TÍTULO LARGO

El panorama de la investigación científica se ha reconfigurado a partir de los aportes sistemáticos de la continua transformación digital. Para el caso específico de las metodologías cualitativas de la investigación, que se basan en la interpretación y el análisis contextual del ser humano, han estado en evolución junto a otras y se suman a estos cambios. Desde el 2023, con la irrupción de la inteligencia artificia generativa (IAG), se ha marcado un hito -por muchos- considerado como un punto de inflexión, con la aparición de herramientas con alto potencial disruptivo.

Este avance tecnológico suscita una serie de reflexiones ineludibles para la comunidad académica, en particular para quienes se dedican al análisis de contenido cualitativo. Estos investigadores se encuentran en la encrucijada de adoptar estas nuevas tecnologías, sin dejar de salvaguardar el rigor, la profundidad y la ética que constituyen la esencia de su labor.

Entre muchas IAG, emerge Manus.AI, una IAG que no es muy conocida hasta enero de 2026 cuando se asocia a Meta. A pesar de su actuación menos conocida, esta ha impactado a los investigadores por los recursos investigativos que ofrece. Esta es un agente autónomo de propósito general, el cual se manifiesta como un motor de acción que permite la ejecución de tareas múltiples y complejas. Permite, además, la automatización de flujos de trabajo y, sobre todo, también permite la ampliación del alcance investigativo que tiene el humano (Manue.AI, 2025).

En la actualidad, las discusiones no se centran en si la IA se puede integrar a las herramientas que ya tienen los investigadores, sino en cómo se llevará a cabo dicha integración de una forma responsable, ética y efectiva, y cuáles serán sus implicaciones para la epistemología misma de la investigación cualitativa. De aquí surge la inminente necesidad del papel que va a jugar la curación de contenidos y de la constante reformulación de los prompts que respondan a lo anterior.

Hoy, la incorporación de la IAG en la investigación, y en la especificidad de la investigación cualitativa se desarrolla con profundas tensiones, dadas por: las promesas significativas del uso de ellas y considerables desafíos a que se enfrentan. Por un lado, se reconoce el gran potencial que tiene la IA para aligerar la carga de trabajo, como una de las ventajas más discutidas. Como ejemplo de ello, está el caso de la mayoría de las herramientas de IA, y como singularidad se expone a Manus.AI quien promete optimizar y acelerar aquellas tareas que son tradicionalmente laboriosas: transcripción de entrevistas, organización de grandes volúmenes de datos, codificación inicial y la síntesis de información (Cabanillas-García et al., 2025; Zhang et al., 2025).

La automatización que se logra con lo anterior no solo se traduce en mayor eficiencia, también genera la posibilidad de analizar extensos volúmenes de datos cualitativos, antes inmanejables en cortos o medianos períodos de tiempo. Cabanillas-García et al. (2025) afirman, yendo mucho más allá que la IA supera considerablemente la automatización y tiende a consolidarse como una "herramienta epistémica capaz de expandir las fronteras de la investigación contemporánea" (p. 938). Esta es una visión optimista que -por supuesto- se ve contrarrestada por limitaciones importantes.

Morgan (2023) realiza un estudio comparativo, que han evidenciado que, la IA puede replicar temas concretos y descriptivos con mucha rapidez, pero su eficacia tiende a disminuir considerablemente al intentar tratar aquellos temas que son muy sutiles e interpretativos que exigen una profunda comprensión del entorno, el contexto y la subjetividad del ser humano.

Por todo lo anterior, existe un riesgo objetivo de perder la profundidad interpretativa (subjetiva), de que el análisis que realice la IA sea superficial y deshumanizado, siempre y cuando no se enrole en el proceso, la curación y retroalimentación sistemáticas. Existe el peligro de generar análisis poco profundos si no se cuenta con una supervisión humana constante y crítica; y mucho más, si se obvia la escasa trazabilidad sobre el “razonamiento” de los procesos de las IA. El humano en el proceso no es un simple supervisor, tiene que convertirse en el director último del proceso analítico.

Por otro lado, al introducir las consideraciones éticas, todo se complejiza aún más, pues esto representa, quizás, el nudo crítico de la integración de la IA en la investigación. Esto tiene como contrincantes tradicionales a la privacidad de los datos, el consentimiento informado, la correcta atribución de la autoría, la fiabilidad de los resultados y la transparencia metodológica, los que han sido pilares de la investigación cualitativa, y que con la integración de la IA a la investigación cualitativa se ven directamente interpelados (Cabanillas-García et al., 2025).

La capacidad aparente de estos modelos para reproducir y amplificar sesgos históricos, sociales o culturales que están presentes en su entrenamiento, tiende a introducir el riesgo de la discriminación algorítmica, y ello afecta la equidad y la justicia del conocimiento. A pesar de todo lo anterior, existe un "ecosistema dual" donde hay investigadores cualitativos que se adaptan tempranamente, y otros -mayoritariamente aún- que no se ha familiarizado con estas herramientas (Cabanillas-García et al., 2025).

Ya hoy, Zhang et al. (2025), sugieren la familiarización y la capacitación en técnicas de ingeniería de prompts para transformar la percepción negativa en una actitud más positiva y de confianza, mejorando la transparencia y el control sobre las respuestas de la IA. El camino no es el rechazo total ni la adopción acrítica, es un modelo de asistencia inteligente, en el que el investigador guíe a la herramienta.

La efectividad de herramientas como Manus.AI depende directamente de la habilidad del investigador para comunicarse con ella; esto impulsa la importancia crítica del diseño de prompts: enmarcar la tarea, proveer contexto, definir el método de análisis deseado y especificar el formato de salida esperado (Zhang et al., 2025).

La IA debe ser empleada como una herramienta de apoyo dentro del proceso analítico investigativo, no como un sustituto del juicio del investigador. Las instituciones académicas deben proporcionar la formación técnica, así como marcos éticos claros y directrices metodológicas que promuevan un uso responsable y humanista de la tecnología (Cabanillas-García et al., 2025). Además, se debe aplicar la IA donde su contribución es más clara y menos riesgosa: transcripción y la codificación deductiva. También es obligatorio ejercer la supervisión humana sistemática en la codificación inductiva y, en la interpretación y generación de teoría, si es recomendable.

Los investigadores cualitativos, para el caso de Manus.Ai, pueden aprovechar las capacidades de análisis en tiempo real para estudios dinámicos, por ejemplo en el análisis de tendencias en redes sociales, o usar la función de investigación profunda para acelerar las revisiones de literatura, manteniendo siempre una curación manual de las fuentes y los hallazgos.

En conclusión, lo que ha cambiado es la accesibilidad, la potencia y la autonomía de las herramientas de IA, pero, a su vez, coexisten un conjunto de promesas y riesgos que deben ser gestionados con prudencia. El futuro de la investigación cualitativa no reside en una automatización total, sino en una colaboración humano-IA.

Todo ello exige un compromiso sistemático con la formación, la adaptación metodológica y la reflexividad crítica, de tal forma que asegure que la IA sirva para ampliar nuestra comprensión de la experiencia humana, y no en simplificarla o distorsionarla. Este es el formidable reto, pero la oportunidad de enriquecer y expandir la investigación cualitativa lo es aún más.

REFERENCIAS BIBLIOGRÁFICAS

Cabanillas-García, J. L., Sánchez-Gómez, M. C., & del Brío-Alonso, I. (2025). Voices of researchers: Ethics and artificial intelligence in qualitative inquiry. Information, 16(11), 938. https://doi.org/10.3390/info16110938

Manus.AI. (2025). Manus: Hands on AI. https://manus.im/

Morgan, D. L. (2023). Exploring the use of artificial intelligence for qualitative data analysis: The case of ChatGPT. International Journal of Qualitative Methods, 22. https://doi.org/10.1177/16094069231211248

Zhang, H., Wu, C., Xie, J., Lyu, Y., Cai, J., & Carroll, J. M. (2025). Harnessing the power of AI in qualitative research: Exploring, using and redesigning ChatGPT. Computers in Human Behavior: Artificial Humans, 4, 100144. https://doi.org/10.1016/j.chbah.2025.100144