La inteligencia artificial generativa está reconfigurando de manera profunda y acelerada el panorama de la investigación académica. Lo que antes requería semanas de revisión bibliográfica puede ahora condensarse en horas. Sin embargo, esta eficiencia viene acompañada de una serie de preguntas éticas que la comunidad científica no puede ignorar.
El cambio de paradigma en la búsqueda bibliográfica
Durante décadas, la revisión sistemática de la literatura ha sido uno de los pilares del método científico. El proceso —buscar, leer, filtrar, sintetizar— imponía una fricción cognitiva que, paradójicamente, favorecía la comprensión profunda. Hoy, herramientas como Semantic Scholar, Elicit o Research Rabbit utilizan modelos de lenguaje para mapear territorios bibliográficos completos en minutos.
El riesgo no es trivial: ¿estamos construyendo sobre arenas movedizas cuando confiamos en resúmenes generados automáticamente de papers que nunca hemos leído?
Implicaciones para la integridad científica
Uno de los problemas más documentados en 2023 fue la aparición de referencias bibliográficas fabricadas por modelos de lenguaje —las llamadas “alucinaciones”— en trabajos académicos publicados. No se trata de un fallo marginal; es un síntoma de una integración tecnológica que avanza más rápido que los mecanismos de verificación.
Desde mi experiencia en investigación aplicada, identifico tres vectores de riesgo principales:
-
Contaminación del corpus de entrenamiento: A medida que más texto generado por IA entra en los repositorios académicos, los modelos futuros se entrenan sobre sus propias salidas, amplificando sesgos y errores.
-
Erosión de la agencia epistémica: Cuando dejamos que un algoritmo sintetice el estado del arte, cedemos parte del proceso de construcción del conocimiento.
-
Desequilibrios de acceso: Las herramientas más potentes son de pago, lo que crea nuevas brechas entre investigadores de instituciones ricas y pobres.
Una propuesta de uso responsable
No se trata de rechazar estas herramientas —sería un ludismo estéril. La clave está en diseñar flujos de trabajo donde la IA actúe como asistente de primer nivel, no como árbitro final.
Mi propuesta metodológica incluye:
- Verificar manualmente todas las referencias generadas automáticamente antes de citarlas.
- Utilizar la IA para la exploración inicial, pero no para la síntesis definitiva.
- Documentar el uso de IA en la sección de metodología del trabajo.
- Favorecer herramientas con trazabilidad, que muestren los documentos fuente originales.
El debate que necesitamos tener
La comunidad académica española está tardando en articular normas claras sobre el uso de IA en la investigación. Mientras algunas revistas internacionales de referencia ya exigen declaraciones de uso, en muchos entornos locales sigue siendo un punto ciego.
El debate no puede reducirse a “¿se puede usar ChatGPT para escribir artículos?”. Necesitamos conversaciones más matizadas sobre qué tipo de asistencia automatizada es compatible con la integridad científica y en qué condiciones.
Lo que está en juego no es solo la calidad de los papers, sino la confianza pública en la ciencia.
