Dadas las capacidades actuales de la IA, ¿importa quién realiza la investigación científica? La respuesta intuitiva es que un hecho es un hecho, independientemente de quién lo descubra. Pero el conocimiento nunca se difunde de esa manera. Recibimos la mayoría de las afirmaciones científicas sin ningún medio para comprobarlas nosotros mismos, por lo que tendemos a juzgar no la afirmación, sino la credibilidad de quien la respalda. Como afirma el historiador de la ciencia de Harvard, Steven Shap, la producción de verdad científica ha sido durante mucho tiempo inseparable del trabajo social de persuadir a los propios compañeros.
Mi propia investigación sobre la movilidad científica, realizada hace veinticinco años, apuntaba en la misma dirección desde una perspectiva diferente. La reputación en la ciencia no reside únicamente en las ideas; se concentra en un pequeño número de centros institucionales: departamentos y laboratorios cuyo prestigio otorga peso a todo lo que surge de ellos. Un científico que abandona un centro líder se lleva consigo parte de su credibilidad y puede, en las condiciones adecuadas, convertir a la institución receptora en un centro de referencia por derecho propio.
La credibilidad siempre ha necesitado un portador, y la identidad de ese portador ha cambiado con el tiempo, a menudo enfrentándose a una feroz resistencia. Cuando la autoría del orden natural pasó de Dios a un ámbito abierto a la investigación humana, la resistencia fue violenta. Cuando el investigador individual cedió terreno a las instituciones acreditadas, la revisión por pares y las evaluaciones de la investigación, algunos críticos objetaron que la ciencia se había vuelto excesivamente burocrática e impersonal. Y ahora, con la autoría a punto de pasar de los humanos a las máquinas, la objeción se plantea en términos de atribución, originalidad y mérito.
En todos estos casos, aquello en lo que se nos pide confiar ha cambiado. Y ahora el sistema que rige la investigación, desde la financiación orientada a la misión hasta las evaluaciones de impacto, ha desplazado gradualmente su atención de si un resultado se comprende a si funciona, y los hallazgos generados por máquinas se ajustan a una empresa que ya valora la producción por encima de la comprensión.
La ironía reside en que dos décadas de esfuerzos para que los datos fueran abiertos, consultables y legibles por máquinas debían facilitar la colaboración entre investigadores humanos; pero también crearon la base sobre la que ahora se sustenta la investigación autónoma. AlphaFold, que le valió a Demis Hassabis y John Jumper una parte del Premio Nobel de Química de 2024, se entrenó con el Protein Data Bank, el trabajo acumulado de toda una comunidad de biólogos estructurales.
Los sistemas que generan y prueban sus propias hipótesis, y luego publican los resultados, ya no son un experimento mental. El año pasado, un artículo escrito íntegramente por Zochi, un sistema de IA creado por la startup estadounidense Intology, superó la revisión por pares en la sesión principal de la Reunión Anual de la Asociación de Lingüística Computacional, una conferencia de IA de primer nivel. Y Robin, un sistema de IA creado por la organización sin fines de lucro FutureHouse de San Francisco, propuso las hipótesis, diseñó los experimentos y analizó los resultados que identificaron un fármaco ya aprobado como candidato para tratar una de las principales causas de ceguera; su trabajo se ha publicado posteriormente en Nature.
Supongamos que un sistema de este tipo desarrolla una nueva vacuna, un catalizador o una nueva composición química para baterías sin un autor humano identificable. Es improbable que al público le importe quién lo hizo, del mismo modo que los pacientes no preguntan qué técnico les realizó el análisis de sangre. Lo que sí les importará es a quién responsabilizar si algo sale mal.
Un autor reconocido puede ser cuestionado, corregido, obligado a retractarse o desacreditado; un modelo no. La autoría humana nunca fue garantía de fiabilidad, como lo demuestran las replicaciones fallidas y las retractaciones. Sin embargo, siempre nos proporcionó a alguien a quien responsabilizar por un resultado. Salvo algunas excepciones, las principales revistas se han negado a incluir sistemas de IA como autores, argumentando que la autoría implica atribución y responsabilidad. Pero esto simplemente perpetúa el antiguo sistema, en lugar de resolver el nuevo problema.
Una encuesta reciente reveló que casi la mitad de los científicos (47%) utilizan la IA a diario, y otro 31% la usa semanalmente. Cuanto más capaces sean estos sistemas, mayor será su uso. Dado que la mayoría de las personas no podrán distinguir entre buena y mala ciencia, el científico humano se convertirá cada vez más en el validador, la fuente de confianza que requiere el conocimiento compartido.
Pero el proceso de validación ya está teniendo dificultades para mantenerse al día. Casi la mitad de los científicos que afirman ahorrar tiempo con la IA luego dedican más de una cuarta parte de ese tiempo a revisar sus resultados, mientras que su lista de hipótesis sin comprobar aumenta. Además, la revisión por pares se está automatizando, y un análisis de las ponencias presentadas a la Conferencia Internacional sobre Representaciones de Aprendizaje de este año sugiere que aproximadamente una de cada cinco revisiones fue generada completamente por IA.
Estos hallazgos generan dudas sobre si los humanos podrán hablar en nombre de la ciencia producida exclusivamente por IA. Pero, ¿quién se convertirá entonces en la parte confiable? Una posibilidad es que la confianza se asocie con el lugar donde se desarrolló la tecnología, y que las empresas de IA de vanguardia se conviertan en los árbitros de facto de lo que se considera ciencia sólida, de forma similar a como lo eran las empresas farmacéuticas antes de que existieran reguladores independientes para verificar sus afirmaciones.
Pero otra posibilidad es que las instituciones que dedicaron generaciones a acumular credibilidad —universidades, academias, laboratorios nacionales, revistas académicas— desarrollen o certifiquen sus propios agentes de IA científica, de modo que la confianza siga fluyendo a través de canales que el público ya considera responsables. Los hallazgos de Robin no obtuvieron su reconocimiento gracias al anuncio de FutureHouse, sino mediante la revisión por pares de Nature.
No obstante, este rol deberá ganarse, y rápidamente. Las revistas académicas ya se enfrentan a problemas con la producción masiva de artículos, las presentaciones generadas por máquinas y un sistema de revisión por pares sobrecargado. Los Institutos Nacionales de Salud de EE. UU. ahora solo aceptan un máximo de seis solicitudes al año por investigador principal y no consideran que las solicitudes desarrolladas sustancialmente con IA sean ideas originales de los solicitantes.
El resultado dependerá de quién dé el primer paso para construir la infraestructura de rendición de cuentas: registros inalterables de cada conjunto de datos, versión del modelo y paso inferencial detrás de cada resultado; sistemas independientes encargados de reproducir los resultados sin hacer referencia al que los produjo; y, al final de la cadena, un garante designado, ya sea una persona o una institución, que sea responsable si el resultado falla.
Los tribunales ya han establecido este límite en otros lugares. El Tribunal Supremo británico dictaminó que solo una persona física puede figurar como inventora en una patente, y un tribunal de apelaciones estadounidense sostuvo que los derechos de autor requieren un autor humano. Este sistema se asemejaría mucho más a la forma en que certificamos aeronaves o aprobamos medicamentos que a la forma en que las universidades otorgan la titularidad.
Cada generación ha tenido que decidir quién tiene credibilidad científica, y la nuestra debe ahora sopesar esta cuestión de nuevo.
El autor es fundador y director ejecutivo de Spark X, ocupó anteriormente cargos en INSEAD, la OCDE y Nesta.
Copyright: Project Syndicate, 2026.
www.project-syndicate.org
