Esta investigación investiga la posible aplicación de modelos de lenguaje generativos, especialmente ChatGPT, en el análisis de seguridad en la aviación como un medio para mejorar la eficiencia de los análisis de seguridad y acelerar el tiempo que se tarda en procesar los informes de incidentes. En particular, se utilizó ChatGPT para generar sinopsis de incidentes a partir de narrativas, que fueron comparadas posteriormente con sinopsis de verdad objetiva del conjunto de datos del Sistema de Reporte de Seguridad en la Aviación (ASRS). La comparación se facilitó utilizando incrustaciones de Modelos de Lenguaje Grande (LLMs), siendo aeroBERT el que demostró la mayor similitud debido a su ajuste fino específico para la aeronáutica. Se observó una correlación positiva entre la longitud de la sinopsis y su similitud coseno. En una fase posterior, se compararon los problemas de factores humanos involucrados en los incidentes, tal como los identificó ChatGPT, con los problemas de factores humanos identificados por analistas de seguridad. Se encontró que la precisión era de 0.61, con ChatGPT demostrando un enfoque cauteloso hacia la atribución de problemas de factores humanos. Finalmente, se utilizó el modelo para llevar a cabo una evaluación de responsabilidad. Como no existía una columna de verdad objetiva dedicada para esta tarea, se realizó una evaluación manual para comparar la calidad de los resultados proporcionados por ChatGPT con las verdades objetivas proporcionadas por los analistas de seguridad. Este estudio discute las ventajas y desventajas de los modelos de lenguaje generativos en el contexto del análisis de seguridad en la aviación y propone un sistema de humano en el circuito para garantizar la utilización responsable y efectiva de tales modelos, lo que lleva a una mejora continua y fomenta un enfoque colaborativo en el ámbito de la seguridad en la aviación.