La inteligencia artificial está pasando de ser una herramienta auxiliar a convertirse en una parte integral de la infraestructura científica. Tareas que antes requerían grandes equipos interdisciplinarios, como la revisión de literatura, el diseño experimental y la construcción de modelos, ahora pueden ser manejadas por grupos más pequeños equipados con buen juicio y sistemas de IA efectivos. La cuestión ya no es si la IA aumentará la producción científica, sino cómo remodelará las preguntas que los científicos eligen investigar.
El impacto cuantitativo de la IA en la ciencia
Un estudio de 2026 publicado en Nature utilizó un modelo de lenguaje preentrenado para identificar investigaciones aumentadas por IA en 41 millones de artículos de ciencias naturales (Q. Hao et al. Nature 649, 1237–1243; 2026). Los hallazgos revelan que los científicos que emplearon IA publicaron tres veces más artículos y recibieron casi cinco veces más citas que aquellos que no la usaron. Sin embargo, el uso de IA también se asoció con una reducción del 5% en el rango de temas estudiados y una caída del 22% en la colaboración.
La paradoja de la eficiencia
Así, la IA podría facilitar la investigación científica al tiempo que reduce la diversidad de preguntas y estilos de razonamiento que se persiguen colectivamente. Esta tensión es evidente en el trabajo interdisciplinario del autor, que abarca diseño de algoritmos, análisis de datos biológicos y estudios clínicos. Por ejemplo, décadas de investigación cuidadosa no han resuelto si la depresión es un solo trastorno o una colección de condiciones con síntomas similares. Esto se debe, en parte, a que el problema requiere traducción entre dominios dispares: evaluación de síntomas clínicos, procesamiento de imágenes cerebrales, diseño de algoritmos y validación clínica. Convencionalmente, cada paso depende de diferentes expertos, y el progreso a menudo se ralentiza en las transiciones entre disciplinas.
La IA como puente y como riesgo
La IA puede hacer que esta cadena sea menos fragmentada al ayudar a los investigadores a leer artículos fuera de su campo, comparar opciones metodológicas y traducir patrones estadísticos a términos clínicos. Sin embargo, ese beneficio también conlleva un riesgo. Una vez que la cadena se vuelve fácil de automatizar, puede convertirse en una plantilla para alimentar ‘fábricas de artículos’: una herramienta de IA puede pilotear una búsqueda bibliográfica, identificar asociaciones significativas y finalmente escribir un manuscrito pulido. En lugar de investigar a fondo una pregunta, los investigadores (o sistemas automatizados) pueden ejecutar el mismo proceso en diversos conjuntos de datos o temas y producir resultados publicables de manera confiable. En efecto, esto permite industrializar la investigación: producir muchos estudios con métodos similares y conclusiones similares.
Lo que se pierde
Lo que se pierde es el trabajo más lento y crítico de cuestionar supuestos, explorar explicaciones alternativas y preguntarse si la pregunta original está bien formulada. La adopción acrítica de la IA en la ciencia es alarmante; necesitamos urgentemente barreras de protección.
Otros artículos relacionados:
- IA y colaboración científica: riesgos y oportunidades
- Cómo la IA está transformando la investigación biomédica
- El futuro de la ciencia automatizada: ética y gobernanza
