# Programar con IA y mantener el juicio científico

Los asistentes de IA generativa pueden apoyar la programación y el desarrollo de herramientas. Distingo código ejecutable, validez estadística y pertinencia de la pregunta. Explicitar población, estimando, temporalidad y datos ausentes. La responsabilidad humana abarca confidencialidad, justicia y posibilidad de impugnar resultados.

## 1. Delimitar

Objetivo, datos permitidos y resultado.

## 2. Construir

Cambios pequeños y comprensibles.

## 3. Contrastar

Código, cálculos e hipótesis.

## 4. Documentar

Contribuciones y decisiones humanas.

## Situación ficticia · propuesta de trabajo

Una herramienta explica resultados a gestores y público. La delegación depende de la tarea.

### Desarrollar

Razonamiento : Especificar entradas, salidas y casos límite; revisar cambios y utilizar datos sintéticos.

Producto útil : Especificación, versiones y ejemplo calculado independientemente.

Punto de atención : Los accesos del agente deben corresponder a la tarea autorizada.

### Analizar

Razonamiento : Escribir pregunta e hipótesis; pedir alternativas y distinguir análisis previsto y exploración.

Producto útil : Registro de población, variables, estimando, datos ausentes y sensibilidad.

Punto de atención : Producir más puede generar una ilusión de comprensión.

### Aprender con PAIRR

Razonamiento : Razonar individualmente, discutir entre pares, consultar la IA y justificar revisiones.

Producto útil : Versiones sucesivas, reflexión y transferencia sin asistencia.

Punto de atención : La calidad del resultado no prueba el aprendizaje; aclarar reglas y acceso.

## Preguntas para reflexionar

- Los accesos del agente deben corresponder a la tarea autorizada.
- Producir más puede generar una ilusión de comprensión.
- La calidad del resultado no prueba el aprendizaje; aclarar reglas y acceso.

## Fuentes y alcance

Experimentos, perspectivas conceptuales y guías responden a preguntas diferentes. Referencias hasta el 15 de octubre de 2026.

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. https://doi.org/10.1038/s41586-024-07146-0

Car, J., Ke, Y., Jin, L., Ong, J. C. L., Thirunavukarasu, A. J., Cheung, C. Y., Tham, Y. C., Ting, D. S. W., Ong, M. E. H., Compton, S., Narayan, A., Keane, P. A., Wong, T. Y., Bates, D. W., Tan, P., & Liu, N. (2026). AI-induced never-skilling in medical education. Nature Medicine, 32, 1997–2006. https://doi.org/10.1038/s41591-026-04438-y

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), Article e2422633122. https://doi.org/10.1073/pnas.2422633122

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6

World Health Organization. (2024). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. https://www.who.int/publications/b/70584