Manifiesto · Inteligencia Aumentada para investigación
El eje conceptual rector de EC0744
Por qué este curso se llama “Studio de Investigación Aumentada”
EC0744 no es un curso sobre inteligencia artificial (IA). Es un curso sobre inteligencia aumentada (IA²).
La distinción no es marketing. Es la decisión filosófica que ordena cada slide, cada lab, cada rúbrica, cada audit log de este curso.
| Dimensión | IA tradicional (automation) | Inteligencia Aumentada (augmentation) |
|---|---|---|
| Foco | La máquina hace el trabajo | El humano hace el trabajo mejor |
| Ambición | Reemplazar tareas humanas | Amplificar capacidad cognitiva humana |
| Centro | Algoritmo / modelo | Investigador / decisor |
| Métrica de éxito | Productividad agregada, costo | Calidad de decisión humana, agencia |
| Riesgo dominante | Desempleo, pérdida de skill | Mal uso, dependencia ciega |
| Modelo mental | Asistente que ejecuta | Compañero que critica, expone, propone |
Cuando alguien dice “voy a hacer mi tesis con ChatGPT”, está pensando en automatización: la máquina escribe, el humano firma. Eso no es investigación. Es plagio asistido y nos jugamos la integridad académica.
Cuando alguien dice “voy a usar Claude para criticar mi DAG, mis hipótesis y mi pre-analysis plan”, está pensando en augmentación: el humano piensa, decide y firma; la máquina amplifica el alcance crítico. Eso sí es investigación moderna.
Linaje conceptual
La idea de la inteligencia aumentada es más vieja que la “inteligencia artificial” como hoy la entendemos.
Engelbart 1962 — Augmenting Human Intellect: A Conceptual Framework
Douglas Engelbart, en un reporte para el Stanford Research Institute, propuso que las computadoras serían más útiles amplificando el razonamiento humano que reemplazándolo. Engelbart inventó el mouse, las ventanas, el hipertexto y la videoconferencia colaborativa — todo desde esa visión. Su frase rectora:
“By ‘augmenting human intellect’ we mean increasing the capability of a man to approach a complex problem situation, to gain comprehension to suit his particular needs, and to derive solutions to problems.” — Engelbart, SRI 1962.
Daugherty & Wilson 2018 — Human + Machine
Tras 30 años de “AI = automation”, Daugherty y Wilson (Accenture) documentaron que los mejores resultados en empresas reales no venían ni del humano solo ni de la máquina sola, sino de la colaboración disciplinada: lo que ellos llamaron el “missing middle”. Su tesis: las organizaciones que tratan a la IA como reemplazo subestiman las capacidades humanas; las que la tratan como reemplazo total fracasan.
Brynjolfsson 2022 — The Turing Trap
Erik Brynjolfsson (Stanford) advierte sobre el Turing trap: la obsesión histórica por hacer que las máquinas se parezcan a humanos (test de Turing 1950) nos desvió de la oportunidad real — diseñar máquinas que complementen habilidades humanas. Brynjolfsson argumenta que esto no es solo una elección técnica: es una elección distributiva. Sociedades que eligen automatización destruyen empleos; sociedades que eligen augmentación crean valor compartido.
Acemoglu & Restrepo 2018 — The Race Between Man and Machine (AER)
En la economía moderna, las tareas que los humanos realizan pueden ser automatizadas (la máquina las absorbe) o aumentadas (el humano se vuelve más productivo gracias a la máquina). La elección no es determinista: depende de decisiones de diseño, política y educación. Acemoglu y Restrepo demuestran formalmente que el resultado distributivo de la IA depende de qué tipo de tareas decidimos que la máquina haga.
Korinek 2023 — la augmentación operacionalizada para economistas
Anton Korinek (UVA), en su artículo en Journal of Economic Literature (lectura núcleo de este curso), propone que el modelo correcto es “LLM como graduate student junior”: el modelo propone, el principal investigador (PI) decide. Esto es augmentación pura — el investigador permanece como autor, decisor y responsable.
Messeri & Crockett 2024 — los riesgos cuando la augmentación se rompe
Lisa Messeri (Yale) y Molly Crockett (Princeton), en Nature, identifican cuatro modos de “ilusión epistémica” que ocurren cuando la augmentación cruza ciegamente a automatización: AI as Oracle, AI as Surrogate, AI as Quant, AI as Arbiter. Cada uno produce producción acelerada sin comprensión genuina. La augmentación falla cuando el humano deja de pensar.
Las cinco implicaciones operativas para EC0744
El marco IA² no es retórico. Tiene consecuencias concretas en cada decisión del curso:
1. Las 5 modos de la AI Assessment Scale (AIAS) son modos de augmentación, no grados de delegación
Adoptamos la AIAS de Perkins, Furze, Roe & MacVaugh (2024). Pero la reinterpretamos:
| Nivel | Nombre | Modo de augmentación |
|---|---|---|
| 1 — No AI | Control puro | El humano trabaja sin palanca cognitiva externa |
| 2 — Planning | Augmentación de planeación | IA propone estructura; humano decide |
| 3 — Collaboration | Augmentación dialógica | IA es interlocutor crítico; humano es autor |
| 4 — Full Support | Augmentación operativa | IA ejecuta tareas instrumentales bajo dirección humana auditada |
| 5 — Full AI | IA como sujeto/objeto | El comportamiento de la IA es lo que se estudia |
Cada entregable del curso declara su modo. La nota no se libera sin audit log que demuestre trazabilidad de la decisión humana.
2. El audit log es prueba de agencia investigativa
Cada hito del curso viene acompañado de un audit log con esta estructura:
- Entregable y modo AIAS declarado.
- Herramientas usadas (modelos, versiones).
- Prompts clave (texto literal o link al thread).
- Aceptado de la IA — qué propuso útil.
- Rechazado de la IA — dónde mi criterio fue distinto y por qué.
- Verificación humana — qué crucé contra qué fuente.
- Decisión final — qué hice yo que la IA no podía hacer.
- Firma del estudiante.
El audit log demuestra que la decisión investigativa fue del humano, aumentada por IA — no delegada a la IA.
3. Los 5 laboratorios son experimentos de augmentación
Cada lab cierra con la misma pregunta:
“¿La IA me aumentó (pensé/decidí mejor) o me reemplazó (no pensé/no decidí)?”
Los 5 labs:
- L1 — Caza de alucinaciones: ¿Mi capacidad crítica detectó las fabricaciones?
- L2 — Triangulación aumentada: ¿Cómo decido entre 3 outputs divergentes?
- L3 — El compañero crítico: ¿Qué objeciones razonables agregó la IA a mi DAG?
- L4 — Pair programming aumentado: ¿Detecté los errores que introdujo la IA?
- L5 — Quién decidió: ¿Qué % de las decisiones fueron mías genuinamente?
4. Las rúbricas tienen un cuarto eje rector: “Trazabilidad humana aumentada”
Cada hito se evalúa en cuatro ejes:
- Adopción de práctica moderna (DAG, PRISMA, PAP, Quarto).
- Honestidad metodológica (límites declarados).
- Calidad técnica.
- Trazabilidad de la decisión humana aumentada ← este eje pesa 25% de la rúbrica.
5. El filtro pedagógico de cada decisión de diseño
Cada decisión del curso (slide, lab, rúbrica, dinámica de aula) pasa por la pregunta:
“¿Esto AUMENTA al investigador (lo hace pensar mejor, decidir mejor, criticar más) o lo REEMPLAZA (le ahorra pensar, decidir, criticar)?”
Si aumenta → adopción. Si reemplaza → reformular o rechazar.
Lo que NO es este curso
- ❌ No es un curso de prompts. Si quisiéramos eso, hay tutoriales gratuitos.
- ❌ No es un curso de econometría avanzada. Para eso está el resto de la maestría.
- ❌ No es un curso de filosofía de la ciencia. Aunque la rozamos.
- ❌ No es un curso para usar IA “como ahorrador de tiempo”. Si la IA te ahorra pensar, no te aumentó: te reemplazó.
Lo que SÍ es este curso
- ✅ Studio de investigación aumentada donde el estudiante construye su propuesta de tesis con IA al lado, no por IA.
- ✅ Práctica disciplinada de declaración: AIAS + audit log en cada entrega.
- ✅ Adopción de prácticas modernas (DAG, PRISMA, PAP, Quarto reproducible) que el estudiante mantendrá 18 meses post-curso.
- ✅ Portfolio público que demuestra agencia investigativa, no delegación.
Compromiso del estudiante
Al inscribirse en EC0744, el estudiante acepta el marco IA² operacionalizado en estas seis prácticas:
- Declarar el modo AIAS en cada entregable (1–5).
- Mantener un audit log explícito de uso de IA.
- Verificar todas las citas generadas por IA en fuentes originales (Buchanan et al. 2024 documentó >30% de alucinaciones en economía).
- Distinguir confirmatorio de exploratorio en su análisis (Banerjee, Duflo et al. 2020 — PAP moderado).
- Construir un repo Quarto público que sea la trazabilidad de su trabajo.
- Sostener la agencia humana ante outputs de IA: aceptar, rechazar o modificar con justificación.
Compromiso del docente
A cambio, el curso provee:
- Materiales (slides, podcasts, fichas) con marco IA² coherente.
- Política institucional clara con los 5 niveles AIAS.
- Plantillas Quarto + audit log listas para usar.
- 5 laboratorios IA² con datos curados.
- Peer review formal con rúbrica calibrada.
- Acompañamiento sesión a sesión durante las 32h.
Cita final
“By ‘augmenting human intellect’ we mean increasing the capability of a man to approach a complex problem situation, to gain comprehension to suit his particular needs, and to derive solutions to problems.”
— Douglas Engelbart, Augmenting Human Intellect: A Conceptual Framework, SRI, 1962.
Apéndice — Anatomía de los dos sentidos
Tabla maestra
| Dimensión | Sentido clásico | Sentido aumentado IA² |
|---|---|---|
| Pregunta | Tipología (descriptiva / exploratoria / explicativa / predictiva / causal); criterios FINER (Hulley 2013) | Refinamiento iterativo con LLM crítico; caza de “preguntas plausibles pero no investigables” |
| Problema | Fuentes (vacío en literatura, contradicción, anomalía empírica, replicación); delimitación temporal/espacial/poblacional/conceptual (Hernández-Sampieri) | COIN viva con bitácora de prompts; filtro Actores–Relaciones–Variables (ARV) |
| Objetivos | Bloom cognoscitivo aplicado a OG/OE (Anderson & Krathwohl 2001); SMART (Locke & Latham 1990); verbos medibles | Plantilla asistida + crítica de editor IA tras borrador humano |
| Lit. review | Tipologías (sistemática / narrativa / rápida / scoping / meta-análisis) (Grant & Booth 2009); búsqueda booleana + snowballing (Webster & Watson 2002) | PRISMA 2020 (Page 2021) + Elicit / NotebookLM / Scite + triangulación de modelos |
| Marco teórico | Constructo, operacionalización, validez de constructo (Bryman 2016) | Mapeo conceptual asistido; LLMs como interlocutores de la lógica teórica |
| Hipótesis | H₀ / H₁; direccional / no direccional; sustantiva / estadística; simple / compuesta | DAGs en dagitty (Pearl 2018; Cinelli 2024); ML para generación de hipótesis (Ludwig & Mullainathan 2024) |
| Métodos | Cuanti experimental (poder, n, aleatorización) (Cohen 1988; Shadish-Cook-Campbell 2002); cuali riguroso (saturación, codificación abierta-axial-selectiva) (Yin 2018; Strauss & Corbin 1998); mixto (Creswell & Plano Clark 2018) | DiD revolution (Roth 2023; Callaway-Sant’Anna 2021); control sintético (Abadie 2021); LLMs como datos econométricos (Ludwig-Mullainathan-Rambachan 2025) |
| Triangulación | Metodológica clásica: datos, investigador, teoría, método (Denzin 1978) | De LLMs: tres modelos contra la misma pregunta (Lab L2) — complemento, no reemplazo |
| Ética | Belmont (1979); IRB; consentimiento informado; conflicto de intereses; replicabilidad / open science (Munafò 2017) | Declaración AIAS (Perkins 2024); audit log; transparencia de prompts |
| Comunicación | IMRaD; storytelling científico; póster académico | Quarto reproducible (Allaire 2024); IA como editora, no autora (Noy & Zhang 2023) |
El patrón “dos columnas” en el aula
Cuando se introduce un concepto en cualquier sesión, los slides muestran ambas columnas y la pregunta de cierre del bloque siempre es:
“¿Cuándo la columna A (clásica) es suficiente? ¿Cuándo la columna B (aumentada) aporta? ¿Cuándo la columna B engaña?”
Y la pregunta de cierre obligatoria de cada sesión es:
“Si mañana se cae el internet y no tengo IA, ¿podría hacer este trabajo? ¿Qué pierdo? Si solo tengo IA y no entiendo el concepto clásico, ¿qué riesgo corro?”
Convención visual del patrón “dos columnas”
Extiende el sistema visual EAFIT del curso:
- Columna A — Sentido clásico → fondo rojo EAFIT
#C8102Econ texto blanco. - Columna B — Sentido aumentado → fondo antracita
#1D1D1Bcon texto blanco. - Cierre / decisión del investigador → ámbar
#E8A33D(nota de advertencia).
La paleta heredada del Studio (#003D2C verde, #E67E22 naranja) se conserva para los encabezados de bloque del manifiesto IA²; la paleta clásico/aumentado vive dentro de cada slide conceptual.
Primera frase del curso (slide 1, sesión 1):
Tú eres el investigador. La IA es tu palanca. Sin ti no hay investigación.
Referencias
- Engelbart, D. C. (1962). Augmenting Human Intellect: A Conceptual Framework. SRI Summary Report AFOSR-3223.
- Daugherty, P. R., & Wilson, H. J. (2018). Human + Machine: Reimagining Work in the Age of AI. Harvard Business Review Press.
- Brynjolfsson, E. (2022). The Turing Trap: The Promise & Peril of Human-Like Artificial Intelligence. Daedalus, 151(2), 272–287.
- Acemoglu, D., & Restrepo, P. (2018). The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488–1542.
- Korinek, A. (2023). Generative AI for Economic Research. Journal of Economic Literature, 61(4), 1281–1317. (Korinek, 2023)
- Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627, 49–58. (Messeri & Crockett, 2024)
- Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale (AIAS). Journal of University Teaching and Learning Practice, 21(6). (Perkins et al., 2024)
- Buchanan, J., Hill, S., & Shapoval, O. (2024). ChatGPT Hallucinates Non-existent Citations: Evidence from Economics. The American Economist, 69(1), 80–87. (Buchanan et al., 2024)
- Banerjee, A., Duflo, E., et al. (2020). In Praise of Moderation: Pre-Analysis Plans for RCTs in Economics. NBER WP 26993. (Banerjee et al., 2020)