Inteligencia artificial
IA en la investigación científica: Ganancias de productividad contra Riesgos de calidad
Añade Securities.io a tus fuentes preferidas en Google
IA como asistente de investigación
La IA está revolucionando numerosos campos científicos, pues permite procesar datos y modelar materiales y situaciones del mundo real de maneras que ni siquiera los superordenadores más potentes podían lograr hace apenas unos años.
Entre los ejemplos recientes se encuentran distintas formas de IA utilizadas para:
- Encontrar nuevos materiales para reactores de fusión nuclear.
- Restaurar la claridad de las imágenes del telescopio espacial.
- Optimizar los procesos de impresión 3D de metal.
- Descubrir nuevos materiales para células solares, electrocatalizadores de hidrógeno, materiales superduros, polímeros y electrolitos de estado sólido.
Estas aplicaciones suelen depender de modelos de IA muy especializados, entrenados con precisión para examinar una clase concreta de cristal o procesar un conjunto singular de imágenes.
Sin embargo, cuando hablamos de IA, el público en general suele pensar en los LLMs (Modelos de Lenguaje a Gran Escala) generalistas. Actualmente se utilizan principalmente para redactar y mejorar textos, así como para realizar consultas avanzadas y legibles en comparación con los motores de búsqueda tradicionales.
En teoría, esto debería aplicarse no solo a los ensayos de los estudiantes, la poesía de mala calidad y las presentaciones de PowerPoint, sino también a la investigación científica y los artículos publicados.
Sin embargo, esto puede ser una espada de doble filo, como se explica en un análisis reciente publicado en la prestigiosa revista científica Science1, titulado “Producción científica en la era de los grandes modelos de lenguaje”.
En este análisis, investigadores de la Universidad de California y la Universidad de Cornell compararon la producción de científicos que utilizan LLM con sus trabajos anteriores. Descubrieron que, aunque los LLM pueden mejorar la calidad de los artículos científicos, también generan un mayor volumen de investigación de baja calidad y agravan problemas ya existentes en el ámbito académico.
Resumen
La IA está transformando rápidamente la investigación científica al acelerar la redacción, los descubrimientos y la productividad. Sin embargo, esas mismas herramientas amenazan con inundar el mundo académico de investigaciones de menor calidad y cuestionan los sistemas tradicionales de evaluación y revisión por pares.
Detección del uso de IA en artículos de investigación científica
El primer reto consiste en determinar hasta qué punto se utilizan los LLM en la redacción científica y quiénes los emplean.
Como era de esperar, no es un dato que los investigadores admitan espontáneamente, pues las herramientas siguen siendo nuevas y pueden cometer errores, en especial con datos técnicos o temas muy especializados.
Los investigadores recopilaron más de dos millones de artículos de grandes bases de datos científicas como arXiv, bioRxiv y Social Science Research Network (SSRN), publicados entre enero de 2018 y junio de 2024.
Después compararon los artículos publicados antes de 2023, presumiblemente escritos por humanos, con textos generados por IA.
Con esos datos desarrollaron un modelo para detectar el uso de IA. La herramienta les permitió estimar con una precisión razonable qué científicos empleaban LLM y cuándo habían comenzado. Luego siguieron el volumen de publicaciones de esos investigadores antes y después de adoptar las herramientas, y comprobaron si sus artículos eran aceptados posteriormente por revistas científicas.
Impacto de la IA en la investigación científica
Desliza para desplazarte →
| Área de impacto de la IA | Efecto positivo | Riesgo |
|---|---|---|
| Redacción de artículos | Mayor claridad y velocidad | Mayor volumen de producción de baja calidad |
| Descubrimiento bibliográfico | Mayor exposición a investigaciones más recientes y novedosas | Sesgo hacia trabajos recientes o no citados |
| Carreras académicas | Métricas de mayor productividad | Las métricas se desacoplan de la habilidad real |
Mayor productividad
La primera conclusión es que el uso de LLM aumenta la productividad de los científicos, al menos cuando se mide por el número de publicaciones.
En arXiv, los científicos identificados como usuarios de LLMs publicaron aproximadamente un tercio más de artículos que aquellos que no parecían usar IA. En bioRxiv y SSRN, el aumento superó el 50%.
Dado que la cultura de «publicar o perecer» determina la trayectoria profesional de la mayoría de los científicos, este aumento del volumen tiene consecuencias importantes para sus carreras.
Otra observación es que el incremento fue mayor entre los científicos que se presume no son hablantes nativos de inglés.
Por ejemplo, los investigadores afiliados a instituciones asiáticas publicaron entre un 43,0 % y un 89,3 % más de artículos después de que el detector sugiriera que comenzaron a usar LLMs.
Es lógico: muchos científicos poseen una gran capacidad técnica y pueden leer en inglés, requisito indispensable en la academia moderna, pero quizá tengan dificultades para construir frases claras y elegantes en una segunda lengua.
El uso generalizado de LLM podría equilibrar las condiciones para quienes no son anglófonos nativos y ayudar a que las investigaciones de calidad obtengan reconocimiento internacional con independencia de la fluidez lingüística de sus autores.
Mejor descubrimiento del conocimiento científico
Los LLM también pueden utilizarse para encontrar artículos relevantes sobre un tema concreto mediante herramientas especializadas como Elicit, ResearchRabbit o Scite.
Una parte considerable de la investigación científica consiste en localizar y leer otros trabajos para extraer información o identificar protocolos experimentales que puedan reutilizarse en contextos nuevos.
Por lo general, las IA favorecen los artículos más recientes y conceden menos peso al número de citas que los motores de búsqueda tradicionales. De este modo ofrecen una alternativa a los científicos que buscan ideas nuevas o experimentos menos conocidos.
«Las personas que utilizan LLM acceden a conocimientos más diversos, lo que podría estar impulsando ideas más creativas».
Keigo Kusumegi, estudiante de doctorado en la Universidad de Cornell
Esta hipótesis podría ponerse a prueba en el futuro comprobando si los artículos escritos con ayuda de IA contienen bibliografías más diversas o son más innovadores e interdisciplinarios.
IA como un nuevo problema en la ciencia y la academia
En los últimos años, la investigación científica, especialmente en las ciencias sociales, ha atravesado una crisis de reproducibilidad.
Como otros investigadores no pueden reproducir los resultados de numerosos artículos, algunos estudios que parecen serios pueden contener errores o incluso ser fraudulentos. Esta situación se ha descrito como una «crisis existencial para la ciencia».
Históricamente, la escritura compleja, con oraciones largas y un vocabulario sofisticado, se ha usado como indicador aproximado de una investigación de mayor calidad. Aunque no era infalible, ayudaba a distinguir los trabajos redactados por expertos de los análisis deficientes.
En cambio, actualmente los artículos escritos con ayuda de IA tienen menos probabilidades de ser aceptados por las revistas.
En conjunto, esto amenaza con separar aún más la métrica de «artículos publicados» del talento real de un investigador. Editores y revisores podrían tener dificultades para identificar los trabajos más valiosos, sobre todo a medida que la IA se vuelve más eficiente y semejante al lenguaje humano.
Por último, la IA podría generar volúmenes enormes de contenido basura: artículos de investigación falsos pero aparentemente plausibles. El riesgo no se limita a las redes sociales; representa un problema importante para la investigación científica, donde el tiempo de los revisores ya era un recurso escaso antes de la aparición de los LLM.
Lo que la IA significa para el futuro de la investigación científica
Como la IA es una herramienta, los investigadores deben aprender a utilizarla con eficacia. Prohibir los LLM en los laboratorios es casi imposible, y detectarlos será cada vez más difícil.
La adaptación y el uso productivo de la IA en la escritura científica serán cuestiones decisivas en los próximos años.
«A estas alturas, la pregunta ya no es “¿Has utilizado IA?”, sino “¿Cómo la has utilizado exactamente y te resultó útil?”»
Los procesos de contratación científica podrían beneficiarse de un retorno a criterios cualitativos, como entrevistas en profundidad y pruebas técnicas, en lugar de depender únicamente del volumen de publicaciones.
Del mismo modo, los revisores y las revistas científicas deberán adaptarse. Para frenar la producción masiva de artículos falsos, quizá sea necesario implantar sistemas que verifiquen si un trabajo procede de un laboratorio de investigación legítimo antes de evaluarlo.
En última instancia, la comprensión profunda de los elementos técnicos de un artículo, y no su elegancia lingüística, se convertirá en el principal criterio para juzgar su calidad.
Invertir en innovación de IA
Conclusión para inversores
La productividad investigadora impulsada por IA no se traduce necesariamente en resultados de mayor calidad. Las empresas que faciliten la capacidad de cálculo, la infraestructura y la validación, y no solo la generación de contenido, serán las probables ganadoras a largo plazo. Nvidia (NVDA ) sigue siendo fundamental para esta tesis.
Nvidia
Nvidia pasó de ser una empresa de tarjetas gráficas para jugadores a convertirse en la mayor compañía del mundo gracias a su papel central como proveedor de hardware de IA para todo el sector tecnológico.
Como pionera del hardware dedicado a la IA, Nvidia fue la primera en ayudar a los investigadores a aprovechar estas herramientas. CUDA, la interfaz de programación de propósito general para las GPU de Nvidia, abrió la puerta a aplicaciones ajenas a los videojuegos y preparó el camino para los usos actuales de la IA.
«Los investigadores se dieron cuenta de que podían comprar una tarjeta para videojuegos llamada GeForce, instalarla en su ordenador y disponer, en esencia, de un superordenador personal.
Dinámica molecular, procesamiento sísmico, reconstrucción por tomografía computarizada, procesamiento de imágenes… una enorme variedad de tareas».
Es probable que el hardware de Nvidia, ya sea de forma directa o integrado en las nubes de Microsoft (MSFT ), Google, Meta y OpenAI, siga siendo la opción preferida por los investigadores.
Se espera que la inversión de capital en IA alcance hasta 200.000 millones de dólares en 2025, además del gasto acumulado y creciente de las mayores empresas tecnológicas. Otros componentes electrónicos, como la memoria RAM de alto rendimiento, ya escasean mientras aumenta la producción de chips de Nvidia.
Aunque la investigación científica quizá no represente la mayor parte del cómputo de IA frente a los usos empresariales o de consumo, podría convertirse en su motor de mayor impacto a largo plazo al prometer nuevas aleaciones, medicamentos y metodologías científicas.
Estudio citado
1. Keigo Kusumegi, Xinyu Yang, Paul Ginsparg, Mathijs de Vaan, Toby Stuart y Yian Yin. Producción científica en la era de los grandes modelos de lenguaje. Science. 18 de diciembre de 2025. Vol. 390, núm. 6779, pp. 1240-1243. DOI: 10.1126/science.adw3000
