En la actualidad, el uso de modelos de inteligencia artificial (IA) conversacional se ha expandido hacia la investigación académica, generando debates sobre cuál de ellos ofrece mayor profundidad analítica. ChatGPT, desarrollado por OpenAI, y Gemini, impulsado por Google DeepMind, representan dos enfoques distintos en el tratamiento del lenguaje natural. Según Bender & Koller (2020), la clave de la confiabilidad en estos sistemas no radica solo en su capacidad de generar texto coherente, sino en su potencial para apoyar procesos de investigación rigurosa. Por ello, compararlos desde una perspectiva académica resulta esencial para comprender sus fortalezas y limitaciones.
ChatGPT se ha posicionado como una herramienta ampliamente utilizada en entornos académicos gracias a su flexibilidad, accesibilidad y capacidad de interacción dinámica. Floridi & Chiriatti (2020) destacan que este modelo puede apoyar la generación de borradores, la organización de ideas y la simulación de debates. Sin embargo, su principal limitación radica en la tendencia a producir respuestas plausibles, pero no siempre verificables, lo cual obliga al investigador a complementar con un análisis crítico y contrastación empírica. Esta característica convierte a ChatGPT en un asistente útil, pero no en un sustituto del juicio académico.
Por su parte, Gemini emerge como un competidor directo que prioriza la integración con motores de búsqueda y bases de datos actualizadas. Según Hooker (2023), esta característica le otorga una ventaja en términos de acceso a información reciente y validada, lo cual resulta particularmente relevante en campos de investigación que avanzan rápidamente. Su diseño busca reducir la opacidad de las respuestas y proporcionar referencias más transparentes. De esta manera, Gemini apunta hacia una mayor fiabilidad en la provisión de contenidos académicos, aunque su desarrollo aún se encuentra en fases de consolidación.
La profundidad académica también depende de la capacidad de cada sistema para fomentar el pensamiento crítico. Según Selwyn (2021), la investigación no consiste únicamente en recopilar datos, sino en interpretarlos, analizarlos y cuestionarlos desde distintas perspectivas. En este sentido, ChatGPT favorece la exploración de ideas al ofrecer múltiples posibilidades de formulación y reformulación discursiva, mientras que Gemini enfatiza la veracidad de la información. Ambos modelos, con enfoques diferentes, aportan dimensiones complementarias al proceso investigativo, siempre que sean utilizados con criterio pedagógico y ético.
Otro aspecto diferenciador se relaciona con la transparencia algorítmica. Crawford (2021) advierte que los sistemas de IA suelen funcionar como “cajas negras”, dificultando comprender cómo producen sus respuestas. Mientras que ChatGPT ha sido criticado por esta opacidad, Gemini busca integrar mecanismos de trazabilidad mediante la vinculación directa a fuentes. No obstante, la profundidad en la investigación no depende únicamente de estas características técnicas, sino de la capacidad de los usuarios para evaluar críticamente la información generada y contextualizarla en un marco científico riguroso.
La interacción con el usuario constituye otra variable determinante. Según Luckin (2018), la efectividad de una herramienta de IA en la investigación está mediada por la capacidad del investigador para formular preguntas adecuadas. En este terreno, ChatGPT muestra mayor versatilidad conversacional, lo que facilita procesos de exploración inicial y lluvia de ideas. Gemini, en cambio, se perfila como una herramienta más orientada a la precisión factual, lo que puede limitar la creatividad discursiva, pero fortalecer la fiabilidad documental. En ambos casos, la profundidad dependerá de la intencionalidad del investigador en el diálogo con la herramienta.
Además, no se debe perder de vista la dimensión ética de su uso en investigación. Jobin, Ienca y Vayena (2019) sostienen que el valor de la IA en la academia está condicionado por principios de transparencia, responsabilidad y justicia. Tanto ChatGPT como Gemini deben integrarse bajo códigos de ética universitaria que garanticen la originalidad de la investigación, eviten el plagio y fomenten la atribución adecuada de fuentes. Sin estas consideraciones, cualquier aparente profundidad se vería comprometida por problemas de integridad académica.
En síntesis, ChatGPT y Gemini no deben concebirse como modelos antagónicos, sino como herramientas complementarias para la investigación académica. Mientras ChatGPT ofrece amplitud exploratoria y flexibilidad discursiva, Gemini aporta precisión factual y un mayor énfasis en la trazabilidad de la información. Como señalan Smith y Shum (2023), el futuro de la investigación asistida por IA dependerá de la capacidad de los usuarios para integrar de manera crítica ambos enfoques. La verdadera profundidad académica, entonces, no proviene del modelo en sí, sino del modo en que el investigador lo utiliza dentro de un marco ético y metodológico sólido.
Referencias
Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On meaning, form, and understanding in the age of data. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 5185–5198.
Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.
Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694.
Hooker, S. (2023). Evaluating the reliability of large language models in academic contexts. AI and Society, 38(1), 155–170.
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389–399.
Luckin, R. (2018). Machine learning and human intelligence: The future of education for the 21st century. UCL IOE Press.
Selwyn, N. (2021). Education and technology: Key issues and debates. Bloomsbury Publishing.
Smith, C., & Shum, H. Y. (2023). Large language models and the future of academic research. Communications of the ACM, 66(7), 28–31.
