Reid, Chris. “Guest Post — Your Next Reader Is a Machine, and We Are Ready”. The Scholarly Kitchen, Society for Scholarly Publishing, 21 de agosto de 2026. Artículo original en The Scholarly Kitchen

El artículo sostiene que la próxima revolución de la comunicación científica no consistirá únicamente en que los investigadores utilicen IA para buscar artículos, sino en que los propios agentes de IA se conviertan en grandes consumidores, intérpretes y mediadores de la literatura académica. Esto obliga a replantear la publicación científica desde sus cimientos: metadatos, APIs, identificadores, licencias, interoperabilidad, descubrimiento, métricas, derechos de acceso y preservación. La gran oportunidad para editores, bibliotecas y proveedores de información consiste en prepararse para ese nuevo ecosistema; el riesgo es que los contenidos sean absorbidos por sistemas de IA sin una adecuada atribución, compensación, medición o control.

la cantidad de información producida en el mundo ha alcanzado una escala que ningún ser humano puede leer, procesar o siquiera abarcar. El autor estima que durante 2026 se producirán alrededor de 220 zettabytes de contenido y recuerda que el problema de la sobrecarga informativa no es nuevo: ya en 1845 los científicos advertían de la imposibilidad de mantenerse al día con toda la literatura disponible. La diferencia actual es la velocidad con la que crece la producción científica y documental. Cada año aparecen millones de artículos, preprints, conjuntos de datos, protocolos y materiales suplementarios, haciendo que el principal problema de la comunicación académica deje de ser únicamente el acceso a la información y pase a ser la capacidad de prestar atención a ella.

En este contexto, Chris Reid plantea una afirmación especialmente relevante: los seres humanos dejarán progresivamente de ser los principales lectores de la literatura científica y serán los agentes de inteligencia artificial quienes procesen la mayor parte de ella. Un investigador podrá pedir a un agente que analice cientos de artículos, compare resultados, identifique tendencias y prepare una síntesis adaptada a una determinada pregunta. Para el autor, esto no debería interpretarse necesariamente como una amenaza para los editores científicos, sino como la evolución lógica de décadas de trabajo destinado a conseguir que la información científica sea legible y procesable por máquinas. La cuestión central será, por tanto, diseñar una infraestructura científica preparada no solo para lectores humanos, sino también para lectores no humanos.

Aquí adquieren especial importancia los principios FAIR —Findable, Accessible, Interoperable, Reusable— establecidos en 2016. Reid sostiene que estos principios ya contenían, en buena medida, el modelo necesario para la era de los agentes de IA: contenidos identificables, accesibles, interoperables y reutilizables por sistemas computacionales. Los identificadores persistentes, los metadatos estructurados, los vocabularios controlados y otros estándares desarrollados durante años en la comunicación científica constituyen ahora una infraestructura fundamental para que las máquinas puedan localizar, interpretar, relacionar y reutilizar documentos científicos. La IA, desde esta perspectiva, no rompe completamente con la evolución anterior de la publicación académica, sino que lleva hasta sus últimas consecuencias la transformación de la información científica en datos procesables por máquinas.

El artículo plantea también un cambio importante en la concepción de las plataformas editoriales. La página web tradicional está diseñada para seres humanos, pero un agente de IA no necesita menús, banners de cookies, carruseles de artículos relacionados, formularios de suscripción ni otros elementos propios de la experiencia web convencional. Lo que necesita es contenido estructurado, identificadores estables, información sobre derechos y licencias y mecanismos predecibles para solicitar exactamente la información que necesita. Por ello, Reid propone avanzar hacia arquitecturas de gestión de contenidos headless o «multicabeza», en las que el contenido se mantiene en un núcleo estructurado y puede distribuirse mediante diferentes superficies: páginas web para humanos, APIs y feeds para sistemas informáticos y nuevas interfaces destinadas directamente a agentes de IA, como las basadas en Model Context Protocol (MCP).

Este planteamiento tiene una consecuencia especialmente significativa para bibliotecas, repositorios y sistemas de descubrimiento. La literatura científica ya se distribuye actualmente a través de múltiples canales —PubMed Central, servicios de indización, sistemas de descubrimiento, Google Scholar, agregadores, ResearchGate, etc.— y el acceso mediante agentes de IA sería una nueva superficie de distribución. El objetivo sería mantener una única fuente estructurada del contenido y permitir que diferentes lectores, humanos o máquinas, accedan a la versión registrada y fiable de la publicación. En este escenario, los metadatos, los identificadores persistentes, las ontologías, los vocabularios controlados y la interoperabilidad dejan de ser cuestiones puramente técnicas y pasan a convertirse en infraestructuras esenciales para la visibilidad de la producción científica en la era de la IA.

Sin embargo, Reid advierte que la transformación plantea problemas mucho más complejos que los puramente tecnológicos. Identifica tres grandes cuestiones: atribución, compensación y gobernanza. La primera pregunta es cómo garantizar que cuando un agente utilice un artículo para generar una respuesta, el investigador pueda saber de dónde procede la información y el trabajo original siga siendo reconocido y citado. La segunda afecta a la remuneración: si el consumo de contenidos mediante máquinas sustituye progresivamente a las descargas y lecturas humanas, los modelos actuales de licencias y medición tendrán que adaptarse. La tercera es la gobernanza: los editores deberán decidir qué agentes pueden acceder a sus contenidos, bajo qué condiciones y cómo expresar esas condiciones de manera que puedan ser interpretadas automáticamente por las máquinas.

A estas tres dimensiones se añade una cuarta cuestión señalada en los comentarios al artículo: la medición. Si un agente de IA se sitúa entre el contenido científico y el usuario, resulta mucho más difícil determinar qué documentos fueron realmente consultados, cuánto contenido fue procesado y qué impacto tuvo cada publicación. Las métricas tradicionales de uso pueden dejar de reflejar adecuadamente el consumo real de información científica. Por ello, será necesario desarrollar nuevas formas de contabilizar y comprender el uso mediado por IA.

En definitiva, si durante siglos el objetivo fue hacer que la información científica fuera legible para las personas, ahora el desafío es conseguir que sea también comprensible, descubrible, verificable y reutilizable por las máquinas.