Archivo de la categoría: Investigación

Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis

Cabrera Huaycochea, Daril. 2025. Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis: Hacia un estándar ético y transparente para la producción científica en la era de los modelos de lenguaje de gran escala. ResearchGate. Consultado el 30 de mayo de 2026.

Texto completo

La expansión de los modelos de lenguaje de gran escala, como GPT, Claude o Gemini, ha transformado profundamente la producción académica, facilitando tareas como la redacción, la síntesis bibliográfica y la revisión textual. Sin embargo, este avance tecnológico no ha ido acompañado de normas homogéneas para declarar su utilización, generando importantes desafíos éticos relacionados con la transparencia, la autoría y la evaluación del mérito académico. El artículo de analiza esta problemática y propone un marco estandarizado para la declaración del uso de inteligencia artificial en artículos científicos y tesis.

El autor examina las políticas adoptadas por algunas de las principales instituciones y editoriales científicas internacionales, entre ellas arXiv, Elsevier, Nature y el Comité de Ética en Publicaciones (COPE). Aunque existen diferencias en los procedimientos, todas coinciden en dos principios fundamentales: las herramientas de inteligencia artificial no pueden ser consideradas autoras de trabajos académicos y cualquier utilización relevante debe ser declarada de manera explícita. Estas organizaciones subrayan que la responsabilidad sobre la exactitud, integridad y ética de los contenidos recae siempre en los autores humanos.

Uno de los principales aportes del trabajo es la formulación de una taxonomía de cuatro niveles de declaración. El Nivel 1 corresponde a trabajos elaborados sin IA generativa; el Nivel 2 contempla el uso de herramientas para corrección gramatical y estilística; el Nivel 3 incluye la generación de borradores, síntesis o análisis supervisados por los autores; y el Nivel 4 se refiere a aquellos casos en los que la IA participa de forma sustancial en la estructura argumentativa o conceptual del trabajo. El objetivo de esta clasificación no es juzgar moralmente los distintos usos de la tecnología, sino ofrecer un marco de transparencia que permita comprender el grado de intervención tecnológica en cada investigación.

El artículo también proporciona modelos prácticos de declaración para revistas científicas y tesis universitarias. Estas plantillas buscan facilitar la adopción de estándares comunes que permitan describir qué herramientas se utilizaron, en qué fases del proceso participaron y qué mecanismos de revisión humana se aplicaron posteriormente. Según el autor, la normalización de estas declaraciones contribuiría a reducir la ambigüedad normativa y fomentaría una cultura de integridad académica basada en la transparencia y la responsabilidad.

Se presta especial atención al contexto latinoamericano, donde identifica importantes desafíos relacionados con la desigualdad en el acceso a tecnologías avanzadas, la obsolescencia de los reglamentos universitarios y los sesgos lingüísticos de los modelos entrenados principalmente en inglés. Ante esta situación, propone que las universidades actualicen sus normativas y distingan claramente entre el uso declarado de la inteligencia artificial y el fraude académico por ocultamiento u omisión. La conclusión central del trabajo es que el verdadero debate no debe centrarse en prohibir o permitir la IA, sino en garantizar que su utilización sea transparente, verificable y compatible con los principios fundamentales de la integridad científica.

La búsqueda en IA para la ciencia aún depende de los metadatos

Man searching academic articles with AI software on computer in library
A man uses AI-powered research software in a library setting.

Hansen, Stephanie Lovegrove. 2026. “Scholarly AI Search Shortcomings and the Need for Better Metadata.” The Scholarly Kitchen, 29 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/29/guest-post-scholarly-ai-search-shortcomings-and-the-need-for-better-metadata

El artículo defiende que el futuro de la búsqueda académica no será una sustitución de los sistemas actuales, sino un modelo híbrido en el que coexistan la búsqueda por palabras clave, la IA generativa y los sistemas de metadatos enriquecidos. En este escenario, la calidad, estandarización y estructura de los metadatos se convierten en un elemento clave: sin ellos, incluso los sistemas de IA más avanzados no pueden ofrecer resultados fiables ni plenamente utilizables en entornos científicos.

Se analiza las limitaciones actuales de los sistemas de búsqueda académica basados en inteligencia artificial y sostiene que su rendimiento depende de forma crítica de la calidad de los metadatos subyacentes. A partir de la evaluación de herramientas de descubrimiento científico impulsadas por IA, la autora argumenta que estos sistemas aún no logran sustituir de manera fiable a la búsqueda tradicional basada en palabras clave, especialmente cuando se trata de consultas precisas, técnicas o altamente estructuradas.

Uno de los problemas centrales es la dificultad de las herramientas de IA para manejar con precisión información exacta como fórmulas, datos químicos, identificadores o referencias bibliográficas específicas. Aunque la IA destaca en tareas de síntesis y en la exploración de preguntas abiertas en lenguaje natural, tiende a fallar en escenarios donde la exactitud, la reproducibilidad y la trazabilidad son esenciales. Esto genera una tensión entre dos modelos de descubrimiento: el tradicional, basado en control y precisión, y el emergente, centrado en interpretación y síntesis automática.

El texto subraya además la opacidad de muchos sistemas de IA, que dificulta comprender por qué un resultado es recuperado o no. Esta falta de transparencia afecta directamente a la confianza de los usuarios y complica su uso en contextos académicos formales, como revisiones sistemáticas o investigación regulatoria.

Análisis comparativo y evaluación de la cobertura y estructura de las bases de datos científicas en la investigación académica

De-Moya-Anegón, Félix; Sánchez-Jiménez, Rodrigo; Halevi, Gali; Guerrero-Bote, Vicente P.; Guerrero-Castillo, Pablo; Rivadeneyra, Federico (2026). A Comparative Analysis of Open and Commercial Bibliographic Infrastructures: Scale, Metadata Standardization, and Implications for Bibliometric Evaluation. Granada: Ediciones Profesionales de la Información, 48 pp. ISBN: 978-84-125757-8-1

Texto completo

El informe analiza la viabilidad estructural de las infraestructuras bibliográficas abiertas para su uso en evaluación de la investigación, comparándolas con bases de datos comerciales como Scopus en aspectos clave como cobertura, calidad de metadatos, interoperabilidad y utilidad en flujos de trabajo bibliométricos. El contexto está marcado por el impulso de marcos políticos recientes como CoARA y la Declaración de Barcelona, que promueven una transición hacia datos de investigación abiertos. Sin embargo, el estudio muestra que esta transición no es lineal, ya que existe una tensión estructural entre la enorme escala de las plataformas abiertas y la estandarización de sus metadatos, lo que genera un dilema entre cobertura masiva y consistencia analítica.

Las plataformas abiertas como OpenAIRE, OpenAlex y The Lens superan ampliamente a Scopus en volumen de registros, pero este crecimiento se produce a costa de una menor calidad y completitud de los metadatos. Problemas como la ausencia de afiliaciones en más del 55% de los registros, la baja normalización de identificadores como ISSN y DOI, y una clasificación documental excesivamente algorítmica afectan directamente a su aplicabilidad en evaluación institucional. Esta situación limita su uso directo en bibliometría, especialmente en análisis comparativos entre instituciones o países.

El informe también destaca una dinámica asimétrica en los flujos de citación: el “long tail” de las bases abiertas no redistribuye de forma equilibrada el impacto científico, sino que tiende a reforzar la centralidad de la literatura ya indexada en bases comerciales. En otras palabras, la ampliación del corpus abierto no se traduce automáticamente en una democratización del impacto científico, sino que en muchos casos consolida estructuras previas de visibilidad. A ello se suman desigualdades geográficas persistentes, con mejoras en regiones como América Latina y África, pero con importantes vacíos en Asia y Oriente Medio, además de déficits en tipologías documentales complejas como monografías de humanidades o actas de congresos.

Por otro lado, las plataformas abiertas enfrentan importantes compromisos estructurales: The Lens presenta dificultades en la estandarización global de metadatos, registrando las tasas más bajas de presencia de ISSN y DOI y un déficit del 71,67% en la captura de actas de congresos. OpenAlex depende en gran medida de datos de origen no estructurados, con un 41,5% de sus registros (con fuente) sin ISSN, y presenta un posible sesgo analítico debido a la sobre-etiquetación algorítmica de documentos como «artículos». Finalmente, OpenAIRE presenta anomalías técnicas relevantes, incluyendo más de un millón de DOI duplicados y la tasa más alta de documentos no clasificados (23,1%) dentro del núcleo curado, lo que resulta en el menor ratio global de impacto de citación del grupo.

Finalmente, el estudio subraya que cada plataforma abierta presenta fortalezas y debilidades específicas: The Lens destaca por su integración con patentes y su utilidad en análisis de transferencia tecnológica; OpenAlex por su alta alineación con registros de Scopus y su densidad de citación en el núcleo coincidente; y OpenAIRE por su mayor cobertura de identificadores persistentes y menor ausencia de afiliaciones. Sin embargo, todas comparten limitaciones estructurales cuando se utilizan sin procesos rigurosos de normalización y depuración. La conclusión central es que el acceso abierto a grandes volúmenes de datos no equivale automáticamente a su validez evaluativa, y que el futuro de la evaluación científica abierta depende de pasar de la mera disponibilidad de datos a su validación activa y metodológicamente controlada.

Papel de la automatización y la inteligencia artificial en el ciclo completo de la investigación científica

Frechette, John, and Heather Pierce-Lopez. 2026. “A Friendly Debate: Where Automation Will (And Should) Land in the Research Lifecycle.” The Scholarly Kitchen, 22 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/22/guest-post-a-friendly-debate-where-automation-will-and-should-land-in-the-research-lifecycle/

El artículo de The Scholarly Kitchen plantea un debate estructurado sobre el papel de la automatización y la inteligencia artificial en el ciclo completo de la investigación científica. Más que discutir si la IA “debe” o “no debe” utilizarse, el texto propone una reflexión más matizada: en qué fases del proceso investigador la automatización puede mejorar la eficiencia y en cuáles es imprescindible preservar el juicio humano.

El punto de partida es la constatación de que la IA ya está integrada de forma implícita en numerosas herramientas académicas, desde motores de búsqueda hasta sistemas de descubrimiento y gestión bibliográfica, aunque muchas veces no se perciba como tal.

El artículo identifica varias fases del ciclo de investigación donde la automatización ya está avanzando o podría hacerlo con mayor intensidad. Entre ellas se encuentran la búsqueda y descubrimiento de literatura, la organización de información, el apoyo a la redacción científica, la revisión preliminar de manuscritos y ciertas tareas administrativas dentro de las instituciones académicas. En estos ámbitos, la IA se presenta como un mecanismo de ampliación de capacidades, especialmente relevante para equipos con recursos limitados, como bibliotecas universitarias pequeñas o centros de investigación con alta carga operativa. La automatización permite reducir tareas repetitivas y liberar tiempo para actividades de mayor valor intelectual o pedagógico.

Sin embargo, el texto subraya que existen dimensiones del proceso de investigación que no pueden ni deberían ser completamente automatizadas. Entre ellas destacan la curación crítica del conocimiento, la interpretación contextual de los resultados, la toma de decisiones éticas y la integración del conocimiento en marcos institucionales específicos. Estas funciones requieren experiencia acumulada, sensibilidad disciplinar y comprensión del entorno académico que la IA no puede replicar plenamente. También se enfatiza la importancia del juicio humano en cuestiones relacionadas con la integridad científica, el riesgo institucional y la responsabilidad legal.

Un eje central del debate es la tensión entre eficiencia y confianza. Aunque la automatización puede acelerar significativamente el ciclo de producción del conocimiento, también introduce problemas de opacidad, reproducibilidad y gobernanza. El artículo señala que muchas de las herramientas actuales operan como “cajas negras”, lo que genera preocupación entre bibliotecarios, editores y gestores de investigación. La cuestión no es solo técnica, sino estructural: cómo garantizar que los sistemas automatizados sean transparentes, auditables y alineados con los valores de la ciencia abierta.

Finalmente, el texto propone una visión intermedia en la que la IA no sustituye el proceso de investigación, sino que se inserta en él como infraestructura. Esto implica rediseñar flujos de trabajo completos, definir claramente los puntos de intervención humana y establecer mecanismos de control y supervisión. En este modelo, la automatización no elimina la necesidad del investigador, sino que redefine su papel, desplazándolo hacia funciones de mayor nivel cognitivo, como la interpretación, la supervisión crítica y la toma de decisiones estratégicas dentro del ecosistema de producción científica.

La ciencia ante la avalancha de “AI slop”

Peters, Jay. 2026. “AI Research Papers Are Getting Better, and It’s a Big Problem for Scientists.” The Verge, mayo de 2026. https://www.theverge.com/ai-artificial-intelligence/930522/ai-research-papers-slop-peer-review-problem

Se analiza una creciente preocupación dentro de la comunidad científica internacional: la expansión de artículos académicos generados parcial o totalmente mediante inteligencia artificial y el impacto que este fenómeno está teniendo sobre el sistema de revisión por pares. Lo que hace apenas dos años se identificaba fácilmente como “AI slop” —textos plagados de errores, referencias inventadas y frases incoherentes— ha evolucionado rápidamente hacia trabajos aparentemente sofisticados, bien redactados y difíciles de detectar incluso para expertos. Investigadores y editores científicos advierten que la automatización masiva de la escritura académica amenaza con saturar los mecanismos tradicionales de validación científica.

El reportaje explica que los modelos de lenguaje actuales son capaces de producir artículos completos en cuestión de minutos utilizando bases de datos públicas, gráficos automatizados y síntesis bibliográficas generadas algorítmicamente. Herramientas agentivas de IA permiten ya redactar hipótesis, construir marcos teóricos, producir análisis estadísticos e incluso responder automáticamente a comentarios de revisores. El problema no reside únicamente en la existencia de errores, sino en la enorme escala de producción. Según varios investigadores citados, la IA puede generar trabajos mucho más rápido de lo que los científicos humanos pueden leerlos o evaluarlos.

Uno de los aspectos más preocupantes es el deterioro progresivo del sistema de revisión por pares, históricamente considerado uno de los pilares de la credibilidad científica. Revisores y editores describen un entorno cada vez más difícil de gestionar debido al incremento de manuscritos redundantes, superficiales o engañosos. El artículo señala que muchos de estos textos utilizan lenguaje técnico convincente y estructuras académicas correctas, pero aportan escaso valor científico real. Esto obliga a los revisores a invertir más tiempo verificando datos, referencias y metodologías. La carga de trabajo se multiplica mientras la calidad media de las contribuciones disminuye.

La situación ha llevado a plataformas científicas a adoptar medidas drásticas. El repositorio científico arXiv anunció recientemente que prohibirá durante un año a los autores que publiquen trabajos con evidencia clara de contenido generado por IA no verificado, incluyendo referencias inventadas o comentarios residuales dejados por modelos lingüísticos. Además, quienes sean sancionados deberán demostrar posteriormente que sus investigaciones han sido aceptadas en publicaciones revisadas por pares antes de poder volver a subir artículos a la plataforma. Esta decisión refleja la preocupación institucional por preservar la confianza y la integridad académica en un contexto de creciente automatización textual.

El artículo también subraya que la crisis no puede entenderse únicamente como un problema tecnológico, sino como una consecuencia de las propias dinámicas estructurales del sistema académico contemporáneo. La presión por publicar, conseguir financiación y mantener productividad científica favorece comportamientos donde la cantidad de publicaciones se valora más que la calidad o la originalidad. La IA amplifica estas dinámicas al reducir drásticamente el coste y el tiempo necesarios para producir artículos. Algunos expertos comparan la situación con una “tragedia de los comunes”: cada investigador obtiene beneficios individuales al aumentar su productividad mediante IA, pero colectivamente el ecosistema científico se degrada debido a la saturación y pérdida de confianza.

Otro problema destacado es la aparición de errores sofisticados difíciles de detectar. Investigaciones recientes muestran que incluso conferencias científicas de alto prestigio han aceptado trabajos con referencias completamente inventadas generadas por IA. Estos fallos no siempre resultan evidentes porque los modelos producen citas plausibles, nombres verosímiles y estructuras metodológicas aparentemente coherentes. El riesgo no es solo la publicación de investigaciones deficientes, sino la contaminación progresiva del propio ecosistema científico con datos falsos, referencias inexistentes y conocimiento difícilmente verificable.

Paradójicamente, mientras algunos sectores intentan frenar el “AI slop”, otros comienzan a utilizar inteligencia artificial para aliviar precisamente la crisis de revisión. Algunos proyectos experimentales, como los desarrollados en conferencias de inteligencia artificial, ya emplean sistemas automatizados capaces de revisar miles de artículos en menos de un día. Sus defensores argumentan que la IA puede detectar errores técnicos y debilidades metodológicas con gran rapidez, aunque críticos advierten de que esto puede generar revisiones homogéneas, sesgadas y fácilmente manipulables mediante ajustes estilísticos. El debate gira así en torno a una paradoja creciente: utilizar IA para controlar los problemas creados por la propia IA.

Las reacciones en comunidades académicas y tecnológicas reflejan una mezcla de alarma, resignación y escepticismo. En foros como Reddit, numerosos investigadores consideran que el problema no se limita a los modelos lingüísticos, sino a un sistema científico que ya estaba sobrecargado antes de la llegada de la IA generativa. Algunos usuarios sostienen que el verdadero riesgo es que el volumen de textos automatizados haga imposible distinguir entre investigación genuina y producción mecánica. Otros creen que la crisis obligará a replantear prácticas fundamentales de evaluación científica, desde la verificación de referencias hasta la exigencia de compartir datos experimentales completos.

La inteligencia artificial no solo está transformando la manera de escribir artículos científicos, sino que está alterando profundamente los mecanismos de validación del conocimiento académico. La revisión por pares, concebida históricamente como filtro de calidad y garantía de rigor, enfrenta ahora un escenario donde la producción automatizada amenaza con superar la capacidad humana de evaluación. El desafío ya no consiste únicamente en detectar textos generados por IA, sino en redefinir qué significa producir conocimiento fiable en una época dominada por la automatización intelectual.

Inteligencia artificial y escritura académica: recomendaciones para un uso ético de la IA generativa

Cheng, Adam, Aaron Calhoun y Gabriel Reedy. “Artificial Intelligence-Assisted Academic Writing: Recommendations for Ethical Use.” Advances in Simulation 10, n.º 1 (2025): 22. https://doi.org/10.1186/s41077-025-00350-6

Se analiza de manera profunda el impacto de las herramientas de inteligencia artificial generativa —especialmente los grandes modelos de lenguaje como ChatGPT— en la escritura académica y científica. Los autores, Adam Cheng, Aaron Calhoun y Gabriel Reedy, abordan una cuestión central en el ecosistema universitario contemporáneo: cómo aprovechar las capacidades de la IA sin comprometer la integridad académica, la calidad científica ni la autoría intelectual.

El texto parte de una constatación evidente: desde la aparición pública de ChatGPT en 2022, el uso de herramientas de IA generativa se ha extendido rápidamente entre investigadores, estudiantes y docentes. Estas aplicaciones permiten resumir información, redactar borradores, corregir estilo, traducir textos, generar ideas e incluso estructurar artículos científicos completos. Sin embargo, los autores advierten que esta expansión se ha producido más rápido que la creación de marcos éticos y normativos claros. La comunidad académica se encuentra así ante un escenario ambiguo, en el que conviven enormes posibilidades de mejora de la productividad intelectual con riesgos serios para la credibilidad científica.

Uno de los aspectos más relevantes del artículo es la identificación de los principales peligros asociados al uso indiscriminado de la IA en la escritura académica. Los autores subrayan que los modelos generativos pueden producir “alucinaciones”, es decir, afirmaciones aparentemente verosímiles pero falsas, además de referencias bibliográficas inventadas o inexactas. Este fenómeno resulta especialmente problemático en contextos científicos, donde la verificabilidad y el rigor documental constituyen pilares fundamentales. También se aborda el riesgo de plagio involuntario, la reproducción de sesgos presentes en los datos de entrenamiento y la tendencia a generar textos estilísticamente homogéneos que pueden empobrecer la diversidad discursiva y crítica de la producción científica.

El artículo dedica una parte importante a examinar cómo las editoriales académicas y las revistas científicas están reaccionando frente a la irrupción de la IA generativa. Los autores señalan que muchas publicaciones científicas ya exigen transparencia explícita sobre el uso de herramientas de IA en la redacción de manuscritos. Algunas revistas prohíben considerar a la IA como autora de un trabajo, argumentando que carece de responsabilidad ética y legal sobre el contenido producido. Otras instituciones, en cambio, aceptan el uso de IA como herramienta auxiliar, siempre que exista supervisión humana y se informe claramente de su utilización. Este debate refleja una transformación profunda de los criterios tradicionales de autoría, originalidad y responsabilidad intelectual en la ciencia contemporánea.

Los autores no adoptan una postura tecnófoba. Por el contrario, reconocen que la IA puede aportar beneficios reales cuando se utiliza de manera crítica y controlada. El artículo describe tres grandes categorías de uso éticamente aceptable de la inteligencia artificial en la escritura académica. La primera es el apoyo lingüístico y editorial: mejorar gramática, claridad, estilo o traducción de textos, especialmente útil para investigadores que escriben en una lengua distinta de la materna. La segunda categoría incluye la organización y síntesis de información, como la generación de esquemas, resúmenes preliminares o estructuras de artículos. Finalmente, la tercera categoría contempla el apoyo creativo y cognitivo, por ejemplo en la generación de ideas iniciales o en la reformulación de conceptos complejos. En todos los casos, los autores insisten en que la supervisión humana es imprescindible y que la IA nunca debe sustituir el juicio crítico del investigador.

Uno de los aportes más importantes del trabajo es la formulación de cuatro principios éticos fundamentales para orientar el uso responsable de la IA en la escritura científica.

  1. El primero es la transparencia: los investigadores deben declarar de manera explícita cuándo y cómo han utilizado herramientas de IA.
  2. El segundo es la verificación humana: todo contenido generado debe ser revisado críticamente para garantizar exactitud, coherencia y autenticidad.
  3. El tercero es la responsabilidad intelectual: el autor humano sigue siendo plenamente responsable de los errores, sesgos o falsedades presentes en el texto final.
  4. El cuarto principio es la preservación de la integridad académica, evitando que la automatización sustituya procesos esenciales de reflexión, análisis y construcción de conocimiento. Estos principios buscan equilibrar innovación tecnológica y rigor científico en un contexto de cambio acelerado.

El artículo también plantea una reflexión más profunda sobre la naturaleza misma de la escritura académica. Los autores advierten que escribir no es simplemente producir texto, sino un proceso intelectual de elaboración de pensamiento, argumentación y aprendizaje. Si los investigadores delegan excesivamente estas funciones en sistemas automáticos, existe el riesgo de una “descapacitación académica”, es decir, una pérdida progresiva de habilidades críticas, analíticas y argumentativas. Esta preocupación conecta con debates actuales sobre alfabetización en IA, pensamiento crítico y el papel de las universidades en una sociedad crecientemente automatizada.

Otro aspecto relevante es que el artículo se centra especialmente en el ámbito de la simulación sanitaria y la investigación en salud, aunque sus conclusiones son extrapolables a prácticamente cualquier disciplina académica. Los autores consideran que el entorno científico necesita desarrollar urgentemente políticas institucionales claras, programas de formación en uso ético de IA y nuevas competencias de alfabetización digital que permitan a estudiantes e investigadores comprender tanto el potencial como las limitaciones de estas tecnologías. La IA deja de ser vista únicamente como una herramienta técnica y pasa a convertirse en un desafío cultural, educativo y epistemológico.

En conjunto, el trabajo constituye una de las aportaciones más relevantes y equilibradas sobre inteligencia artificial y escritura académica publicadas recientemente. Frente a posiciones extremas —ya sea de entusiasmo acrítico o de rechazo absoluto—, el artículo propone una vía intermedia basada en el uso responsable, transparente y supervisado de la IA. Los autores defienden que estas tecnologías pueden enriquecer el trabajo académico siempre que permanezcan subordinadas a la capacidad humana de análisis, interpretación y juicio ético. En definitiva, el texto plantea que el verdadero reto no es decidir si la IA debe utilizarse o no en la investigación científica, sino aprender a integrarla de forma que fortalezca, y no debilite, la integridad intelectual y la calidad del conocimiento producido.

Científicos artificiales: cómo la IA está transformando la investigación y la revisión por pares

Robots and scientists collaborating on AI-powered molecular analysis in a modern laboratory
Robots and scientists work together on AI-driven molecular research in a cutting-edge laboratory.

Worlock, David. “Notation: The AI Scientist — From Research to Article Writing to Peer Review.” David Worlock Blog, abril de 2026. David Worlock Blog

“The AI Scientist”

https://sakana.ai/ai-scientist-nature

El artículo aborda uno de los cambios más profundos que está experimentando el ecosistema científico contemporáneo: la aparición de sistemas de inteligencia artificial capaces de ejecutar de forma autónoma prácticamente todo el ciclo de producción científica. El texto analiza especialmente el desarrollo de “The AI Scientist”, un sistema presentado en la revista Nature y diseñado por la empresa japonesa Sakana AI, capaz de generar hipótesis, diseñar experimentos, escribir código, analizar datos, redactar artículos completos y participar incluso en procesos de revisión por pares.

Worlock interpreta este avance no como una simple mejora de productividad, sino como una transformación estructural del modelo tradicional de investigación académica. Según expone, durante décadas la inteligencia artificial había funcionado principalmente como una herramienta de apoyo puntual —por ejemplo, para análisis estadísticos, minería de datos o predicción molecular—, pero ahora comienza a actuar como un agente científico relativamente autónomo. La cuestión central deja de ser “cómo ayuda la IA al investigador” para convertirse en “qué partes del trabajo científico continúan dependiendo exclusivamente del juicio humano”. Esta transición representa un cambio epistemológico profundo en la manera de producir conocimiento.

Uno de los aspectos más relevantes del artículo es la descripción detallada del flujo de trabajo de estos sistemas. El modelo automatizado identifica líneas de investigación potenciales, consulta bibliografía existente, descarta ideas ya exploradas y formula nuevas hipótesis. Posteriormente genera código experimental, ejecuta simulaciones, procesa resultados y redacta un manuscrito completo en formato académico. Incluso incorpora sistemas de evaluación interna inspirados en la revisión por pares. Todo ello ocurre con una intervención humana mínima.

El texto subraya especialmente el impacto simbólico que supuso que uno de estos artículos generados por IA superara una ronda de revisión en un workshop asociado a la conferencia internacional International Conference on Learning Representations. Aunque posteriormente el artículo fue retirado por motivos de transparencia experimental, el hecho evidenció que la frontera entre producción científica humana y producción algorítmica comienza a desdibujarse.

Worlock también explora las implicaciones editoriales y bibliométricas de este fenómeno. Si una IA puede producir artículos científicos en cuestión de horas o minutos, el volumen de publicaciones podría multiplicarse exponencialmente. El problema no sería únicamente cuantitativo, sino también cualitativo: la literatura académica podría verse inundada de trabajos técnicamente correctos pero científicamente irrelevantes. Este riesgo conecta con la creciente preocupación por el colapso de los sistemas tradicionales de revisión por pares, ya sobrecargados por el aumento constante de manuscritos.

El artículo relaciona esta situación con el modelo de incentivos del sistema académico contemporáneo, basado en métricas de productividad, índices de citación y presión por publicar. La IA no crea este problema, pero sí lo amplifica. En un contexto de “publish or perish”, la automatización de la escritura científica puede incentivar la proliferación de investigaciones redundantes, superficiales o generadas simplemente para aumentar currículos académicos. Diversos expertos citados en trabajos recientes advierten que la producción masiva automatizada podría erosionar la credibilidad del sistema científico si no se establecen mecanismos robustos de control y gobernanza.

Otro eje fundamental del análisis es el futuro de la revisión por pares. Worlock señala que las editoriales y revistas científicas comienzan a debatir hasta qué punto la IA puede participar en tareas de evaluación editorial. Algunos estudios recientes muestran que muchos investigadores aceptarían herramientas de IA como apoyo para mejorar manuscritos antes del envío, pero siguen rechazando la idea de sustituir completamente el juicio humano en la evaluación científica. La preocupación principal reside en que los modelos generativos tienden a producir textos plausibles y coherentes incluso cuando contienen errores metodológicos, referencias inexistentes o interpretaciones engañosas.

El texto también profundiza en cuestiones éticas y filosóficas. Si una IA produce un descubrimiento relevante, ¿quién es el autor? ¿Quién asume la responsabilidad de errores, sesgos o fraudes? ¿Puede hablarse realmente de creatividad científica en un sistema automatizado? Worlock sugiere que estamos entrando en una etapa en la que el investigador humano podría transformarse progresivamente en supervisor, editor o curador del trabajo algorítmico, desplazando el centro de la actividad científica desde la producción textual hacia la validación crítica y la supervisión epistemológica.

En esta línea, el artículo conecta con debates recientes sobre transparencia y trazabilidad en el uso de modelos generativos en ciencia. Algunos investigadores ya proponen que las interacciones completas entre científicos y modelos de IA se publiquen como material suplementario, de modo que pueda evaluarse qué parte del razonamiento corresponde al sistema automatizado y cuál al investigador humano.

La reflexión final de Worlock es especialmente significativa para bibliotecas, editoriales académicas y gestores de información científica. El desafío ya no consiste únicamente en almacenar y difundir conocimiento, sino en distinguir conocimiento valioso dentro de un entorno potencialmente saturado por producción automatizada. En este nuevo escenario, cobran aún más importancia funciones como la curación de contenidos, la evaluación de calidad, la alfabetización informacional y la preservación de la integridad científica.

El artículo presenta una visión amplia y crítica sobre la transición hacia una ciencia parcialmente automatizada. Más que anunciar el reemplazo inmediato de los investigadores humanos, plantea la emergencia de un nuevo ecosistema híbrido en el que inteligencia humana e inteligencia artificial convivirán dentro de procesos de investigación, publicación y evaluación científica cada vez más interconectados.

La epidemia de citas falsas sacude a la ciencia: miles de artículos biomédicos contienen referencias inventadas por IA

Researchers conducting a biomedical citation audit with papers marked as fake
Researchers carefully reviewing biomedical papers for citation accuracy and fraud detection

Naddaf, Miryam. “Surge in Fake Citations Uncovered by Audit of 2.5 Million Biomedical-Science Papers.” Nature, 8 de mayo de 2026. https://doi.org/10.1038/d41586-026-00748-w.

El artículo publicado en Nature por la periodista científica Miryam Naddaf analiza uno de los problemas más inquietantes surgidos en la comunicación científica contemporánea: el rápido aumento de citas bibliográficas falsas o inventadas en artículos académicos biomédicos. El trabajo se basa en una auditoría masiva de 2,5 millones de artículos científicos y cerca de 97 millones de referencias bibliográficas, cuyos resultados muestran que el fenómeno se ha disparado desde 2023, coincidiendo con la expansión del uso de herramientas de inteligencia artificial generativa.

La investigación detectó casi 3.000 artículos biomédicos que contenían referencias imposibles de rastrear en bases de datos académicas reconocidas. Estas citas falsas incluían títulos inexistentes, DOI erróneos o referencias atribuidas a publicaciones que nunca llegaron a existir. Según el estudio, 2.564 artículos presentaban una o dos referencias inventadas, mientras que 246 trabajos acumulaban tres o más citas falsas, lo que revela que el problema ya no es anecdótico, sino estructural.

Uno de los aspectos más alarmantes es la velocidad con la que el fenómeno está creciendo. El análisis mostró que en 2025 había doce veces más artículos con referencias fabricadas que en 2023. Los investigadores consideran que este incremento coincide claramente con la generalización de modelos de lenguaje generativo capaces de producir textos académicos convincentes, pero también propensos a “alucinar” información bibliográfica. Estas herramientas pueden inventar títulos, autores o revistas que parecen plausibles, dificultando enormemente la detección manual de errores.

La metodología utilizada para detectar las referencias falsas combinó inteligencia artificial y verificación documental automatizada. Los investigadores compararon títulos citados con los DOI y PubMed ID asociados, además de contrastar cada referencia con grandes bases bibliográficas como PubMed, Crossref, OpenAlex y Google Scholar. Cuando una referencia no aparecía en ninguno de esos sistemas, era clasificada como potencialmente fabricada. Este procedimiento permitió construir uno de los mayores estudios de integridad bibliográfica realizados hasta la fecha.

El artículo subraya que las consecuencias del problema van mucho más allá de simples errores de citación. Las referencias falsas contaminan la literatura científica, dificultan la verificación del conocimiento y erosionan la confianza en el sistema de publicación académica. En disciplinas biomédicas, donde los artículos pueden influir en decisiones clínicas, tratamientos o políticas sanitarias, una bibliografía inventada puede tener repercusiones especialmente graves.

Además, el texto pone de manifiesto las limitaciones actuales del sistema de revisión por pares. Los revisores rara vez tienen tiempo suficiente para comprobar individualmente cada referencia citada en un manuscrito. Como consecuencia, muchos artículos con bibliografía falsa logran superar los controles editoriales y llegar a la publicación. Los autores del estudio consideran urgente incorporar sistemas automáticos de verificación bibliográfica antes incluso de iniciar la revisión por pares.

Otro aspecto destacado es que el problema no siempre implica fraude deliberado. Algunos investigadores utilizan modelos de IA para generar borradores o ayudar en la redacción y pueden no detectar que determinadas referencias han sido inventadas automáticamente por el sistema. Esto crea una nueva zona gris en la ética científica contemporánea: artículos firmados por autores humanos, pero parcialmente construidos mediante herramientas capaces de producir información inexistente con apariencia académica legítima.

El artículo también recoge la preocupación creciente de especialistas en integridad científica, quienes advierten que las citas falsas podrían ser solo la parte visible de un problema más amplio relacionado con la automatización de la escritura académica. Algunos expertos hablan ya de una “contaminación” progresiva de la literatura científica y alertan de que el prestigio de revistas y sistemas de evaluación podría verse seriamente afectado si no se desarrollan mecanismos de control más rigurosos.

El reportaje de Nature conecta este fenómeno con la transformación más profunda del ecosistema científico en la era de la inteligencia artificial generativa. La facilidad para producir textos complejos, revisiones bibliográficas y manuscritos completos está alterando las dinámicas tradicionales de autoría, revisión y validación del conocimiento. El desafío ya no consiste únicamente en detectar errores, sino en redefinir cómo garantizar la fiabilidad del conocimiento científico en un contexto donde las máquinas pueden producir contenido académico aparentemente verosímil a gran escala.

Los envíos de artículos científicos crecen un 33 %: ¿auge de la investigación o invasión de textos generados por IA?

Humanoid robot writing notes on scientific papers about AI and genomics at a desk

Dahl, Josh. “Guest Post — Is Growth Always Good News? 2026 Article Submission Surges.” The Scholarly Kitchen, 13 de mayo de 2026. The Scholarly Kitchen

Se analiza el extraordinario aumento de manuscritos enviados a revistas científicas durante el primer trimestre de 2026 y plantea una cuestión fundamental para el ecosistema académico: si este crecimiento representa una expansión saludable de la investigación mundial o, por el contrario, una señal de deterioro estructural provocada por el uso masivo de herramientas de inteligencia artificial generativa.

El texto parte de un dato especialmente significativo: la plataforma ScholarOne Manuscripts registró un incremento del 33 % en los envíos de artículos respecto al mismo periodo de 2025. Lo más preocupante no es únicamente el volumen absoluto, sino la aceleración del crecimiento, ya que el aumento interanual prácticamente se duplicó respecto al año anterior, pasando del 17 % al 33 %. Dahl interpreta este fenómeno como un indicador de tensión extrema en el sistema editorial científico, especialmente en aquellas revistas con menos recursos para detectar trabajos problemáticos o de baja calidad.

Uno de los aspectos centrales del análisis es la relación entre el auge de la inteligencia artificial y el incremento de manuscritos enviados. El autor sostiene que los datos por sí solos no permiten demostrar que el crecimiento proceda directamente de textos generados mediante IA, pero sí revelan patrones compatibles con ello. Según Dahl, muchas revistas están recibiendo trabajos elaborados parcialmente con herramientas generativas, lo que multiplica la producción textual y reduce las barreras técnicas para redactar artículos académicos. Este fenómeno estaría alterando profundamente la economía de la publicación científica y la dinámica tradicional de la autoría académica.

El artículo destaca además un incremento notable de los “desk rejections” o rechazos editoriales preliminares. Entre 2022 y 2025 estos rechazos crecieron un 72 %, muy por encima del crecimiento total de decisiones editoriales. Esto significa que los equipos editoriales están dedicando cada vez más tiempo a filtrar trabajos que consideran insuficientes, irrelevantes o problemáticos antes incluso de enviarlos a revisión por pares. Para Dahl, este dato evidencia que el sistema de control de calidad está sometido a una presión creciente y que la carga de trabajo editorial se está desplazando hacia fases previas del proceso de evaluación.

Otro elemento especialmente relevante es la reflexión sobre el “contrato social” de la revisión por pares. El autor sostiene que el problema principal no es tecnológico, sino epistemológico y ético. Tradicionalmente, el sistema científico se basaba en la idea de que el investigador era plenamente responsable del contenido que enviaba: conocía las fuentes, defendía los argumentos y comprendía la metodología empleada. Sin embargo, con la IA generativa esa relación entre autor y texto se vuelve difusa. Dahl plantea que actualmente no existe un consenso claro sobre qué nivel de asistencia artificial resulta aceptable y cuál compromete la integridad académica.

El texto utiliza como ejemplo el problema de las referencias bibliográficas inventadas por modelos de lenguaje. Un investigador puede generar un borrador mediante IA y no detectar que algunas citas son ficticias. En este caso, el autor no falsifica deliberadamente la información, pero termina enviando un manuscrito con errores graves. Dahl argumenta que las declaraciones tradicionales de autoría y responsabilidad no están preparadas para afrontar este nuevo escenario, donde los límites entre asistencia técnica y creación intelectual son cada vez más ambiguos.

La reflexión conecta con un debate más amplio sobre la sostenibilidad de la revisión por pares en un contexto de crecimiento acelerado de publicaciones. El artículo se relaciona con otras discusiones recientes de The Scholarly Kitchen sobre la saturación editorial y la capacidad del sistema científico para absorber el volumen actual de investigación. En textos complementarios publicados en 2026 se insiste en que la revisión por pares atraviesa una crisis de capacidad, con revisores agotados, plazos más cortos y expectativas cada vez más difíciles de cumplir.

Asimismo, Dahl sugiere que el fenómeno no puede entenderse únicamente desde la tecnología. El crecimiento de manuscritos también refleja las presiones estructurales del modelo académico contemporáneo: la lógica del “publish or perish”, la evaluación basada en métricas, la expansión global de la investigación y la creciente competencia por financiación y reconocimiento profesional. En este contexto, la IA actúa como acelerador de dinámicas ya existentes más que como causa exclusiva del problema.

En conjunto, el artículo ofrece una mirada crítica y muy actual sobre la transformación del ecosistema editorial científico. Más que condenar la inteligencia artificial, plantea la necesidad urgente de redefinir las normas de autoría, responsabilidad y validación del conocimiento académico. Dahl concluye implícitamente que el desafío fundamental no consiste solo en detectar textos generados por IA, sino en reconstruir la confianza y los mecanismos de legitimación sobre los que históricamente se ha sostenido la comunicación científica.

Redefinir la publicación científica: por qué avanzamos más allá del artículo

Diagram showing knowledge ecosystems including living documents, multimedia narratives, augmented reality overlays, interactive explorations, and community dialogue.
Visualization of interconnected knowledge ecosystems transforming publishing beyond traditional articles.

Hrynaszkiewicz, Iain. “Redefining Publishing: Why We’re Moving Beyond the Article.” Research Information, October 2, 2025. Research Information

El artículo de Iain Hrynaszkiewicz plantea una crítica de fondo al modelo tradicional de comunicación científica, centrado casi exclusivamente en el artículo académico y en el prestigio de la revista donde se publica. Según el autor, este sistema ya no refleja cómo se produce realmente la ciencia contemporánea ni cómo debería evaluarse. La investigación actual es más colaborativa, abierta, interdisciplinar y distribuida en múltiples fases, mientras que los mecanismos de reconocimiento siguen premiando sobre todo el resultado final: el paper. Esta desconexión genera incentivos distorsionados y dificulta valorar contribuciones esenciales como los datos, el código, los protocolos, la mentoría o la ciencia en etapas tempranas.

Para explicar que el cambio es posible, el texto recuerda innovaciones previas que transformaron la comunicación académica. Entre ellas destacan los identificadores persistentes como el DOI, que estabilizaron las citas digitales; ORCID, que permite identificar autores de forma inequívoca; la taxonomía CRediT, que reconoce distintos tipos de contribución; y el auge de los preprints y de la compartición de datos. Todas estas herramientas surgieron para resolver carencias del sistema y prosperaron gracias a la cooperación entre editoriales, universidades, financiadores e infraestructuras técnicas. El mensaje central es que la evolución de la ciencia depende menos de actores aislados y más de consensos colectivos sostenidos en el tiempo.

En ese contexto, el autor presenta la iniciativa de PLOS para replantear el ecosistema editorial mediante un proyecto de dieciocho meses financiado por fundaciones filantrópicas. Su propuesta principal es el denominado knowledge stack o “pila de conocimiento”: un sistema donde los distintos productos de investigación —datos, software, métodos, hipótesis, resultados parciales, revisiones y artículos finales— sean visibles, enlazables, atribuibles y evaluables como partes de un mismo proceso. Esto supone pasar de una lógica centrada en un único documento final a otra basada en un registro completo y continuo de la actividad científica.

El artículo también subraya que la ciencia abierta no debe entenderse solo como una obligación normativa impuesta por agencias financiadoras, sino como una oportunidad estratégica para universidades y centros de investigación. Compartir métodos, datos y resultados mejora la transparencia, facilita la reproducibilidad y fortalece la integridad científica. Además, puede aumentar la visibilidad institucional, acelerar descubrimientos y favorecer la competitividad internacional. Desde esta perspectiva, abrir la ciencia no es solo una cuestión ética, sino también una ventaja organizativa y reputacional.

Otro aspecto relevante del texto es su mirada comparada sobre distintas regiones del mundo. El autor observa que Europa y Reino Unido avanzan más rápidamente en políticas de evaluación responsable y ciencia abierta, mientras que Asia y Norteamérica muestran progresos más desiguales o descentralizados. Aun así, en casi todos los contextos persiste la dependencia del artículo de revista como medida principal del mérito académico. Las inercias culturales, la presión competitiva por financiación y la dificultad de comparar disciplinas frenan reformas más profundas. Incluso quienes desean cambiar el sistema temen perjudicar a investigadores jóvenes si se apartan demasiado pronto de las reglas vigentes.

Finalmente, Hrynaszkiewicz concluye que el futuro de la publicación científica pasa por reconocer el conjunto del ciclo investigador y no solo su desenlace editorial. Un sistema más rico en metadatos, señales de impacto, trazabilidad de contribuciones y conexiones entre outputs permitiría premiar la colaboración, el riesgo intelectual, los resultados negativos y las prácticas responsables. No obstante, advierte que para lograr un cambio real se necesita adopción masiva: no basta con que una editorial innove, sino que deben sumarse financiadores, instituciones, infraestructuras y comunidades científicas de todo el mundo. En suma, el artículo defiende una transformación estructural del modelo académico, desde la cultura del paper hacia una ecología más abierta, justa y representativa del trabajo científico real.