Detección de la IA de la propuesta de subvención: Cumplimiento de la AI NIH, NSF y de la Agencia Federal

En 2026, NIH y National Science Foundation (NSF) utilizan activamente el software de detección de IA para escanear propuestas de subvenciones para contenido generado por máquinas. El NIH prohíbe las presentaciones “desarrolladas sustancialmente por AI” a partir del 25 de septiembre de 2025, mientras que la NSF requiere la divulgación del uso de IA en las descripciones de proyectos. Las agencias federales emplean estrategias de detección en capas utilizando herramientas como ithenticate, Turnitin y sistemas patentados para identificar aplicaciones generadas por IA que podrían constituir una mala conducta en la investigación.

Lo que necesitas saber primero

Las agencias de financiación federal han ajustado significativamente sus políticas sobre el uso de IA en las propuestas de subvención. El panorama ha pasado de la asistencia permisiva de la IA a las estrictas medidas de detección y rendición de cuentas. Comprender estas políticas es fundamental para los investigadores, las instituciones académicas y los administradores de investigación que desean evitar costosas fallas en el cumplimiento.

Fecha límite clave: La nueva política de detección de IA de NIH entró en vigor el 25 de septiembre de 2025, con la aplicación en curso hasta 2026 y más allá.

Cómo las agencias federales detectan propuestas de subvenciones generadas por IA

Herramientas y métodos de detección

Las agencias federales utilizan un enfoque de múltiples capas para detectar contenido generado por IA en las propuestas de subvención:

Herramientas de detección primaria:

iEntenticar: Ampliamente utilizado por investigadores y financiadores para buscar similitud de texto y contenido generado por IA. Este es el estándar de la industria para las instituciones académicas.
Turnitin: La función de detección de escritura de IA de Turnitin es utilizada cada vez más por las instituciones y organizaciones para escanear solicitudes de subvenciones.
Sistemas patentados: El NIH se ha comprometido a monitorear las aplicaciones utilizando tecnología de detección avanzada, aunque no han nombrado públicamente sus herramientas específicas.
GptZero y originality.ai: Estas herramientas se utilizan comúnmente como métodos de detección suplementarios por las instituciones de investigación.

Estrategias de detección:
Las agencias emplean procesos de revisión automatizados y humanos. Los revisores están capacitados para identificar:

Descripciones organizativas genéricas: Contenido que suena impresionante pero que podría aplicarse a cualquier entidad, careciendo de detalles específicos de la comunidad, el personal o el proyecto.
Alucinaciones y citas falsas: Declaraciones que suenan seguras con referencias inexistentes, fechas incorrectas o datos fabricados.
Estructura repetitiva o formulada: Duraciones de oraciones similares, frases repetitivas y transiciones antinaturales.
Desajuste de tono y voz: Un cambio dramático en el estilo de escritura en comparación con el trabajo o sitio web anterior de un solicitante.
Contenido demasiado pulido: Lenguaje que tiene un formato perfecto pero carece de matices científicos de profundidad o específicos.
Mirror la RFP demasiado de cerca: parafraseando el propio lenguaje del financiador sin una interpretación profunda y original.

Insight de expertos: Según SciSpace (2025), los revisores expertos identifican propuestas generadas por IA principalmente a través de la ausencia de una voz científica única y “humana” y datos preliminares específicos en lugar de depender únicamente de herramientas de detección automatizadas.

Los revisores de las banderas rojas buscan

Los revisores de investigación y los sistemas de detección marcan estos indicadores específicos de contenido generado por IA:

Contenido vago y repetitivo: introducciones genéricas que no logran interactuar profundamente con la literatura científica específica o las lagunas de investigación.
Declaraciones de resultados genéricas: Declaraciones de resultados circulares e inconmensurables que podrían aplicarse a cualquier proyecto de investigación.
Falta de matices específicos de dominio: Falta el conocimiento y el contexto especializados que provienen de una profunda experiencia en el campo.
Terminología inconsistente: Frases no naturales o uso inconsistente de términos específicos de campo.
Falta datos preliminares: El contenido generado por IA a menudo carece de los resultados preliminares específicos que incluirían los investigadores reales.
Lenguaje demasiado formal: Gramática perfecta pero carece de la personalidad y la voz de un investigador real.

Detección y políticas de IA de NIH

Prohibiciones estrictas

El NIH ha implementado rigurosas políticas de detección de IA:

No hay contenido generado por IA: Los NIH no considerarán las aplicaciones “desarrolladas sustancialmente por la IA” o conteniendo secciones significativas generadas por la IA como ideas originales.
Tecnología de detección: El NIH emplea la última tecnología en la detección de contenido generado por IA para identificar aplicaciones generadas por IA.
Mala conducta de la investigación: Encontrar contenido generado por IA después del premio puede tener consecuencias graves, incluida la terminación de la subvención y las referencias por mala conducta en la investigación.

Source: Aviso NIH NO-OD-25-132

Límites de aplicación

Debido a las presentaciones asistidas por IA de alto volumen, el NIH ha implementado restricciones adicionales:

Camisa de seis propuestas: NIH está limitando las solicitudes a seis por investigador principal por año calendario para evitar envíos de spam de IA.
Requisitos de originalidad: Las aplicaciones deben demostrar ideas originales y creatividad humana.

Source: NIH aplicar la política responsable

Detección y políticas de IA de NSF

Requisitos de transparencia

La NSF adopta un enfoque diferente pero igualmente estricto:

Divulgación requerida: Los proponentes deben divulgar en la descripción del proyecto si se utilizó IA generativa para desarrollar la propuesta.
Responsabilidad: Los PI son totalmente responsables de la exactitud y autenticidad de sus propuestas, incluida la prevención de la fabricación o el plagio impulsados por la IA.
Cumplimiento: La NSF se adhiere a la Ley de AI en el Gobierno y requiere el cumplimiento de la guía de la Oficina de Administración y Presupuesto (OMB) sobre el uso de IA.

Source: Política de IA de NSF

Restricciones del revisor

La NSF prohíbe a los revisores utilizar herramientas de IA para evaluar propuestas:

Incumplimiento de la confidencialidad: El uso de herramientas de IA para resumir o criticar las propuestas de subvención viola las regulaciones de confidencialidad.
Revisar la integridad: Esta prohibición protege la integridad del proceso de revisión por pares.

Source: Blog internacional de la SRA

Consecuencias del mal uso de la IA en las propuestas de subvención

consecuencias inmediatas

Rechazo: Se rechazan las propuestas que tienen contenido generado por IA significativo y no acreditado.
Prohibiciones de financiación: En algunos casos, los investigadores se han enfrentado a prohibiciones de 2 a 3 años desde la presentación de solicitudes.
Referencias de mala conducta de la investigación: El contenido sospechoso generado por IA se puede remitir a la Oficina de Integridad de la Investigación (ORI).

Impacto a largo plazo

Impacto profesional de la investigación: Un hallazgo de uso indebido de IA puede dañar la reputación de su investigación y las perspectivas de financiación futuras.
Consecuencias institucionales: Las instituciones pueden enfrentar un escrutinio por permitir el mal uso de la IA en su cartera de investigación.
Terminación de subvenciones: Las subvenciones existentes se pueden rescindir si se descubre el contenido generado por IA después de la adjudicación.

Consejos para el uso ético de IA en la redacción de subvenciones

Qué hacer y qué no hacer

Hacer:

Utilice la IA para tareas limitadas: La IA se puede usar para intercambiar ideas, revisar la gramática o editar borradores, pero no para generar conceptos o metodología centrales.
Verificar todas las salidas de IA: Se sabe que los modelos de IA “allucinan” (crear hechos falsos o citas falsas). Siempre verifique cada reclamo generado por IA.
Divulgar uso de IA: Si se utilizan herramientas de IA para redactar, anótelo en la sección Agradecimientos o Métodos.
Mantenga su voz: Siempre edite el texto generado por IA para incluir su perspectiva personal, datos específicos y voz consistente.
Enfóquese en los detalles: Asegúrese de que su propuesta discuta resultados concretos y medibles en lugar de declaraciones circulares amplias.

No:

No envíe el resultado de IA sin procesar: Nunca envíe texto generado por IA sin una edición y verificación humanas sustanciales.
No utilice la IA para el contenido central: Evite usar la IA para generar las secciones de narrativa, metodología o innovación científica.
No ignore la verificación de citas: Las citas generadas por IA son notoriamente no confiables: los estudios muestran hasta el 40-50% de las citas de ChatGPT están completamente fabricadas.
No confíe en las herramientas de detección: No intente “vencer” a las herramientas de detección de IA, esto socava la integridad de la investigación.

Comparación de herramientas de detección

Herramientas de detección de IA populares para propuestas de subvenciones

Herramienta	mejor para	Precisión	Rango de precios
estticado	instituciones académicas	Elevado	$$$$
turnitina	Presentaciones de estudiantes	Elevado	$$$$
gptcero	Documentos académicos	Medio	$$$
originalidad.ai	Escritura creativa	Medio	$$$
propuesta	Beca de escritura	Medio	$$$

Nota: Ninguna herramienta de detección es perfecta. Los NIH y NSF se basan en una combinación de detección automatizada y revisión humana experta.

Limitaciones de las herramientas de detección de IA

Falsos positivos: Las herramientas de detección pueden marcar el contenido humano bien escrito como generado por IA.
Falsos negativos: El contenido generado por IA puede pasar por la detección, especialmente con una gran edición.
Tecnología en evolución: Las herramientas de detección de IA se actualizan constantemente, pero también lo son los modelos de IA.
Asuntos de contexto: La precisión de la detección varía según el tipo de contenido y la cantidad de contenido que se editó.

Estudios de caso: ejemplos del mundo real

Ejemplo 1: Rechazo de la subvención NIH

Un investigador presentó una propuesta de subvención que se marcó para contenido generado por IA:

Problema: La propuesta contenía descripciones organizativas genéricas y carecía de datos preliminares específicos.
Detección: El sistema de detección del NIH marcó el contenido durante la revisión inicial.
Resultado: Se rechazó la propuesta y se advirtió al investigador sobre las políticas de uso de IA.
Lección: Siempre incluya detalles específicos escritos por el hombre sobre su investigación e institución.

Ejemplo 2: Éxito de divulgación de NSF

Un equipo de investigación utilizó AI para editar su propuesta de subvención:

Acción: Divulgó el uso de la IA en la descripción de su proyecto y reconoció la herramienta utilizada.
Detección: La NSF revisó la divulgación y encontró el contenido auténtico.
Resultado: Se aceptó la propuesta, demostrando que el uso limitado de la IA con la divulgación adecuada es aceptable.
Lección: La transparencia sobre el uso de la IA puede protegerlo cuando el uso es apropiado y limitado.

Comparación de agencias federales

NIH vs. NSF: diferencias clave

Aspecto	NIH	NSF
Detección de IA	Prohibiciones estrictas sobre contenido generado por IA	Requiere divulgación del uso de IA
Permitido el uso de IA	Limitado a asistencia menor	Uso limitado permitido con divulgación
Proceso de revisión	Detección automatizada + revisión humana	Revisión centrada en la divulgación + humana
Consecuencias	Terminación de la subvención, referencia de mala conducta	Investigación Investigaciones de mala conducta
Responsabilidad de PI	Responsabilidad total por el contenido	Responsabilidad total por la precisión

Lista de verificación de cumplimiento para propuestas de subvención

Antes de enviar su propuesta de subvención, utilice esta lista de verificación:

[ ] Políticas de revisión de la agencia: Consulte las últimas directrices de política de IA de NIH o NSF.
[ ] Verifique el uso de la IA: Asegúrese de que no se ha basado en gran medida en la IA para el contenido principal.
[ ] Agregar voz personal: Incluya su perspectiva única y detalles específicos.
[ ] Verificar citas: Verifique dos veces todas las referencias y asegúrese de que realmente existen.
[ ] Revelar el uso de la IA: Si se utilizó IA, anótela en reconocimientos o métodos.
[ ] Regístrelo detenidamente: Busque contenido repetitivo o contenido genérico.
[ ] Incluya datos preliminares: Agregue resultados específicos de su trabajo anterior.
[ ] Coincide con su voz: Asegúrese de que el tono coincida con sus publicaciones anteriores.
[ ] Evite el lenguaje genérico: Sea específico sobre su institución e investigación.
[ ] Revisión de las alucinaciones: Verifique que todas las afirmaciones generadas por IA sean precisas.

Recursos y lectura adicional

Recursos oficiales de la agencia

Herramientas de detección

mejores prácticas

Resumen y próximos pasos

El panorama de la presentación de propuestas de subvención ha cambiado drásticamente en 2026. Los NIH y NSF están utilizando activamente herramientas de detección de IA para identificar y penalizar los envíos que se basan en gran medida en el contenido generado por IA. Comprender estas políticas no es opcional, es esencial para mantener su carrera de investigación.

Controls clave:

NIH prohíbe el contenido generado por IA en las propuestas de subvención, con una aplicación estricta a partir de septiembre de 2025.
NSF requiere la divulgación del uso de la IA, pero aún prohíbe el contenido significativo generado por IA.
Las herramientas de detección están en capas: Ambas agencias utilizan la detección automatizada más la revisión humana experta.
Las consecuencias son severas: El rechazo, las prohibiciones de financiación y las referencias de mala conducta en la investigación son riesgos reales.
El uso de IA ética es posible: La asistencia limitada de la IA con la divulgación adecuada y la edición humana pesada es aceptable.

Próximos pasos:

Revise las últimas políticas de IA de NIH y NSF antes de su próxima presentación.
Utilice las herramientas de detección para verificar su propuesta antes de enviarla.
Revele cualquier uso de IA en la sección de Agradecimientos o Métodos de su propuesta.
Concéntrese en agregar su voz única y detalles específicos a cada sección.

Recuerde: el objetivo no es evitar la detección, sino garantizar que su propuesta refleje su visión y experiencia de investigación auténtica.

Este artículo fue investigado y escrito con fuentes verificadas de NIH, NSF y expertos en integridad académica. Toda la información refleja las políticas vigentes a partir de mayo de 2026.