Correction and technologies: Artificial intelligence and text correction in YOL Editorial, Ecuador
Resumen Abstract
International Journal of Research and Innovations 1(1) 2026
https://doi.org/10.5281/zenodo.22098208
La corrección y las tecnologías: Inteligencia artificial y la corrección de
textos en YOL Editorial, Ecuador
Contacto:
Gissela Carolina Yepez Pullopaxi
yepezgissela@gmail.com
Instituto Superior Tecnológico CEMLAD, Quito, (Ecuador).
Recibido: 25 de Febrero del 2026 | Aceptado: 14 de Marzo del 2026 | Publicado: 17 de Agosto del 2026
© Autor(es) 2026
Gissela Carolina Yepez Pullopaxi
La investigación evaluó el impacto de la inteligencia artificial en la
corrección de textos de YOL Editorial, Ecuador. Se adoptó un
enfoque cuantitativo, postpositivista y cuasiexperimental, mediante
la comparación de 60 proyectos editoriales: 30 corregidos
manualmente durante 2022 y 30 revisados con apoyo de ChatGPT,
LanguageTool y Canva en 2023. Se analizaron el tiempo de
corrección por cada 1.000 palabras, la tasa de detección de errores y
la productividad mensual por corrector. Tras implementar estas
tecnologías, el tiempo promedio disminuyó de 60 a 36 minutos,
equivalente a una reducción del 40 %; la detección de errores
aumentó del 85 % al 95 %; y la productividad pasó de dos a tres
proyectos mensuales, con un incremento del 50 %. Los resultados
evidencian que la IA mejora la eficiencia, consistencia y calidad del
proceso editorial. LanguageTool apoyó la identificación de
problemas gramaticales, ortográficos y de puntuación; ChatGPT
asistió en la reformulación de pasajes complejos y la mejora de la
coherencia; y Canva facilitó la presentación visual de las
correcciones durante la comunicación con los autores. Los análisis
estadísticos respaldaron la relevancia práctica de los cambios
observados. El estudio demuestra además que incorporar estas
herramientas permite reorganizar los flujos de trabajo, reducir tareas
repetitivas y fortalecer el control de calidad editorial. Su uso
responsable requiere protocolos institucionales claros, capacitación
continua del personal, comunicación transparente con los autores,
salvaguardas éticas para los datos textuales y validación profesional
sistemática. Sin embargo, la supervisión humana continúa siendo
indispensable para preservar contexto, intención comunicativa y
estilo autoral.
This study evaluated the impact of artificial intelligence on
proofreading processes at YOL Editorial in Ecuador. A quantitative,
postpositivist, quasi-experimental approach was adopted by
comparing 60 publishing projects: 30 proofread manually during
2022 and 30 reviewed with support from ChatGPT, LanguageTool,
and Canva in 2023. The analysis considered proofreading time per
1,000 words, error detection rate, and monthly productivity per
proofreader. Following implementation, average proofreading time
decreased from 60 to 36 minutes, representing a 40% reduction;
error detection increased from 85% to 95%; and productivity rose
from two to three projects per month, equivalent to a 50% increase.
The findings indicate that artificial intelligence can improve the
efficiency, consistency, and quality of editorial workflows.
LanguageTool supported the identification of grammatical, spelling,
and punctuation problems; ChatGPT assisted with reformulating
complex passages and improving coherence; and Canva facilitated
the visual presentation of corrections during communication with
authors. Descriptive and inferential analyses supported the practical
relevance of the observed changes across both periods and all
indicators examined. Their responsible use requires clear
institutional protocols, continuous staff training, transparent
communication with authors, ethical safeguards for textual data, and
professional validation throughout the process. Nevertheless, human
oversight remains essential for evaluating contextual nuances,
preserving communicative intent, respecting specialized
terminology, and safeguarding each author’s individual style. An
integrated human–AI model therefore offers the most appropriate
approach to professional proofreading in practice.
Palabras clave: Corrección de textos, Inteligencia Artificial,
ChatGPT, Canva,YOL Editorial.
ARTÍCULO ORIGINAL
1
Ricardo David Haro Calero
Isleidy Alvarez Hernández
Cesar Parra Rosillo
1
1
1
Keywords: Text editing, Artificial Intelligence, ChatGPT, Canva,
YOL Editorial.
Instituto Superior Tecnológico CEMLAD, Quito, (Ecuador).
1
Página 22
Cómo citar:
Yépez, G., Haro, R., Alvarez, I. & Parra, C. (2026). La corrección y las tecnologías: Inteligencia artificial y la corrección de textos en YOL Editorial,
Ecuador. International Journal of Research and Innovations, 1(1) 22-30. https://doi.org/10.5281/zenodo.22098208
International Journal of Research and Innovations 1(1) 2026
Introducción
En la industria editorial contemporánea, la corrección de textos
asegura la claridad, coherencia y calidad de los contenidos
publicados. Tradicionalmente, este proceso ha estado a cargo de
correctores y editores humanos; sin embargo, el avance tecnológico
ha permitido la automatización de muchas de estas tareas mediante
herramientas basadas en IA. Aplicaciones como Grammarly y
LanguageTool han demostrado ser efectivas en la identificación de
errores gramaticales, ortográficos y estilísticos, brindando
soluciones eficientes tanto para editores como para autores. A tenor
de lo anterior, la corrección de textos –pilar fundamental de la
calidad editorial– ha experimentado una transformación
considerable con la integración de sistemas de IA, generando un
nuevo paradigma en la gestión de contenidos. Este fenómeno se
inscribe en una tendencia más amplia de innovación en los procesos
lingüísticos; por ejemplo, en el ámbito educativo se han propuesto
diversas estrategias didácticas innovadoras para mejorar la
efectividad del aprendizaje de idiomas, reflejando la importancia de
adoptar enfoques novedosos en campos relacionados (Haro Calero
& Yépez, 2023). De modo análogo, la edición profesional se está
beneficiando de metodologías innovadoras basadas en IA para
optimizar la corrección textual.
El impacto de la IA en el proceso editorial trasciende la simple
detección de errores lingüísticos. Por un lado, la automatización
mediante técnicas de procesamiento de lenguaje natural (PLN) y
aprendizaje profundo ha dado lugar a herramientas sofisticadas
capaces de revisar textos en tiempo real. Sistemas como Grammarly,
LanguageTool o ProWritingAid no solo corrigen faltas gramaticales
y ortográficas con gran rapidez, sino que también ofrecen
sugerencias para mejorar la fluidez y claridad del texto. Estudios
recientes sugieren que la implementación de estas herramientas
puede reducir el tiempo dedicado a la corrección hasta en un 40%,
manteniendo un nivel de precisión técnica comparable al de un
corrector profesional (Ruiz et al., 2021; González et al., 2021). En
efecto, González et al. (2021) documentan mejoras significativas en
la eficiencia del proceso de corrección gracias a la IA,
particularmente en la detección de inconsistencias gramaticales y
estilísticas de forma más rápida que los humanos. Por otro lado, las
aplicaciones actuales de IA incluyen análisis de legibilidad,
detectores avanzados de plagio y herramientas de optimización de
contenido que consideran el público objetivo y el medio de
publicación. Esta diversificación de funcionalidades ha comenzado a
redefinir el rol tradicional del editor: de un corrector puramente
técnico a un curador de contenido que utiliza la tecnología como un
aliado estratégico en el proceso creativo y editorial.
La investigación sobre TPACK en la enseñanza del inglés ha
cobrado impulso en años recientes. Un análisis bibliométrico de
2006 a 2021 muestra un crecimiento sostenido en publicaciones
sobre TPACK aplicado a la enseñanza del idioma inglés, con
predominio de estudios realizados en Asia. Este auge refleja un
reconocimiento global de que integrar tecnología en la enseñanza
del inglés puede enriquecer las experiencias de aprendizaje.
Diversos estudios han documentado que el uso de recursos digitales
(videos, audio, herramientas interactivas, realidad aumentada, entre
otros) mejora la motivación y participación de los estudiantes,
facilitando la adquisición de vocabulario y habilidades lingüísticas
de manera más efectiva. No obstante, también se evidencian
desafíos significativos: muchos docentes de inglés carecen de
capacitación adecuada para fusionar eficazmente tecnología y
pedagogía, especialmente en contextos donde la enseñanza
tradicional sigue dominando. En las secciones siguientes se exploran
(1) el modelo TPACK y su papel en la formación de docentes de
inglés, (2) evidencia sobre su impacto en la práctica docente y el
aprendizaje del inglés, (3) los desafíos encontrados en su
implementación en contextos EFL, y (4) una perspectiva
complementaria desde la ecolingüística, integrando hallazgos
recientes en la enseñanza del inglés con consideraciones
socioculturales y medioambientales.
El modelo TPACK, propuesto originalmente por Mishra y Koehler
(2006), plantea que un docente efectivo integra de forma sinérgica
tres tipos de conocimiento: el tecnológico, el pedagógico y el de
contenido disciplinar. En el caso de la enseñanza del inglés, esto
implica que el profesor combine habilidades en el manejo de
tecnologías educativas, estrategias didácticas de enseñanza de
idiomas, y un dominio profundo del idioma inglés y su didáctica.
Estudios recientes subrayan que los docentes necesitan desarrollar
todas estas dimensiones de conocimiento de manera integrada;
ninguna por sí sola garantiza una enseñanza eficaz.
No obstante, la integración de sistemas de IA en la corrección
editorial plantea nuevos desafíos. Si bien las herramientas
automatizadas destacan en aspectos técnicos y repetitivos de la
corrección, la evaluación de elementos más sutiles –como el tono
discursivo, la coherencia global del texto, las referencias culturales o
las intenciones implícitas del autor– continúa requiriendo la
intervención experta del editor humano. Una dependencia excesiva
de la automatización podría conducir a una estandarización del
lenguaje no deseada, afectando potencialmente la diversidad
estilística y la creatividad en la expresión escrita. La brecha entre la
precisión técnica y la sensibilidad contextual representa un área
crítica que la comunidad académica y profesional está comenzando
a debatir con mayor profundidad. En este contexto, surge la
pregunta fundamental: ¿cómo optimizar la colaboración entre la IA
y el editor humano para mejorar la calidad editorial, sin perder la
autenticidad y la riqueza expresiva de los textos?
Este estudio se propone examinar el impacto actual de las
herramientas de IA en el proceso de corrección editorial, evaluando
empíricamente sus beneficios y limitaciones en el caso de YOL
Editorial. A través de un análisis sistemático de las principales
herramientas disponibles y de datos cuantitativos obtenidos antes y
después de su implementación, se identifican las mejores prácticas
para su uso efectivo. Asimismo, se explora cómo la integración de
estas tecnologías está redefiniendo el flujo de trabajo editorial y el
perfil de competencias del corrector, con miras a proponer un
modelo de interacción hombre-máquina que maximice los
beneficios de ambas partes. YOL Editorial, una empresa ecuatoriana
especializada en la publicación de libros, sirve como caso de estudio
de esta transformación tecnológica: la adopción de herramientas de
IA para la corrección de textos ha permitido agilizar procesos sin
comprometer la calidad de las publicaciones.
Página 23
International Journal of Research and Innovations 1(1) 2025
El uso de la inteligencia artificial en la corrección de textos ha
avanzado rápidamente en los últimos años, dando lugar a numerosas
herramientas y enfoques. Inicialmente, los correctores gramaticales
automatizados se basaban en reglas lingüísticas y bases de datos de
errores comunes (por ejemplo, el corrector de Microsoft Word); más
recientemente, han incorporado algoritmos de aprendizaje
automático y redes neuronales entrenadas en grandes corpora de
texto. Herramientas ampliamente utilizadas como Grammarly o
LanguageTool representan la aplicación práctica de estas
tecnologías: Grammarly, enfocada principalmente en el inglés,
utiliza modelos estadísticos y de aprendizaje profundo para
identificar errores y sugerir mejoras estilísticas, mientras que
LanguageTool –de código abierto y adaptable a múltiples idiomas–
emplea reglas definidas y algoritmos estadísticos para detectar
errores gramaticales y ortográficos, incluyendo el español. Estas
herramientas han logrado agilizar la revisión de textos al identificar
de forma automática errores que podrían pasar desapercibidos para
un corrector humano cansado o con tiempo limitado. Martínez y
Pérez (2022) sostienen que la capacidad de la IA para aprender de
patrones lingüísticos mejora con el tiempo de uso, resultando en una
mayor precisión conforme la herramienta acumula más datos y
retroalimentación. Esto implica que los sistemas actuales no solo
corrigen, sino que aprenden y afinan sus sugerencias, acercándose
cada vez más al desempeño de un corrector experto en los aspectos
técnicos del idioma.
Paralelamente a los correctores ortográficos y gramaticales
tradicionales, han emergido modelos de lenguaje avanzados basados
en IA, como ChatGPT (desarrollado por OpenAI). Estos modelos de
última generación, entrenados con técnicas de aprendizaje profundo
en conjuntos masivos de datos textuales, poseen la capacidad de
comprender y generar lenguaje natural con alto grado de coherencia.
En el contexto de la corrección editorial, ChatGPT y modelos
similares pueden identificar errores complejos, reformular oraciones
para mejorar su claridad e incluso imitar estilos de escritura
específicos. Investigaciones recientes reportan que herramientas
basadas en modelos de lenguaje pueden no solo detectar errores,
sino también ofrecer sugerencias para mejorar la coherencia y el
estilo general del texto. González et al. (2023) subrayan que
“ChatGPT no solo identifica errores gramaticales y ortográficos,
sino que también ofrece sugerencias para mejorar la coherencia y el
estilo del texto”, ampliando el alcance de la asistencia automatizada
más allá de lo meramente mecánico. Esta capacidad de entender el
contexto y la intención comunicativa le permite a la IA abordar
aspectos que antes se consideraban exclusivamente humanísticos, si
bien con ciertas reservas en cuanto a fiabilidad completa.
Otra herramienta innovadora empleada en el ámbito editorial es
Canva, inicialmente conocida por facilitar el diseño gráfico. Si bien
Canva no es una herramienta de corrección lingüística per se, su
relevancia en la corrección editorial radica en la capacidad de
integrar correcciones textuales en un entorno visual. En YOL
Editorial, por ejemplo, Canva se utiliza para crear pruebas y
maquetas donde las correcciones aparecen resaltadas en el diseño
final de la página, ayudando a los autores a visualizar los cambios
propuestos.
Estudios en el sector señalan que la incorporación de elementos
visuales en el proceso de corrección mejora la comunicación entre
editores y autores. López et al. (2022) describen cómo “la
utilización de herramientas de diseño como Canva en el sector
editorial ha facilitado la creación de representaciones visuales que
ayudan a los autores a visualizar los cambios sugeridos, optimizando
la comprensión del proceso de corrección”. De esta manera, la
tecnología gráfica complementa a la lingüística, garantizando que el
producto final sea atractivo en forma y contenido, a la vez que
agiliza la interacción en el ciclo de revisiones.
Los avances en estas herramientas han marcado un nuevo estándar
en la velocidad y precisión del proceso editorial. En términos de
eficiencia, diversas fuentes indican reducciones importantes en el
tiempo de revisión. Ruiz et al. (2021) encontraron que el uso de
herramientas de corrección asistida por IA puede reducir el tiempo
de corrección en un 30–40%, lo que permite a las editoriales
manejar más proyectos simultáneamente y cumplir plazos más
ajustados sin comprometer la calidad. Asimismo, la consistencia en
las correcciones ha mejorado: a diferencia de la variabilidad que
pueden mostrar diferentes correctores humanos en sus criterios, las
herramientas de IA aplican reglas uniformes en todos los textos.
González et al. (2021) destacan que esta estandarización de criterios
garantiza una mayor homogeneidad en la calidad del producto final.
Adicionalmente, la IA puede sugerir mejoras estilísticas que
incrementan la legibilidad y accesibilidad de los escritos,
contribuyendo a publicaciones más claras y orientadas al lector.
Como resultado, muchas editoriales reportan un aumento en la
satisfacción de sus clientes y lectores finales cuando se emplean
sistemas de corrección asistida por IA.
Pese a estos avances, es importante reconocer que las herramientas
actuales no son infalibles. Estudios de evaluación comparativa
revelan que los correctores automáticos aún enfrentan dificultades
para ciertos tipos de errores complejos. Por ejemplo, se ha reportado
que incluso el mejor corrector gramatical automatizado en inglés
(Grammarly) alcanza apenas alrededor de 44% de precisión global
en la identificación de errores en pruebas rigurosas, y ninguna
herramienta evaluada logró más de 11% de acierto en errores de
estructura de frases o más de 25% en errores semánticos,
evidenciando un amplio margen de mejora en estos sistemas. Estos
resultados reflejan que, si bien la IA es muy eficaz detectando
errores básicos y patrones comunes, aún muestra limitaciones
importantes frente a ambigüedades, matices contextuales y errores
menos frecuentes. En el caso del idioma español, los desafíos
pueden ser mayores debido a su complejidad morfosintáctica y a la
menor disponibilidad de corpora anotados en comparación con el
inglés (Pérez et al., 2020). En síntesis, el estado del arte indica que
la IA ha potenciado la corrección editorial en eficiencia y
consistencia, pero subsisten áreas donde la intervención y
supervisión humana siguen siendo imprescindibles.
La incorporación de la inteligencia artificial en la corrección de
textos puede entenderse bajo el prisma de la colaboración hombre-
máquina y la teoría de sistemas socio-técnicos. En lugar de
reemplazar al corrector humano, las herramientas de IA funcionan
como agentes coadyuvantes dentro del sistema editorial, asumiendo
Página 24
International Journal of Research and Innovations 1(1) 2025
Se sustenta esta investigación combina la visión de una colaboración
estrecha entre humanos y máquinas en la tarea de corrección, con
principios de aseguramiento de la calidad editorial. Este marco
anticipa que la mejor implementación de la IA no es la que opera de
forma aislada, sino la que se integra de manera transparente en la
labor del editor, potenciando sus capacidades. A partir de esta
concepción, en la siguiente sección se describe la metodología
cuantitativa diseñada para evaluar empíricamente cómo se
manifiestan estos principios en la práctica concreta de YOL
Editorial.
Materiales y Métodos
tareas mecánicas y proporcionando análisis preliminares, mientras el
humano mantiene la supervisión y realiza las evaluaciones
cualitativas finales. Este modelo híbrido de corrección se sustenta en
la idea de que las fortalezas de la IA (rapidez, memoria,
consistencia) complementan las fortalezas humanas (criterio
contextual, creatividad, juicio cultural). En consecuencia, el rol del
corrector evoluciona desde la simple detección manual de errores
hacia una función más estratégica de gestión de la calidad, donde la
interpretación contextual y las decisiones finales recaen sobre el
profesional, apoyado por las sugerencias y alertas generadas por la
máquina.
Bajo este marco, la interacción sinérgica entre IA y correctores
puede ser analizada mediante conceptos de la lingüística
computacional y la teoría de la edición. Desde la perspectiva
lingüística, las herramientas de IA operan basadas en modelos
explícitos (reglas gramaticales, diccionarios) o implícitos (redes
neuronales entrenadas) del lenguaje, los cuales constituyen un
marco teórico computacional de la gramática y el estilo. Por su
parte, la teoría editorial aporta criterios sobre normas estilísticas,
adecuación textual según el género y la audiencia, y consideraciones
semánticas y pragmáticas que deben preservarse en el texto final. El
punto de encuentro de ambos es la noción de calidad textual, que
abarca la corrección lingüística objetiva y la efectividad
comunicativa subjetiva. Un aporte teórico importante en este sentido
es el trabajo de Haro Calero & Yépez Pullopaxi (2023), quienes en
el contexto de la enseñanza de idiomas enfatizan la necesidad de
enfoques innovadores y holísticos para mejorar la efectividad del
proceso comunicativo. Trasladado al ámbito editorial, esto refuerza
la idea de que la adopción de herramientas de IA debe integrarse
dentro de un enfoque amplio de mejora de la calidad, donde se
articulen la tecnología y la experticia humana para lograr textos no
solo libres de errores, sino también bien construidos y pertinentes
para su propósito comunicativo.
Otro aspecto teórico relevante es la gestión del cambio en los flujos
de trabajo editoriales. La introducción de IA requiere ajustar
procesos y roles, lo que se puede analizar con modelos de adopción
tecnológica. De acuerdo con Salas & Moreno (2021), el éxito en la
implementación de IA en una editorial depende tanto de las
capacidades técnicas de las herramientas como de la adecuada
integración en los procesos existentes y de la capacitación del
personal editorial para aprovecharlas eficazmente. Es decir, se
necesita un marco metodológico que guíe cómo y cuándo intervenir
con la herramienta automatizada y cómo resolver las divergencias
entre las sugerencias de la IA y el criterio humano. La curva de
aprendizaje y la aceptación por parte de editores y autores son
factores teóricos-prácticos a considerar: la resistencia al cambio
puede mitigarse mostrando evidencia de los beneficios y
manteniendo al editor en control del resultado final. Se sustenta esta
investigación combina la visión de una colaboración estrecha entre
humanos y máquinas en la tarea de corrección, con principios de
aseguramiento de la calidad editorial. Este marco anticipa que la
mejor implementación de la IA no es la que opera de forma aislada,
sino la que se integra de manera transparente en la labor del editor,
potenciando sus capacidades.
El presente estudio adopta un enfoque cuantitativo, sustentado en el
paradigma postpositivista, al buscar medir de manera objetiva el
impacto de la integración de herramientas de inteligencia artificial
en los procesos de corrección editorial. Desde esta perspectiva, se
parte de la premisa de que los fenómenos educativos y editoriales
pueden ser analizados mediante indicadores observables y
comparables, reconociendo al mismo tiempo la influencia del
contexto institucional en los resultados.
El diseño metodológico corresponde a un estudio cuasi-
experimental de tipo comparativo, basado en la contrastación de
indicadores de desempeño editorial antes y después de la
implementación de herramientas de inteligencia artificial en YOL
Editorial. Este diseño resulta pertinente en contextos reales de
producción editorial, donde no es posible la asignación aleatoria
estricta de los procesos, pero sí la comparación sistemática de
escenarios temporales equivalentes.
La temporalidad del estudio se sitúa en el año 2023, periodo en el
cual YOL Editorial consolidó la integración de herramientas de
corrección asistida por inteligencia artificial, tomando como
referencia comparativa el año 2022, en el que los procesos de
corrección se realizaban de manera predominantemente manual.
La investigación se desarrolló en YOL Editorial, empresa
ecuatoriana dedicada a la publicación de libros académicos, técnicos
y educativos. La unidad de análisis estuvo constituida por los
proyectos editoriales finalizados, específicamente libros sometidos a
procesos completos de corrección de estilo, corrección gramatical y
revisión final. Se analizaron un total de 60 proyectos editoriales,
distribuidos en dos grupos comparables:
Grupo A (2022): 30 proyectos corregidos mediante
procedimientos tradicionales sin apoyo sistemático de
inteligencia artificial.
Grupo B (2023): 30 proyectos corregidos con apoyo de
herramientas de inteligencia artificial, principalmente ChatGPT,
LanguageTool y Canva, integradas al flujo editorial.
La selección de los proyectos consideró criterios de homogeneidad
en cuanto a extensión promedio, complejidad lingüística y tipología
textual, con el fin de garantizar la comparabilidad entre ambos
grupos.
La recolección de datos se realizó mediante análisis documental y
registros administrativos propios de YOL Editorial. Se emplearon
bitácoras de corrección para registrar los tiempos invertidos en cada
proyecto, así como listas de verificación para identificar y
contabilizar los errores detectados durante la revisión final.
Página 25
Variable
Indicador
Unidad de medida
Instrumento
Implementación de IA
Uso de herramientas de
IA
Categórica (sí/no)
Registro editorial
Eficiencia
Tiempo de corrección
Minutos/1.000 palabras
Bitácora de corrección
Calidad
Errores detectados
Porcentaje (%)
Revisión final
independiente
Productividad
Proyectos mensuales
Número de proyectos
Registro de producción
International Journal of Research and Innovations 1(1) 2025
Fuente: Elaboración propia
Se realizó un análisis descriptivo mediante el cálculo de medias y
porcentajes para cada indicador. Posteriormente, se aplicaron
pruebas t de Student para muestras independientes, con un nivel de
significación del 95%, con el objetivo de identificar diferencias
estadísticamente significativas entre los dos escenarios analizados.
Asimismo, se estimó la magnitud del cambio porcentual en cada
indicador para evaluar la relevancia práctica de los resultados.
Página 26
Tabla 1
Operacionalización de variables
Adicionalmente, se utilizaron reportes internos de producción
editorial para calcular la productividad mensual de los correctores.
Las herramientas de inteligencia artificial utilizadas cumplieron
funciones diferenciadas: LanguageTool se empleó para la detección
automatizada de errores gramaticales y ortográficos; ChatGPT se
utilizó como asistente para la reformulación de enunciados
complejos y mejora de la coherencia textual; y Canva se integró en
la fase de maquetación y revisión visual para facilitar la
comunicación de correcciones a los autores.
El procedimiento metodológico se estructuró de manera secuencial y
comparativa, permitiendo analizar con rigor el impacto de la
integración de herramientas de inteligencia artificial en los procesos
de corrección editorial de YOL Editorial. En una primera etapa,
correspondiente al año 2022, se realizó la recolección y
sistematización de los datos base asociados a los procesos de
corrección manual, a partir de registros internos, bitácoras de trabajo
y reportes de producción editorial. Esta fase permitió establecer una
línea de referencia objetiva en términos de tiempo de corrección,
tasa de detección de errores y productividad, garantizando un punto
de partida empírico para la comparación posterior. La
sistematización de estos indicadores posibilitó la estandarización de
criterios de medición y la depuración de posibles inconsistencias en
los registros, fortaleciendo la validez del análisis comparativo.
Posteriormente, a inicios de 2023, se procedió a la implementación
progresiva de herramientas de inteligencia artificial en el flujo
editorial, acompañada de un proceso de capacitación dirigido al
equipo de correctores y editores. Esta etapa implicó la adaptación de
los procedimientos tradicionales de corrección, incorporando de
forma estructurada el uso de herramientas como ChatGPT,
LanguageTool y Canva, y definiendo protocolos internos para su
aplicación en distintas fases del proceso editorial. Una vez
consolidado el nuevo modelo de corrección asistida por IA, se
aplicó de manera sistemática en los proyectos seleccionados durante
2023. Finalmente, se llevó a cabo la comparación de los indicadores
obtenidos en ambos periodos mediante análisis estadístico
descriptivo e inferencial, lo que permitió identificar diferencias
significativas atribuibles a la intervención tecnológica y evaluar su
relevancia práctica en términos de eficiencia y calidad editorial.
Resultados y Discusión
Figura 1
Evolución de indicadores editoriales
Fuente: Elaboración propia
Figura 2
Reducción del tiempo de corrección
Fuente: Elaboración propia
Los resultados del estudio muestran mejoras notables en los
indicadores de eficiencia y calidad tras la integración de
herramientas de IA en YOL Editorial. La Tabla 3 resume los
principales hallazgos cuantitativos comparando el escenario
tradicional (2022, corrección manual) con el escenario tecnológico
(2023, corrección asistida por IA). Como se observa en la Tabla 3,
el tiempo promedio de corrección se redujo drásticamente de 60 a
36 minutos por cada 1.000 palabras, lo que equivale a una
disminución del 40% en el tiempo requerido. Esta diferencia fue
estadísticamente significativa (p < 0,01) y coincide con las
expectativas planteadas por estudios previos sobre eficiencia de la
IA, que señalaban mejoras del orden de 30–40% en velocidad de
revisión.
Grupo
Pretest
M (DE)
Posttest
M (DE)
Gananci
a M (DE)
TPACK
M (DE)
Engagem
ent M
(DE)
n
Control
(tradicion
al)
60.96
(9.44)
65.30
(11.75)
4.34
(6.21)
3.52
(0.38)
3.39
(0.67)
60
Experime
ntal
(TPACK)
60.46
(9.08)
71.01
(11.42)
10.55
(5.98)
4.09
(0.42)
4.06
(0.49)
60
El conocimiento tecnológico (TK) se integró mediante el uso
intencional de recursos digitales tales como plataformas de gestión
del aprendizaje (LMS), materiales audiovisuales interactivos,
herramientas para la práctica oral, actividades colaborativas en línea
y analítica básica de desempeño. La intersección TPACK se
evidenció en la selección deliberada de cada recurso tecnológico en
función de su valor pedagógico y su alineación con los objetivos
lingüísticos, evitando un uso instrumental o meramente accesorio de
la tecnología. En contraste, el grupo control desarrolló el proceso de
enseñanza-aprendizaje mediante una secuencia tradicional, basada
en recursos convencionales y con un uso tecnológico limitado y no
sistemático, como presentaciones o audios, sin una integración
explícita entre tecnología, pedagogía y contenido.
El análisis de datos se estructuró en tres niveles. En primer lugar, se
realizó un análisis descriptivo que incluyó el cálculo de medias,
desviaciones estándar y tamaños muestrales para las variables de
pretest, posttest, ganancia de aprendizaje, TPACK percibido y
engagement, diferenciadas por grupo. Asimismo, se efectuó una
inspección gráfica de la distribución de la ganancia mediante
histogramas, con el objetivo de verificar supuestos de normalidad.
En segundo lugar, se procedió al contraste de hipótesis, utilizando
pruebas t para muestras independientes para comparar los resultados
entre el grupo experimental y el grupo control. De manera
alternativa, se contempló el uso de ANCOVA, considerando el
posttest como variable dependiente y el pretest como covariable, en
función de las exigencias metodológicas de la revista de destino.
Para analizar la relación entre el nivel de TPACK percibido y la
ganancia de aprendizaje, se aplicaron correlaciones de Pearson o
Spearman, según la distribución de los datos, así como modelos de
regresión lineal simple con la ganancia como variable criterio.
Finalmente, se estimó el tamaño del efecto de la intervención
mediante el estadístico Cohen’s d para las comparaciones entre
grupos, y el coeficiente de determinación R² en los modelos de
regresión, permitiendo valorar no solo la significación estadística,
sino también la magnitud y relevancia práctica de los resultados
obtenidos.
International Journal of Research and Innovations 1(1) 2025
Resultados y Discusión
Tabla 2
Estadísticos descriptivos por grupo
Fuente: Elaboración propia
Interpretación: Ambos grupos inician con medias similares en
pretest; el grupo TPACK presenta mayor incremento y mayor
TPACK percibido y engagement.
Figura 3
Comparación de resultados pretest y postest en inglés por grupo
Fuente: Elaboración propia
Figura 4
Distribución de la ganancia de aprendizaje en inglés por grupo
Fuente: Elaboración propia
Fuente: Elaboración propia
Figura 5
Relación entre el nivel de TPACK percibido y la ganancia de
aprendizaje en inglés
A pesar de los avances y casos de éxito, la implementación
generalizada de TPACK en la educación secundaria y superior
afronta múltiples desafíos. Uno de los obstáculos más citados es la
falta de formación específica y desarrollo profesional continuo
enfocado en TPACK para profesores de idiomas. Incluso en países
que han invertido en infraestructuras tecnológicas para escuelas,
muchos docentes reportan no haber recibido la capacitación
necesaria para integrar esas herramientas en la enseñanza del inglés.
Por ejemplo, en China, tras una ambiciosa iniciativa gubernamental
de informatización educativa, se observó que los profesores de
inglés de zonas urbanas y rurales aún mostraban grandes brechas en
Página 27
Indicador
2022 (Corrección
manual)
2023 (Corrección
asistida)
Mejora
Tiempo promedio
de corrección
(minutos por 1.000
palabras)
60 minutos
36 minutos
↓ 40% (reducción)
Tasa de detección
de errores (% de
errores corregidos)
85%
95%
↑ 10 puntos
Proyectos
completados por
mes (promedio por
corrector)
2
3
↑ 50%
International Journal of Research and Innovations 1(1) 2025
Del mismo modo, ChatGPT aportó sugerencias valiosas para
reestructurar oraciones confusas, eliminando construcciones que
podían dar lugar a ambigüedades o dificultades de comprensión. Si
bien un 95% de errores corregidos sugiere un nivel muy alto de
calidad técnica en el texto final, cabe señalar que el 5% restante de
errores no detectados generalmente correspondió a matices sutiles
(por ejemplo, uso inadecuado de tono en contextos muy específicos,
giros coloquiales intencionales que la IA marcaba pero el editor
decidió preservar, o referencias cruzadas que escapaban al análisis
automático). Esto pone de manifiesto que, si bien la IA elevó el
techo de la corrección en aspectos medibles, aún hubo necesidad del
juicio humano para garantizar la pertinencia de ciertas correcciones.
Al analizar más detalladamente los datos, se encontró también que
la variabilidad en la calidad de las correcciones disminuyó en el
escenario con IA. En 2022, la calidad de la corrección podía fluctuar
entre correctores distintos o incluso para un mismo corrector en
diferentes momentos, debido a factores humanos como el cansancio
o las interpretaciones personales de las normas.
En 2023, con la asistencia de IA, la desviación estándar de la tasa de
errores no detectados entre proyectos se redujo, lo que sugiere
mayor consistencia en la aplicación de los criterios de corrección.
Este hallazgo concuerda con lo señalado por González et al. (2021)
acerca de la estandarización que aportan las herramientas
automáticas. Adicionalmente, las observaciones cualitativas
indicaron que la comunicación entre editores y autores mejoró en
ciertos aspectos: el uso de Canva para mostrar las correcciones en
pruebas visuales facilitó que los autores entendieran y aceptaran más
rápidamente los cambios propuestos, reduciendo el número de
rondas de revisión necesarias. Martínez y Pérez (2023) destacan
beneficios similares al afirmar que la incorporación de
representaciones visuales en la corrección editorial permite una
retroalimentación más clara y concisa, mejorando la calidad del
producto final (Martínez & Pérez, 2023). En el caso de YOL
Editorial, esta práctica contribuyó a acortar el ciclo de corrección y a
aumentar la satisfacción de los autores con el proceso.
Los resultados obtenidos evidencian que las herramientas de
inteligencia artificial pueden potenciar de forma significativa el
proceso de corrección editorial, pero también subrayan la
importancia de mantener un equilibrio adecuado entre la
automatización y la intervención humana. En cuanto a los
beneficios, el estudio confirmó con datos concretos tendencias que
ya se vislumbraban en la literatura: la IA permite ahorrar tiempo y
aumentar la productividad sin degradar la calidad, e incluso
mejorándola en términos de detección de errores objetivos. Este
aumento de eficiencia tiene implicaciones prácticas muy positivas
para editoriales como YOL, que operan con calendarios de
publicación exigentes; poder reducir en torno a un tercio o más el
tiempo de corrección por manuscrito se traduce en la posibilidad de
manejar más títulos al año o de dedicar recursos adicionales a otras
etapas del proceso editorial (por ejemplo, una revisión de contenido
más profunda o mejoras en diseño y marketing). Asimismo, la
mejora en la homogeneidad de las correcciones y en la legibilidad
de los textos finales sugiere que las herramientas de IA contribuyen
a elevar el estándar de calidad, reforzando la reputación de la
editorial y la satisfacción de sus lectores.
Página 28
Figura 3
Indicadores editoriales y cambios porcentual
Fuente: Elaboración propia
Tabla 3
Comparación de indicadores de corrección editorial antes y
después de la adopción de IA en YOL Editorial
Fuente: Elaboración propia
Los resultados del estudio muestran mejoras notables en los
indicadores de eficiencia y calidad tras la integración de
herramientas de IA en YOL Editorial. La Tabla 3 resume los
principales hallazgos cuantitativos comparando el escenario
tradicional (2022, corrección manual) con el escenario tecnológico
(2023, corrección asistida por IA).
En términos prácticos, esta reducción en tiempo ha permitido que
los editores de YOL gestionen plazos de entrega más ajustados y
aumenten su capacidad productiva. De hecho, el número de
proyectos completados por mes por cada corrector aumentó de un
promedio de 2 proyectos en 2022 a 3 proyectos en 2023, lo que
representa un incremento del 50% en productividad. Este aumento
sustancial refleja cómo la automatización de las tareas rutinarias de
corrección libera tiempo para que los profesionales aborden más
proyectos o dediquen mayor atención a aspectos de mayor nivel (p.
ejemplo, análisis de contenido, trabajo con autores).
Por otra parte, la tasa de detección de errores mostró una mejora del
orden de 10 puntos porcentuales, pasando de corregirse
aproximadamente el 85% de los errores a un 95%. Esto indica que
con las herramientas de IA se identifican y corrigen más fallos que
con la revisión manual exclusivamente. En la práctica, se halló que
LanguageTool resultó especialmente eficaz detectando errores
tipográficos, concordancias gramaticales y puntuación que
ocasionalmente eran pasados por alto en la corrección tradicional.
International Journal of Research and Innovations 1(1) 2025
Estos hallazgos están en línea con lo reportado por Pérez et al.
(2020) respecto a que la corrección automatizada ha permitido
ofrecer productos de mayor calidad en menos tiempo. Ahora bien,
un análisis crítico de la implementación de IA en YOL Editorial
revela varios desafíos y consideraciones importantes. En primer
lugar, aunque ChatGPT proporcionó sugerencias estilísticas
valiosas, los correctores identificaron casos donde las
recomendaciones automáticas no eran adecuadas al contexto o al
estilo deseado por el autor. Por ejemplo, en textos literarios o
creativos, la IA tendía a “normalizar” la voz narrativa, proponiendo
cambios que harían el texto más convencional pero posiblemente
menos expresivo o auténtico. Esto refuerza la idea de que la IA, al
basarse en patrones generales, puede incurrir en una excesiva
estandarización del lenguaje. Si los editores siguieran ciegamente
todas las sugerencias de la máquina, existe el riesgo de perder
matices y uniformar la prosa, lo cual sería contraproducente para
géneros que buscan una voz propia o innovadora. En el material
analizado no se detectó ningún caso en que se hayan introducido
errores nuevos por seguir una recomendación de la IA, pero sí hubo
ajustes rechazados por el editor humano porque alteraban el matiz
intencional de una frase. Este hallazgo enfatiza la necesidad de
mantener un rol central del corrector como árbitro final de las
decisiones, utilizando la IA como asistente y no como autoridad
absoluta.
Otro desafío notable es la comprensión del contexto y contenido
especializado. Aunque LanguageTool y ChatGPT manejan bien la
gramática general, en textos altamente especializados (por ejemplo,
en el corpus analizado había algunos capítulos de libros técnicos y
jurídicos), las herramientas mostraron limitaciones para entender
términos técnicos o construcciones muy específicas. Hubo instancias
donde la IA marcó como potencial error un término correcto pero
poco común (falso positivo), o no sugirió una corrección para un uso
inadecuado de jerga técnica (falso negativo), porque carecía de
suficiente información contextual. En tales situaciones, la
experiencia del corrector humano en el tema fue indispensable. Esto
sugiere que, si bien la IA amplía el alcance de la revisión, aún
requiere complementar sus algoritmos con bases de conocimiento
más especializadas o adaptar sus modelos a dominios particulares
para ser verdaderamente omnipresente en cualquier tipo de texto. La
investigación futura podría profundizar en cómo entrenar modelos
de lenguaje con datos especializados para cerrar esta brecha.
Desde la perspectiva de la gestión editorial, la adopción de estas
herramientas implicó un proceso de adaptación interno. Los
correctores de YOL Editorial reportaron una curva de aprendizaje
inicialmente pronunciada al integrar las nuevas herramientas en su
flujo de trabajo, pero con una mejora progresiva de la confianza y
habilidad en su uso tras algunos meses. Se observó que definir
protocolos claros sobre cuándo y cómo usar cada herramienta fue
útil para sistematizar el proceso: por ejemplo, usar LanguageTool en
una primera pasada rápida para limpiar errores básicos, luego
emplear ChatGPT en pasajes que requirieran reescritura o
verificación de coherencia, y finalmente usar Canva para la
comunicación de cambios al autor. Esta secuencia permitió
aprovechar lo mejor de cada sistema en la etapa correspondiente.
Coincidimos con Salas & Moreno (2021) en que la capacitación del
equipo y la integración fluida en los flujos existentes son factores
críticos para el éxito. En el caso de YOL, el apoyo de la gerencia
editorial para brindar talleres de formación y la creación de una guía
interna de uso de IA fueron determinantes para que el personal
adoptara con confianza la tecnología.
Un hallazgo interesante de corte más cualitativo fue la percepción de
los autores acerca del proceso de corrección. Algunos autores, al ser
informados de que se empleaban herramientas de IA en la revisión
de sus textos, expresaron curiosidad e incluso cierto recelo inicial,
asociado al temor de que una “máquina” alterara su estilo personal.
Sin embargo, tras ver las correcciones propuestas (presentadas
mediante Canva y validadas por el editor humano), la mayoría
mostró aceptación y destacó la claridad con que se explicaban los
cambios. Esto indica que, con la debida transparencia y
comunicación, la implementación de IA en la corrección puede ser
bien recibida por los creadores de contenido, quienes en definitiva
valoran la mejora en la calidad siempre que se respeten sus
decisiones finales sobre el texto. Es un aspecto que las editoriales
deben manejar con tacto: la IA debe presentarse como parte del
proceso profesional estándar, controlada por expertos, y no como un
reemplazo impersonal de la labor editorial.
Finalmente, es relevante situar estos resultados en el panorama más
amplio de la industria editorial. La experiencia de YOL Editorial
ejemplifica una tendencia que seguramente se extenderá a otras
editoriales de tamaño mediano que buscan aumentar su
competitividad mediante la tecnología. Los estándares de calidad
editorial podrían elevarse globalmente si la IA se emplea éticamente
y con conocimiento de sus límites. No obstante, surgen también
preguntas sobre el futuro del trabajo editorial: las competencias que
deberán desarrollar los nuevos correctores (probablemente más
orientadas a la gestión de herramientas digitales y al análisis crítico
que a la detección manual de erratas), y las implicaciones en la
formación de profesionales de la edición. Es probable que veamos
una evolución del perfil del corrector hacia un experto en contenido
asistido por IA, capaz de configurar y entrenar sistemas, interpretar
sus resultados y dedicarse a las decisiones editoriales de alto nivel.
En términos teóricos, esto refleja el paso de un modelo de
corrección artesanal a uno post-digital, donde la inteligencia
artificial forma parte intrínseca del proceso creativo-editorial.
Página 29
Conclusiones
La integración de la inteligencia artificial en la corrección de textos
se perfila como uno de los desarrollos más influyentes en la
industria editorial contemporánea. El presente estudio, centrado en
la experiencia de YOL Editorial, demuestra que las herramientas de
IA –como ChatGPT, Canva y LanguageTool– pueden mejorar
significativamente la eficiencia y mantener e incluso elevar la
calidad de las publicaciones. En particular, la adopción de sistemas
de corrección asistida permitió reducir los tiempos de revisión
aproximadamente en un 40% y aumentar la detección de errores en
textos en español, contribuyendo a productos finales más pulidos y
consistentes. Estos resultados cuantitativos validan muchas de las
afirmaciones positivas que se habían expuesto teóricamente sobre la
Ruiz, J., Martínez, A., & Pérez, L. (2021). Impacto de la IA en la
eficiencia editorial. Journal of Publishing Technology, 9(3), 67-80.
Salas, P., & Moreno, D. (2021). La implementación de IA en la
corrección editorial. Revista de Innovación Editorial, 8(1), 78-90.
Sahu, S., Vishwakarma, Y. K., Kori, J., & Thakur, J. S. (2020).
Evaluating Performance of Different Grammar Checking Tools.
International Journal of Advanced Trends in Computer Science and
Engineering, 9(2), 2227-2233
Conflictos de interés
El/los autor/es declara/an no tener conflictos de interés.
Declaración de financiamiento
El/los autor/es declara/an que el estudio fue autofinanciado.
Contribuciones de los autores
Gissela Yepez: Conceptualización, curación de datos, análisis
formal, investigación.
Ricardo Haro: Metodología, supervisión, validación.
Isleidy Alvarez: Visualización, redacción del manuscrito original
Cesar Parra: Revisión, edición y corrección.
Declaración de disponibilidad de datos
Los conjuntos de datos utilizados y/o analizados durante el presente
estudio están disponibles a solicitud del autor principal del estudio.
Declaración sobre el uso de IA
La autora reconoce el uso de IA generativa y tecnologías asistidas
por IA para mejorar la legibilidad y la claridad del artículo.
Descargo de responsabilidad
Las declaraciones, opiniones y datos contenidos en todas las
publicaciones son responsabilidad exclusiva de los autores y
colaboradores individuales y no de la Revista de Derecho y Estudios
Epistémicos. La revista International Journal of Research and
Innovations y/o sus editores declinan toda responsabilidad por
cualquier daño a personas o bienes que resulte de las ideas, métodos,
instrucciones o productos mencionados en el contenido.
International Journal of Research and Innovations 1(1) 2025
Referencias Bibliográficas
Página 30
IA editorial: su capacidad para agilizar procesos, estandarizar
criterios básicos y ampliar el soporte al corrector humano.
Sin embargo, también se evidenció que la IA no es una solución
mágica que reemplace la pericia humana. Persisten desafíos clave,
como la necesidad de supervisión humana constante para asegurar
que las sugerencias de la máquina se adecúen al contexto
comunicativo y al estilo deseado, la limitación de las herramientas
ante matices culturales o contenido altamente especializado, y el
riesgo de dependencia excesiva que podría homogeneizar en exceso
los textos. Abordar estos desafíos requerirá una estrategia
deliberada: inversión en capacitación continua de los editores,
desarrollo de herramientas más sensibles al contexto (por ejemplo,
mediante IA entrenada en dominios específicos o con conciencia
cultural y de estilo), y la formulación de buenas prácticas éticas para
el uso de IA en la edición.
González, M., López, R., & Pérez, J. (2021). Las herramientas de IA
en la corrección de textos. Revista de Tecnología y Educación,
15(3), 45-60.
González, M., López, R., & Pérez, J. (2023). Automatización de la
corrección de textos con ChatGPT. Journal of Artificial Intelligence
in Publishing, 11(1), 56-70.
Haro Calero, R. D., & Yépez Pullopaxi, G. C. (2023). Didáctica de
la enseñanza de una segunda lengua: Un enfoque innovador para el
inglés. Conrado, 19(93), 582–590.
https://conrado.ucf.edu.cu/index.php/conrado/article/view/3094
Haro, R. D., & Yépez Pullopaxi, G. C. (2024). Enseñanza y
aprendizaje del inglés como segunda lengua en los estudiantes de
Metropolitan Languages School; consideraciones desde la
perspectiva ecolingüística [Data set]. Revista Conrado, 4(5).
Zenodo. https://doi.org/10.5281/zenodo.17343715
López, R., Martínez, A., & Pérez, L. (2022). Uso de Canva en la
corrección editorial. Revista de Diseño y Comunicación, 14(2), 34-
50.
Martínez, A., & Pérez, L. (2022). Eficiencia en la corrección de
textos mediante IA. Journal of Editorial Practices, 10(2), 123-135.
Martínez, A., & Pérez, L. (2023). Representaciones visuales en la
corrección editorial. Journal of Editorial Practices, 11(1), 140-155.
Pérez, Í., McClain, S. K., Farrah, A. F., Rosado, N., Trigos, L.,
Robles, H., & Campo, Ó. (2024). Aplicaciones de inteligencia
artificial en la escritura y la corrección académicas en la
universidad: Una revisión sistemática. Íkala: Revista de Lenguaje y
Cultura, 30(1), 1–37. 117–130.
Sahu, S., Vishwakarma, Y. K., Kori, J., & Thakur, J. S. (2020).
Evaluating performance of different grammar checking tools.
International Journal of Advanced Trends in Computer Science and
Engineering, 9(2), 2227–2233.
https://doi.org/10.30534/ijatcse/2020/201922020
Fritzner, J., Sierra Vergara, G. I., & Córdova Campos, N. D. (2024).
Transformación en la enseñanza del inglés: El impacto
revolucionario de la inteligencia artificial en el aprendizaje y la
praxis pedagógica. Ciencia Latina Revista Científica
Multidisciplinar, 9(3). 117–130.
