La inteligencia artificial generativa ya puede resumir entrevistas, proponer códigos y agrupar fragmentos. La rapidez impresiona, pero no resuelve una pregunta básica: ¿qué significa interpretar una experiencia social y quién se hace responsable de esa interpretación?
Una promesa acotada por la evidencia
Un artículo de 2025 en Quality & Quantity propone un protocolo de seis etapas para apoyar el análisis temático con ChatGPT: preparar datos, definir el proceso, interactuar con el modelo, iterar, revisar y validar, e interpretar. Los autores reportan utilidad para la exploración inicial y para corpus extensos, pero señalan que la granularidad de los temas depende de las instrucciones y del juicio humano; el modelo no reemplaza la comprensión contextual, los matices metafóricos ni la reflexividad. (Goyanes, Lopezosa y Jordá, 2025).
Esto importa en investigaciones sobre experiencias de usuarios de servicios públicos, prácticas burocráticas o relaciones entre ciudadanía y gobierno. Una transcripción contiene silencios, ironías, referencias locales y asimetrías de poder que no se reducen a clasificar frases. Un código sugerido por el modelo es una hipótesis de lectura, no un hallazgo validado.
La herramienta también interviene en la producción de datos
La propuesta experimental “AI Voice” usa imágenes generadas para estimular conversaciones sobre temas sensibles con jóvenes. Su aporte es explorar cómo participantes y modelo co-producen materiales que luego se interpretan; sus resultados son piloto y no validan una técnica generalizable para la administración pública. Sí recuerdan algo metodológicamente importante: la tecnología no es un canal neutro. La imagen generada puede orientar respuestas, reproducir estereotipos o abrir distancia reflexiva. (Hughes et al., 2025).
Un protocolo responsable
Si se usa IA, documenta el nombre y versión del sistema, fecha, instrucciones, configuración, fragmentos procesados, iteraciones y decisiones humanas. Verifica citas y códigos con las transcripciones; conserva casos que contradicen el patrón; y señala qué tareas realizó el modelo y cuáles el equipo. Si los datos contienen nombres, expedientes o información sensible, revisa consentimiento, reglas institucionales y condiciones de almacenamiento antes de compartirlos con una plataforma externa.
También hay que justificar la compatibilidad epistemológica. Un análisis reflexivo no se vuelve “más objetivo” porque una máquina codifique el material. Puede aumentar la consistencia de ciertas tareas mecánicas y, al mismo tiempo, reducir el contacto del equipo con el contexto si se usa para saltarse la lectura detenida.
Qué enseñar ahora
La actividad didáctica más útil es comparar la codificación humana, la sugerencia del modelo y una revisión conjunta. Pide identificar desacuerdos, omisiones, estereotipos y casos negativos. Así se enseña tanto el potencial de la herramienta como la responsabilidad interpretativa.
La pregunta no es si la IA puede producir un análisis que parezca convincente. La pregunta es qué evidencia permitiría confiar en ese análisis y quién responderá por sus errores.
Sobre el autor
Dr. Luis Enrique Sánchez Díaz es profesor-investigador de la Facultad de Administración de la Benemérita Universidad Autónoma de Puebla (BUAP). Doctor en Administración, trabaja temas de administración pública, gobernanza, metodología de la investigación, políticas públicas, pensamiento crítico e inteligencia artificial.
Conversemos: sigue el análisis en @luisenriquesan en X y en mis redes sociales. Si este tema es útil para tu investigación o institución, escríbeme.
Descubre más desde Doctor Luis Enrique Sánchez Diaz
Suscríbete y recibe las últimas entradas en tu correo electrónico.