Herramientas de IA para hacer estados de la cuestión y revisiones bibliográficas (2026)

1. ¿Qué entendemos por “estado de la cuestión” y cómo se relaciona con las revisiones sistemáticas?

En la mayoría de TFG, TFM y tesis, el estado de la cuestión es la parte del trabajo donde mostramos que conocemos el “paisaje” de la investigación sobre nuestro tema: qué se ha publicado, quiénes son los autores y corrientes más relevantes, qué enfoques metodológicos se han utilizado y qué cuestiones siguen abiertas. No se trata solo de acumular referencias, sino de organizarlas y comentarlas con criterio, señalando acuerdos, discrepancias y vacíos que justifican la pertinencia de nuestro propio estudio.

Este tipo de revisión suele adoptar una forma más bien narrativa y crítica: seleccionamos un conjunto de trabajos que consideramos representativos y los presentamos agrupados por temas, periodos, enfoques teóricos o metodológicos, según convenga a nuestros objetivos. La mayoría de guías y normativas sobre TFGs y TFM insisten en que el estado de la cuestión debe ser suficiente para situar el trabajo, pero también proporcionado al alcance y extensión del proyecto.

Un estado de la cuestión mínimamente sólido suele implicar:

• Identificar y analizar de forma crítica un número razonable de trabajos relevantes (por ejemplo, entre 20 y 40, según el campo y la amplitud del tema).
• Incluir tanto literatura clásica como aportaciones recientes de los últimos años.
• Utilizar preferentemente fuentes académicas (artículos en revistas científicas, capítulos de libro, actas de congresos, tesis, etc.) frente a recursos divulgativos.
• Organizar la revisión de forma temática, metodológica o cronológica, justificando siempre los criterios de selección y exclusión de trabajos.

En cambio, las revisiones sistemáticas y los meta‑análisis, frecuentes en disciplinas como la salud, la psicología o la educación, siguen protocolos más estrictos para localizar, seleccionar y sintetizar estudios, con criterios de inclusión y exclusión explícitos, estrategias de búsqueda reproducibles y esquemas como PRISMA para documentar el proceso. En estos casos, el énfasis está en minimizar sesgos y permitir que otros puedan replicar la revisión a partir de la metodología descrita.

Ambas formas de revisión comparten la necesidad de buscar de manera exhaustiva, cribar con criterio, leer con atención y sintetizar de forma organizada los resultados, y es precisamente en estas tareas donde las herramientas de IA que veremos a continuación pueden servir de apoyo, siempre que se usen con espíritu crítico y sin delegar en ellas las decisiones metodológicas de fondo.

Antes de entrar en nombres propios, aclaro el objetivo de la entrada. No pretendo hacer un catálogo exhaustivo de “herramientas de IA para todo”, sino mostrar, con unos pocos ejemplos, en qué momentos concretos del trabajo te pueden venir mejor: cuando tienes una lista larga de referencias y no sabes por dónde empezar, cuando necesitas transformar pilas de PDFs en una tabla comprensible o cuando quieres comprobar si un artículo que todo el mundo cita está realmente tan asentado como parece. La idea es que, al terminar de leer, puedas decidir qué pieza encaja mejor en tu propio flujo de trabajo.

En las siguientes secciones veremos cuatro herramientas que se complementan entre sí: Elicit y SciSpace para localizar, organizar y sintetizar literatura; Rayyan para gestionar revisiones sistemáticas con cribado transparente; y scite.ai para evaluar críticamente cómo se citan los trabajos clave en un campo.

2.1. Elicit

Elicit es, en esencia, un asistente para manejar literatura científica con algo más de cabeza. En lugar de limitarse a una caja de búsqueda clásica, te permite plantear preguntas de investigación en lenguaje natural y te devuelve artículos que, según sus modelos, responden (mejor o peor) a esa cuestión. A partir de ahí, la gracia está en que organiza los resultados en forma de tabla y facilita tareas que, de otro modo, haríamos a mano: anotar métodos, muestras, resultados o limitaciones de cada estudio para compararlos entre sí.

Entre sus funciones más interesantes para TFG, TFM y tesis están la búsqueda por pregunta (en lugar de solo por palabras clave), la creación de matrices de evidencia personalizables (donde cada columna puede representar una variable de interés) y el cribado semiautomático de títulos y resúmenes con filtros por año, tipo de estudio o campo. También permite cargar PDFs, extraer información relevante y generar resúmenes comparados de varios trabajos centrados en, por ejemplo, objetivos, métodos, muestras o resultados principales.

Desde el punto de vista docente, Elicit puede ser una buena puerta de entrada para enseñar a los estudiantes que una revisión no se limita a “acumular PDFs”, sino que implica transformar un conjunto de documentos en una tabla de estudios y, a partir de ahí, en una síntesis organizada. Sin embargo, es importante recordar que los resúmenes y tablas que genera son propuestas automatizadas: pueden contener errores o interpretaciones discutibles, de modo que siempre es necesario contrastar los datos con los textos originales antes de incorporarlos a un TFG, TFM o tesis.

Ejemplo de uso en un TFM: Imaginemos un TFM sobre el uso de grafos de conocimiento en la recuperación de información en bibliotecas digitales universitarias. En lugar de empezar descargando artículos sin orden, el estudiante puede lanzar en Elicit una pregunta del tipo “How are knowledge graphs used to improve information retrieval in digital libraries?” y dejar que la herramienta le proponga una primera selección. A partir de esa tabla inicial, resulta sencillo añadir columnas con el tipo de grafo, el dominio (bibliotecas, archivos, repositorios), las métricas empleadas o las principales limitaciones que señalan los autores. Esa matriz se convierte en la base del estado de la cuestión y Elicit puede generar un borrador de síntesis por apartados que luego habrá que revisar, matizar y reescribir con calma, incorporando además otros trabajos encontrados por vías más tradicionales.

Aunque Elicit, SciSpace, Rayyan y scite.ai pueden ahorrar mucho tiempo en la gestión y síntesis de la literatura, comparten varios límites importantes. Todos se apoyan en modelos entrenados con grandes colecciones de textos, que pueden incorporar sesgos de los datos de entrenamiento (por ejemplo, sobrerepresentación de determinadas disciplinas, idiomas, regiones o editoriales) y producir resultados que refuercen esas desigualdades. Además, las funciones generativas (resúmenes, síntesis narrativas, respuestas a preguntas) pueden incurrir en alucinaciones, es decir, afirmaciones plausibles pero falsas o no verificadas en los artículos originales, lo que exige una verificación sistemática antes de citar o incorporar contenido a un trabajo académico.

A ello se suma el sesgo comercial: muchas de estas herramientas son servicios de pago que dependen de acuerdos con determinados proveedores de contenidos o editoriales, lo que puede favorecer la visibilidad de unos recursos frente a otros y limitar la transparencia sobre qué fuentes exactas se utilizan para entrenar los modelos. En este contexto, las recomendaciones recientes insisten en considerar la IA como apoyo subordinado al juicio humano, exigir transparencia en el uso (declarar las herramientas empleadas y para qué tareas) y mantener una actitud de lectura crítica, especialmente en revisiones sistemáticas donde la validez y la reproducibilidad del proceso son esenciales.

Si estás trabajando en tu TFG, TFM o tesis, puede ser útil reservar unas horas para probar estas herramientas con un subconjunto de tu tema, documentar qué aportan realmente a tu proceso y decidir, con criterio propio, cuáles incorporas de forma estable a tu flujo de trabajo.