciones conceptuales puede recuperar y presentar cinco tradiciones teóricas distintas sobre un evento de estudio, discutir las implicaciones metodológicas de cada una y generar la sección de definición conceptual. Lo que no puede hacer es decidir cuál de esas tradiciones es coherente con el sintagma gnoseológico específico que el investigador está construyendo. Esa decisión depende de una comprensión del proyecto en su conjunto (sus antecedentes, sus valores epistemológicos, su contexto disciplinar y su tradición académica), que solo el investigador posee.
La IA puede presentar las opciones y articular sus implicaciones; no puede elegir por quien investiga. Este límite es, en realidad, una confirmación de uno de los principios más importantes de la comprensión holística: el investigador no es un ejecutor de procedimientos sino un protagonista cognitivo en proceso de devenir. La transformación personal que ocurre en el proceso de investigar, es decir, el desarrollo del criterio, la maduración del juicio teórico, la capacidad de integrar paradigmas en un sintagma propio, es parte inseparable de lo que significa hacer ciencia. Esa transformación no puede ser delegada a ninguna herramienta.
El segundo límite es
de naturaleza técnica, pero con implicaciones filosóficas. Los modelos de
lenguaje que Tutoeris emplea como base (actualmente Gemini, Claude y
Esta distinción tiene
consecuencias prácticas. Cuando el investigador sale del flujo estructurado de
Tutoeris y hace una consulta libre, la IA puede responder desde sus propios
patrones de entrenamiento, que no necesariamente corresponden a la lógica holista,
ni sintagmática ni de la comprensión holística de la ciencia. Por eso, la
herramienta está diseñada para mantener al investigador dentro de flujos
guiados, tanto como sea posible, capaz de advertir cuando se sale de ellos.
Pero la distinción también tiene consecuencias conceptuales que vale la pena
nombrar: en este momento, ningún modelo de lenguaje generalista incorpora de
manera nativa una epistemología no positivista. El sesgo hacia lo
cuantificable, lo estructurado y lo replicable que Chatzichristos (
La elección de tres
modelos distintos para tareas distintas no fue arbitraria. Gemini demostró
mejor desempeño en generación estructurada con formatos precisos: objetivos,
justificaciones, componentes de metodología. Claude mostró mayor capacidad para
sostener conversaciones de varios turnos sobre implicaciones teóricas, al
mantener coherencia entre los intercambios anteriores y mejor razonamiento
sobre consecuencias en cadena. Perplexity (2026), con su capacidad de búsqueda
en tiempo real, se emplea para las funciones que requieren verificar existencia
de literatura o recuperar información actualizada. Esta distribución de roles
entre modelos no es solo ingeniería de
El título de este
documento incluye una inversión que merece atención específica:
Construir Tutoeris implicó observar, a escala, los patrones de dificultad de miles de investigadores en formación. Y esos patrones confirmaron algo que la comprensión holística había identificado teóricamente pero que el código hizo evidente de manera empírica: el problema más frecuente no está en la metodología, está en el momento anterior a la metodología. Los investigadores en formación llegan al proceso sin haber clarificado qué les interesa realmente, qué tipo de conocimiento buscan producir y para qué. El desajuste entre holotipo y objetivo, que la validación de Tutoeris previene, no es un error de redacción; es la expresión sintomática de una confusión más profunda sobre el propósito de la investigación.
Esta observación, hay más, por supuesto, tiene implicaciones para la enseñanza de la metodología. Si el problema más frecuente es anterior a la metodología, las herramientas y los cursos que empiezan por la metodología, que son prácticamente todos, responden a la pregunta incorrecta. Tutoeris confirmó esto al constatar que los investigadores que más se beneficiaban del sistema eran los que usaban el módulo de problematización antes del módulo de formulación de objetivos: tener claridad sobre el problema hacía que todo lo demás fuera considerablemente más fácil.
La segunda enseñanza es sobre la relación entre claridad conceptual y confianza académica. Muchos investigadores en formación no son incapaces de investigar; son inseguros sobre si lo que están haciendo está bien. Esa inseguridad los paraliza o los lleva a buscar atajos que, paradójicamente, producen peores resultados, la amenaza de la navaja de Ockham se hace evidente. Lo que Tutoeris ofrece, antes que respuestas, es una estructura que reduce la ambigüedad: cada paso tiene criterios claros, cada decisión tiene consecuencias explícitas, cada componente del proyecto tiene un lugar definido. La comprensión holística, traducida en flujo de trabajo, funciona como andamiaje cognitivo en el sentido que Vygotsky daría al término, que permite al investigador construir su proyecto con mayor confianza porque sabe, en cada momento, qué está construyendo y por qué. Esto hace ver, además, la importancia de la comprensión filosófica y epistemológica del pensamiento holístico.
La tercera enseñanza es más especulativa pero no menos relevante. Al distribuir tareas entre tres modelos de lenguaje con capacidades distintas (Gemini para estructura, Claude para diálogo matizado, Perplexity para búsqueda actualizada), emergió una pregunta que la comprensión holística no había formulado explícitamente pero que su lógica permite anticipar: ¿son los distintos momentos del proceso de investigación análogos a distintos tipos de cognición, que requieren distintos tipos de herramienta de apoyo? ¿La fase exploratoria, que implica apertura y asociación libre, puede beneficiarse de herramientas distintas a las que requiere la fase confirmatoria, que implica precisión y verificación? La espiral holística ya había identificado esa diferencia en términos de niveles cognitivos; Tutoeris la encontró de nuevo, desde abajo, en la práctica de diseñar IA para cada fase
La inteligencia artificial y la comprensión holística de la ciencia no son, en principio, aliadas naturales. La IA, tal como está diseñada hoy en sus modelos más difundidos, tiende hacia lo cuantificable, lo estructurado y lo replicable. La comprensión holística, en cambio, propone que el conocimiento avanza en espiral, que los paradigmas se integran en sintagmas y que el investigador es un ser en proceso de devenir. La distancia entre esas dos concepciones es real y no debe minimizarse.
Pero esa distancia no es insalvable. Lo que la experiencia de construir Tutoeris demuestra es que la comprensión holística puede funcionar como arquitectura de una herramienta de IA: sus principios son lo suficientemente precisos para traducirse en reglas computacionales, sus conceptos son lo suficientemente operacionales y claros para convertirse en formularios y flujos de trabajo y su espiral del proceso investigativo es lo suficientemente formal para ejecutarse algorítmicamente. Una teoría que puede convertirse en código sin traicionarse a sí misma en el proceso es una teoría que prueba, además, su coherencia interna de una manera que pocas teorías metodológicas han tenido la oportunidad de probar.
Al mismo tiempo, los límites de esa traducción son igualmente reveladores. La IA puede guiar decisiones metodológicas, pero no puede tomar las decisiones que dependen del juicio teórico del investigador. Puede verificar coherencia interna entre componentes, pero no puede sustituir la comprensión que el investigador debe desarrollar sobre su propio campo. Puede acelerar la fundamentación noológica, pero no puede construir el sintagma gnoseológico que es, en última instancia, una síntesis personal e irrepetible. Estos límites no son defectos de la herramienta; son la demostración de que hay algo en el proceso de investigar que sigue siendo irreductiblemente humano y que la comprensión holística lo ha nombrado con precisión.
La pregunta que este artículo deja abierta es si este modelo, el de la IA epistemológicamente informada, diseñada desde un marco metodológico específico y no desde la neutralidad aparente de los modelos generalistas, puede replicarse desde otras tradiciones. Si la fenomenología, el estructuralismo, el pragmatismo… pudieran traducirse en arquitecturas de IA análogas a lo que la comprensión holística hizo posible en Tutoeris; el resultado sería un ecosistema genuinamente plural de herramientas de apoyo a la investigación: no herramientas que impongan un único modo de hacer ciencia, sino herramientas que acompañen al investigador desde el marco epistemológico que le es propio, su aún quiere seguir trabajando desde un modelo particular. Ahora bien, la comprensión holista de la ciencia y de la investigación ha logrado incorporar variantes del saber y del conocer, de impronta científica y metodológica, con notable éxito, que en última instancia integra todos estos modelos.
Tutoeris es, hasta
donde la evidencia indica, el primer intento de construir un ecosistema
técnico, científico, tecnológico, y epistemológico coherente. Pero el hecho de
que una epistemología latinoamericana, no positivista, pero sí integradora, de
orden sintagmático, pueda convertirse en
Todo el conjunto de datos que respalda los resultados de este estudio fue publicado en el propio artículo.