Este trabajo de investigación analiza cómo los estudiantes universitarios a tiempo parcial utilizan la IA generativa (GenAI) en su desenvolvimiento tanto en el ámbito académico como en el profesional. Mediante un enfoque de teoría fundamentada, los autores identifican factores clave que influyen en la adopción de la tecnología, como la confianza del usuario, las condiciones procedimentales y las limitaciones del sistema, tales como las alucinaciones. El estudio revela que, si bien la GenAI aumenta significativamente la productividad y la eficiencia del aprendizaje, los estudiantes siguen profundamente preocupados por la integridad académica, la privacidad de los datos y el riesgo de acusaciones de mala conducta. Para optimizar estas herramientas, los investigadores sugieren estrategias como la ingeniería ágil y la mejora de la formación institucional. En definitiva, el trabajo proporciona un modelo integral para educadores y responsables políticos que les ayudará a cerrar la brecha entre la educación superior y el mundo empresarial en constante evolución.
Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Generative AI Usage of University Students: Navigating Between Education and Business", por Fabian Walke y Veronika Föller. Publicado el 19 de Febrero de 2026.
El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.
El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.
Resumen
Alicia
Imagina trabajar en un banco donde simplemente pegar un pequeño fragmento de código en ChatGPT podría hacerte despedir en el acto.
Beto
Sí, de verdad, salir corriendo de la oficina.
Alicia
Bien. Pero luego, más tarde esa misma noche, tu profesor universitario te está animando activamente a usar exactamente la misma herramienta para estructurar tu tesis de maestría. Te encuentras en esta extraña paradoja donde el truco de productividad definitivo es simultáneamente, una responsabilidad que termina tu carrera y un requisito académico.
Beto
Es un entorno de presión altísima, cero margen de error.
Alicia
Exacto. Bienvenidos a un nuevo análisis profundo. Hoy, vamos a examinar un grupo muy específico de personas que están navegando esta misma contradicción. Nos centraremos en individuos ambiciosos que equilibran estudios académicos rigurosos a tiempo parcial con trabajos corporativos de alto riesgo.
Beto
Y analizaremos cómo están básicamente "armando" la IA generativa para sobrevivir haciendo doble función. Porque estas personas, en esta intersección entre la educación superior y los negocios empresariales, están esencialmente probando la versión beta del futuro del trabajo para el resto de nosotros.
Alicia
Lo están haciendo de verdad. Y nuestra fuente para esto hoy es un artículo de investigación muy específico de 2025 de la Conferencia Internacional de Wirtschaftsinformatik. Está escrito por Fabian Walke y Veronika Föller. Y mapea exactamente cómo operan estos usuarios.
Beto
Sí, entrevistaron a 11 estudiantes a tiempo parcial en una universidad alemana de aprendizaje a distancia. Y estas son personas que trabajan a tiempo completo en entornos corporativos serios mientras estudian.
Alicia
Y lo que hace destacar a este artículo es la metodología, ¿verdad? Es decir, no solo lanzaron una encuesta de opción múltiple preguntando: "¿Usas IA?".
Beto
No, no, usan lo que se llama "el método de teoría fundamentada" ("grounded theory").
Alicia
Correcto. Lo cual, para cualquiera no familiarizado, la teoría fundamentada es ese enfoque de investigación donde no empiezas con una hipótesis que quieres probar. Simplemente empiezas con datos brutos.
Beto
Exacto. En este caso, horas de transcripciones de entrevistas en profundidad. Los investigadores revisan el texto línea por línea, etiquetando comportamientos específicos, y luego agrupan esas etiquetas en conceptos.
Alicia
Así que, eventualmente, una teoría emerge de forma natural directamente de las experiencias vividas de los propios usuarios.
Beto
Están construyendo el modelo conceptual desde cero analizando las transcripciones de esta manera. Walke y Föller identificaron los marcos ocultos que estos individuos usaron para sobrevivir.
Alicia
Vemos no solo que usan IA, sino las intrincadas negociaciones psicológicas y técnicas que ocurren cada vez que abren una ventana de "prompt".
Beto
Lo cual es fascinante.
Alicia
Lo es. Así que nuestra misión hoy es extraer la hoja de trucos definitiva de esas negociaciones. Vamos a mapear las estrategias de supervivencia que estos usuarios han desarrollado, las limitaciones técnicas que están encontrando, y lo que su realidad diaria les revela sobre el futuro del trabajo cognitivo.
GenIA en la intersección: Cómo estudiantes de medio tiempo balancean estudio y trabajo
Beto
Deberíamos empezar por el punto de fricción inicial, como por qué adoptan la herramienta en primer lugar y cómo las reglas cambian completamente dependiendo de si están en el aula o en la sala de juntas.
Alicia
Hagámoslo. Entonces, ¿por qué la usan? Porque obviamente están con poco tiempo.
Beto
Bueno, el artículo categoriza la motivación para usar estas herramientas como condiciones causales. Y ahorrar tiempo es obviamente un factor enorme cuando trabajas a tiempo completo y estudias a tiempo parcial.
Alicia
Claro. Obviamente.
Beto
Pero los impulsores principales eran en realidad la curiosidad, la diversión y ese ciclo de retroalimentación positiva inmediata de obtener un resultado exitoso. Y ChatGPT emergió como la opción favorita entre estos usuarios.
Alicia
Eso tiene sentido con el reconocimiento de la marca.
Beto
Sí, lo tiene. Pero más allá del reconocimiento de la marca, los usuarios señalaron específicamente la interfaz sin anuncios como un gran atractivo.
Alicia
Oh, interesante.
Beto
Sí, cuando lo comparas con un motor de búsqueda tradicional que está simplemente abarrotado de resultados patrocinados, la interfaz conversacional limpia realmente reduce la fricción cognitiva.
Alicia
Claro. Esa fricción desaparece en la interfaz, pero golpea de nuevo a través de los límites contextuales de sus entornos.
Beto
Oh, absolutamente.
Alicia
En un entorno académico, la IA a veces simplemente falla en la tarea requerida. Los estudiantes notaron que para aplicaciones académicas muy específicas, como tareas de opción múltiple complejas que requieren la síntesis de textos oscuros, la IA frecuentemente se equivoca en las respuestas.
Beto
Sí, la limitación académica es generalmente sobre la precisión del resultado, pero la limitación corporativa es totalmente sobre la seguridad de la entrada. Uno de los estudiantes entrevistados trabaja en un banco y reportaron que todas las herramientas de IA generativa fueron completamente bloqueadas en su red.
Alicia
Vaya. Completamente bloqueadas.
Beto
El riesgo de que un empleado pegue casualmente datos confidenciales de clientes o, código fuente interno en los datos de entrenamiento de modelos públicos, fue solo un impedimento para el equipo de seguridad del banco.
Alicia
Si alguna vez has sentido ese ligero pánico después de pegar un documento de trabajo en una pestaña del navegador, preguntándote si acabas de entregar secretos de la empresa a un gigante tecnológico, sabes exactamente con qué están lidiando estos estudiantes.
Beto
Oh, todos hemos estado allí.
Alicia
Pero ¿cómo resuelven los entornos empresariales esto? Porque una prohibición general se siente como usar un martillo cuando necesitas un bisturí, especialmente cuando las ganancias de productividad son tan masivas.
Beto
Claro. Están cambiando hacia GPTs internos de la compañía o instancias de API seguras.
Alicia
Vale. ¿Cómo funciona eso?
Beto
Bueno, cuando usas una interfaz web orientada al consumidor, tus entradas se registran típicamente y se pueden usar para ajustar futuras iteraciones del modelo de fundación subyacente.
Alicia
Lo que es lo que asusta a los bancos.
Beto
Exacto. Así que en un entorno empresarial seguro, la compañía negocia una política de retención de día cero con el proveedor de IA. Los datos se procesan en un ciclo cerrado generando la salida sin ser absorbidos jamás en los pesos de entrenamiento a largo plazo del modelo.
Alicia
Vale. Así que es seguro. Pero incluso con esas medidas de seguridad, parece que la relación del usuario con la herramienta sigue siendo muy escéptica.
Beto
Muy escéptico. No confían en ella.
Alicia
Sí. El artículo describe esta dinámica de confianza altamente calibrada. Estos usuarios de doble función tienen una confianza increíble en la IA para tareas simples y de bajo riesgo.
Beto
Claro. Como resumir un PDF largo, o reformatear una tabla de Excel, o simplemente limpiar notas de reuniones.
Alicia
Exacto. Pero en el momento en que la tarea requiere un razonamiento complejo, su confianza simplemente se desploma.
Beto
Porque han sido quemados suficientes veces para reconocer las limitaciones técnicas, son muy conscientes de las alucinaciones.
Alicia
Donde el modelo simplemente inventa hechos plausibles.
Beto
Sí. Y entienden que los datos de entrenamiento en sí mismos contienen sesgos, pero también destacaron algo realmente interesante: los apagones conversacionales ("conversational crashes").
Alicia
Apagones conversacionales, como el agotamiento del servidor.
Beto
No, no solo que el servidor caiga. Esto es el modelo quedando atascado en un bucle lógico. Repetidamente ofrece exactamente la misma solución defectuosa y no logra reconocer su propio error, sin importar cómo el usuario ajuste el "prompt".
Alicia
Verás, para mí, suena como si la IA fuera esa becaria brillante pero excesivamente confiada. Como son geniales para hacer lluvia de ideas, pero nunca dejarías que enviaran un correo electrónico final al CEO sin revisarlo primero.
Beto
Es una analogía perfecta.
Alicia
Pero permíteme que objete un poco a esto. Si los sistemas están conocidos por alucinar y dar vueltas en círculos de esa manera, ¿es realmente suficiente la curiosidad para que la gente siga usándolos? ¿O es solo la máquina de la adrenalina lo que los mantiene enganchados? ¿Por qué sucede ese bucle?
Beto
Bueno, se reduce a cómo están diseñados los modelos de lenguaje grande en su núcleo. No son bases de datos que recuperan hechos, ¿verdad?
Alicia
Están prediciendo palabras.
Beto
Exacto. Son motores probabilísticos que predicen el siguiente "token" o palabra más probable basándose en la ventana de contexto.
Así que cuando un modelo se atasca en un bucle, generalmente es porque los pesos matemáticos asociados con una frase específica y sus datos de entrenamiento son tan pesados que simplemente superan las nuevas instrucciones del usuario.
Alicia
Así que no están siendo tercos.
Beto
No, literalmente no pueden generar una secuencia de "tokens" de mayor probabilidad que la incorrecta que sigue alimentándote. No tiene un mecanismo interno para la duda.
Alicia
Vaya. Y como no tiene duda, el usuario tiene que proporcionarla.
Beto
Exacto.
Alicia
Lo que significa que estos estudiantes están obligados a desarrollar estrategias de supervivencia muy agresivas solo para extraer valor sin tropezar constantemente con estos fallos técnicos. Y el artículo desglosa estas estrategias en gestión de entrada y salida, ¿verdad?
Beto
Sí. Así que en el lado de la entrada, estamos viendo la evolución de la ingeniería de "prompts" desde una novedad pulcra hasta una habilidad de supervivencia obligatoria.
Alicia
¿Qué están haciendo exactamente?
Beto
Están configurando meticulosamente el contexto, definiendo personajes ("personas"), estableciendo restricciones antes de que siquiera hagan la pregunta principal. Pero lo que es más importante, han desarrollado un umbral para el abandono.
Alicia
Un umbral para el abandono.
Beto
Sí, saben exactamente cuándo un "prompt" está fundamentalmente roto. Se dan cuenta de que el camino más eficiente es simplemente borrar la ventana de contexto y empezar de cero en lugar de perder 20 minutos discutiendo con un motor probabilístico.
Alicia
Oh, eso tiene mucho sentido. Simplemente corta tus pérdidas.
Pero la estrategia de salida suena aún más laboriosa. Se basa casi por completo en la verificación tradicional.
Beto
Sí. Es la paradoja de todo su flujo de trabajo.
Alicia
Claro. Usan la IA para generar el contenido inicial. Pero luego pivotan inmediatamente a motores de búsqueda tradicionales, principalmente Google, para contrastar y verificar cada afirmación fáctica que la IA acaba de producir.
Beto
Están actuando esencialmente como auditores de su propio resultado sintético. Y este proceso de auditoría es tan tedioso que los estudiantes realmente expresaron una demanda muy específica a los desarrolladores que construyen estas herramientas, que era la transparencia estructural. Quiero decir, solicitaron la capacidad de eliminar sus datos. Expresan preocupación por el consumo masivo de energía de las granjas de servidores. Pero la solicitud más apremiante fue por transparencia y fiabilidad.
Alicia
La transparencia y la fiabilidad. Hay una cita en el artículo de uno de los estudiantes que captura esto perfectamente. Los estudiantes desearon que la IA simplemente, y estoy citando aquí, "subraye lo segura que está sobre la información que les da".
Beto
Esto destaca un fallo masivo de la interfaz de usuario en la IA de esta generación.
Alicia
Oh, totalmente.
Beto
Porque una IA entregará un evento histórico completamente fabricado con la misma sintaxis de política autoritativa que se usa para entregar un teorema matemático verificado.
Alicia
Claro. Suena tan seguro.
Beto
Siempre. Así que los usuarios quieren un indicador visual, como un mapa de calor o una oración subyacente o una puntuación de confianza, solo para que puedan clasificar sus esfuerzos de verificación de hechos.
Alicia
Pero mecánicamente, sin embargo, volviendo a ese concepto de predicción de "tokens" que mencionaste antes, esa IA no sabe realmente si un hecho es verdadero o falso.
Beto
No, no lo sabe.
Alicia
Solo sabe que una secuencia de palabras es estadísticamente probable. Así que pedirle que subraye lo que está seguro es, como pedirle a una calculadora que explique sus sentimientos sobre el número siete.
Beto
Eso es, sí, es exactamente eso. El modelo puede calcular una probabilidad "softmax", que es esencialmente la confianza estadística que tiene en seleccionar el siguiente "token".
Alicia
Claro.
Beto
Pero traducir esa probabilidad estadística bruta en una medida de verdad fáctica es increíblemente difícil.
Alicia
Sí.
Beto
Porque una alta probabilidad estadística a menudo se correlaciona con la verdad, pero también se correlaciona con conceptos erróneos repetidos en los datos de entrenamiento.
Alicia
Oh, vaya. Así que una confianza subyacente podría simplemente reforzar una falsedad popular.
Beto
Exacto.
Alicia
Así que mientras las empresas tecnológicas intentan descubrir eso, los usuarios se quedan con la carga de la verificación, lo que lleva directamente a este concepto de "AI gyurism" (o "giriísmo de IA"). El artículo utiliza este término para describir la difuminación de las líneas entre la autoría tradicional y la generación de máquina. Y para evitar cruzar esas líneas, especialmente en el ámbito académico, estos usuarios son hipersensibles a las estrategias de conciencia del usuario.
Beto
Tienen que compartimentar. Usan plataformas internas seguras para datos de trabajo sensibles. Y están constantemente evaluando cuánto de una entrega académica final es realmente su propio proceso de pensamiento frente a la síntesis de la máquina.
Alicia
Vale, espera, si están dedicando todo este tiempo a calificar "prompts" intrincados, compartimentando sus plataformas, y luego verificando rigurosamente cada afirmación en Google para asegurarse de que no están cometiendo "AI gyurism", ¿están realmente ahorrando tiempo?
Beto
Es una pregunta justa.
Alicia
Porque ese flujo de trabajo suena completamente agotador. Se siente como construir una casa donde la IA vierte el cimiento de concreto en 10 segundos. Pero luego tienes que pasar tres semanas golpeando cada pulgada de ese concreto solo para asegurarte de que la casa no se derrumbe.
Beto
Están ahorrando tiempo. Pero la naturaleza de su agotamiento ha cambiado fundamentalmente. La carga cognitiva se desplaza del trabajo de la creación al trabajo de la verificación.
Alicia
Vale, explícalo.
Beto
Bueno, mirar una página en blanco, instruir un documento de investigación de 20 páginas requiere una inmensa cantidad de energía mental generativa.
Alicia
Sí, pero el bloqueo del escritor ("writer's block") es real.
Beto
Exacto. La IA elimina la página en blanco por completo. Vierte el cimiento, golpeándolo con un martillo como dijiste, auditando la salida, arreglando las alucinaciones que es tedioso, y requiere mucha atención al detalle. Pero utiliza un músculo de pensamiento crítico completamente diferente. Estás cambiando el bloqueo del escritor por el del editor de bolígrafo rojo.
Alicia
Ah, okay. No tienes que construir el motor. Solo tienes que inspeccionar las piezas.
Beto
Precisamente.
Alicia
Y este ciclo continuo de borradores y verificación conduce directamente a los enormes cambios de productividad destacados en las secciones finales del estudio.
Beto
Sí. Para estos individuos de doble función, la IA opera como un sintetizador de alta velocidad para trabajo sin valor añadido. Digerir PDFs académicos de 50 páginas, depurar código espagueti ("spaghetti code"), traducir documentos corporativos, formatear diapositivas.
Alicia
Y el efecto secundario de esta síntesis es el rápido declive de la búsqueda tradicional.
Beto
Oh, absolutamente.
Alicia
Los estudiantes en este estudio están reemplazando activamente a Google con la IA generativa. Cuando necesitas saber la sintaxis específica para una función de Python o el resumen de alguna teoría económica compleja, no quieres desplazarte por páginas de artículos optimizados para SEO y navegar por ventanas emergentes de consentimiento de cookies.
Beto
Nadie lo hace. Quieres la respuesta directa sintetizada en tu contexto inmediato.
Alicia
Exacto. Un participante declaró sin rodeos que usa IA porque es, cita, "demasiado perezoso para buscar en Google", y luego reconoce inmediatamente que buscar en Google es una habilidad en sí misma.
Beto
Y de hecho lo es. Requiere que identifiques palabras clave, filtres resultados irrelevantes, evalúes la credibilidad de la fuente sobre la marcha, y que reúnas información fragmentada a través de múltiples pestañas. La IA genera esa totalidad del proceso. Pero aunque esa abstracción promueve una inmersión profunda, porque permite a los estudiantes superar obstáculos frustrantes sin perder impulso, introduce una nueva capa de vulnerabilidad en sus carreras académicas.
Alicia
La vulnerabilidad de las falsas acusaciones.
Beto
Sí.
Alicia
Porque el mayor miedo que ronda a estos estudiantes no es que no aprendan el material, sino que sean falsamente acusados de plagio por su universidad simplemente por usar la herramienta como corrector de gramática.
Beto
Un estudiante detalló la ansiedad de usar la IA solo para corregir la redacción y el flujo de sus propios pensamientos originales. Las directrices académicas están rezagadas tanto por la tecnología que los estudiantes están operando en una zona gris ética solo por revisar la gramática.
Alicia
Lo cual es salvaje.
Beto
Señalaron que tener a un compañero revisando un trabajo se considera una práctica académica estándar, pero tener a una IA realizando exactamente la misma limpieza lingüística pone en riesgo todo su título debido al software de detección automatizada.
Alicia
El software de detección automatizada, que, francamente, es notorio por los falsos positivos.
Beto
Oh, muy notorio.
Alicia
Si los detectores de IA solo están buscando baja perplejidad y bajas "ráfagas", lo que significa que el vocabulario es predecible y las longitudes de las oraciones no varían salvajemente, entonces un estudiante que naturalmente escribe en un tono académico formal altamente estructurado es increíblemente propenso a ser marcado como una máquina.
Beto
Y los estudiantes que hablan inglés como segunda lengua también son desproporcionadamente marcados por estos sistemas porque su sintaxis tiende a ser más estandarizada y menos variada.
Alicia
Así que la ansiedad está completamente justificada.
Beto
Lo está. Pero más allá del miedo inmediato de ser expulsados, los estudiantes del estudio expresaron una preocupación mucho más profunda sobre la devaluación de las habilidades tradicionales.
Alicia
Claro. El artículo señala un cambio de paradigma donde los participantes están cuestionando los requisitos fundamentales de sus profesiones. Quiero decir, un estudiante relató haber sido aconsejado para dejar de pasar tiempo aprendiendo a escribir código y redirigir toda esa energía a aprender a formular buenos "prompts".
Beto
Es la abstracción definitiva del trabajo. La lógica es, por qué memorizar la sintaxis específica de un lenguaje de programación cuando la máquina domina todos ellos. Si la IA puede escribir el código, sintetizar la literatura y redactar los ensayos. Los estudiantes cuestionan naturalmente el valor intrínseco de sus títulos universitarios. Como si la competencia central de una tesis de maestría es la capacidad de realizar una revisión bibliográfica masiva y una IA puede hacerlo en 45 segundos, la cualificación académica misma pierde su poder de señalización en el mercado corporativo.
Alicia
Bien, pero permíteme que objete con fuerza a ese consejo de abandonar la codificación por la "prompting". ¿No es eso increíblemente miope?
Beto
¿Cómo lo es?
Alicia
Además, si seguimos ese consejo hasta que una generación entera de estudiantes deje de codificar y simplemente aprenda a hacer "prompts", ¿quién va a construir, arreglar y mantener la arquitectura subyacente de la IA? Si todo el mundo solo aprende a hablar con la máquina y nadie aprende cómo funciona realmente el motor de la máquina, se siente como si estuviéramos externalizando el conocimiento humano fundamental a una caja negra.
Beto
Bueno, están identificando el ciclo histórico de la abstracción tecnológica. Hace décadas, los científicos de la computación físicamente perforaron tarjetas para programar computadoras centrales ("mainframes"). Luego pasamos al lenguaje ensamblador, que abstrajo el hardware. Luego pasamos a lenguajes de nivel superior como C y Python, que abstrajeron el ensamblador. La "prompting" en lenguaje natural es simplemente la siguiente capa de abstracción.
Alicia
Vale.
Beto
Estamos pasando de darle a la computadora instrucciones explícitas paso a paso a darle objetivos intencionales y dejar que determine los pasos.
Alicia
Claro, pero la diferencia es que las abstracciones anteriores seguían siendo deterministas. Un "script" de Python se ejecuta exactamente como está escrito, y la salida del LLM es probabilística. Si la fuerza laboral general pierde la lógica estructural subyacente que les enseña la codificación tradicional o la investigación tradicional, pierden la capacidad de golpear el concreto con el martillo.
Beto
Ese es un buen punto.
Alicia
Pierden la capacidad de verificar la salida.
Beto
Bueno, el riesgo no es necesariamente que la sociedad olvide cómo construir la arquitectura, ¿verdad? Siempre habrá ingenieros especializados diseñando los sistemas. El verdadero riesgo es que la fuerza laboral en general se vuelva totalmente dependiente de la lógica de la máquina, en lugar de su propio marco crítico.
La ingeniería de "prompts" requiere lógica, pero es una lógica reactiva. Estás navegando en el espacio latente de la IA. No estás construyendo tus propios modelos mentales desde cero.
Alicia
Y los estudiantes en la investigación de Walke y Föller dejan claro que sobrevivir a esta transición requiere una gestión activa e hipervigilante de las herramientas que usas.
Para ti, oyente, navegando tu propia intersección de aprendizaje y ganancia, el plano está aquí en las transcripciones. Las ganancias de productividad de la IA generativa son inigualables, pero requieren que audites constantemente tus entradas en busca de seguridad, verifiques sin piedad tus salidas en busca de precisión, y mantengas una conciencia estricta de dónde termina tu trabajo cognitivo y dónde comienza la síntesis de la máquina.
Beto
Tienes que cultivar la sabiduría para saber qué tareas requieren la energía cruda y desordenada de la creación humana, y cuáles pueden entregarse de forma segura al motor probabilístico.
Alicia
Lo que nos deja con una reflexión final sobre cómo medimos el valor en un panorama donde el conocimiento es instantáneamente accesible. Si tanto el mundo académico como el corporativo se adaptan completamente a esta tecnología, si la "prompting" se convierte en el lenguaje predeterminado del trabajo, y la carga pesada de la síntesis de datos brutos se externaliza totalmente a máquinas digitales, ¿cómo evaluaremos el potencial humano?
Beto
Es la gran pregunta.
Alicia
Si todos tienen una herramienta que puede verter el cimiento de cualquier idea en 10 segundos, tal vez la verdadera marca del genio humano ya no sea tener todas las respuestas. La verdadera marca del genio podría ser solo la capacidad de hacer la única pregunta que la IA aún no ha pensado.
Entradas
