Esta semana tenía muchos temas encima de la mesa para comentar en este humilde espacio que atesoro para elucubrar planteamientos menos encorsetados que los obligados por el reportaje, la entrevista o la crónica de rigor. Por un lado, es inevitable dejarse llevar por la tentación de comentar la salida a bolsa de SpaceX, que -al menos por ahora- no ha decepcionado a los inversores e incluso ha llevado a Elon Musk a comprar Cursor por 60.000 millones de dólares; eso sí, en acciones de la propia firma, no en efectivo. De dinero contante y sonante, como ya analizamos, no va especialmente boyante. Veremos si se mantiene el buen pulso de la compañía del sector aeroespacial-telecomunicaciones-IA-centros de datos o, si por el contrario, este extraño mejunje muestra signos de debilidad en los próximos meses.

Otro asunto no menos desdeñable de estos días ha sido la 'telenovela' protagonizada por Anthropic y el gobierno de Estados Unidos, a propósito de la prohibición de Fable 5 y Mythos. Sus dos modelos más avanzados de la historia fueron prohibidos por las autoridades norteamericanas apenas tres días después de su lanzamiento, tras la denuncia de Amazon de posibles lagunas de seguridad nacional. Tras el golpe inicial, se sucedieron los ditirambos ya habituales de la política 'trumpista': declaraciones cruzadas echándose las culpas a un lado y a otro, reuniones "de urgencia" entre todos los implicados e incendios múltiples en las redes sociales. Pero, una semana más tarde, todo sigue igual: Anthropic ha echado por tierra parte de su imagen garantista en el mercado de la IA, Estados Unidos ha vuelto a hacer gala de su proteccionismo económico (y el odio personal de Trump hacia Dario Amodei) y la tierra sigue girando alrededor del Sol.

Empero, tengo la sensación creciente de que esta suerte de vorágine informativa no nos deja ver el poso que deja el café, en este caso, las grandes preguntas que deberíamos estarnos haciendo en este campo. Y no, no me refiero al manido debate sobre el desplazamiento de empleos a causa de la inteligencia artificial. Ni tampoco al pertinente, aunque igualmente tratado, desafío del uso responsable de la IA y su impacto en los menores, mujeres y determinados grupos sociales.

Hablemos pues de la Ciencia, en mayúsculas.

Los investigadores Qianyue Hao, Fengli Xu, Yong Li y James Evans han analizado 41,3 millones de artículos científicos en ciencias naturales para medir el impacto real de la inteligencia artificial en el campo científico. Su conclusión, publicada en Nature, pasa porque los científicos que usan IA publican 3,02 veces más, acumulan 4,84 veces más citas y alcanzan posiciones de liderazgo 1,37 años antes que sus colegas. Es el sueño del investigador hiperproductivo hecho realidad, cumpliendo además una sempiterna promesa de la industria tecnológica en su contribución positiva a la sociedad.

Pero hay una segunda capa que echa por tierra la prematura celebración. La adopción de IA reduce, al mismo tiempo, en un 4,63% la diversidad de temas que estudia la comunidad científica y recorta en un 22% la interacción entre investigadores. Así que el diagnóstico completo es que obtenemos mayor impacto individual, pero menos alcance colectivo; mayor velocidad, pero exploramos menos territorios. ¿Conocen la definición de paradoja? He aquí una buena muestra.

Podría ser una derivada más de la inteligencia artificial en el campo científico, pero nada más lejos de la realidad. Para los amantes de lo 'meta' y de los círculos poéticos, esta tecnología es la causa, canal y consecuencia de este fenómeno. La IA es uno de los campos más ricos en datos del planeta, lo que la convierte en el terreno preferido por los propios modelos cuando ayudan a investigar. El resultado es una retroalimentación que se cierra sobre sí misma: los investigadores de inteligencia artificial usan IA para publicar más sobre IA, en los subtemas de IA que ya tienen más datos, generando una masa de producción académica que gira en círculos cada vez más pequeños y mejor iluminados. Un chupito por cada mención a la IA, por favor.

Hay un paralelismo adicional que no podemos (ni debemos) ignorar. Cuando los grandes laboratorios entrenan nuevos modelos con datos sintéticos -texto generado por modelos anteriores en lugar de escritura humana original-, el sistema empieza a colapsar sobre sus propios patrones. Los investigadores lo denominan model collapse: el modelo hereda y amplifica los sesgos de su antecesor, pierde varianza, pierde riqueza, se vuelve más fluido y menos verdadero. Lo mismo ocurre en la ciencia cuando la IA empuja a los investigadores hacia donde ya hay más datos: el sistema produce más, pero varía menos; con más volumen, pero menos génesis auténtica.

Puede el estimado lector caer en la no alejada tentación de leer este fenómeno como un argumento contra las herramientas de IA en la investigación científica. Es, sin embargo, una constatación pragmática del difícil equilibrio estructural entre eficiencia y exploración. Algo que no es nuevo en la historia de la ciencia, pero que la inteligencia artificial exacerba con una intensidad sin precedentes.

La originalidad es cara. Un investigador que decide explorar un campo con pocos datos, métodos no estandarizados y preguntas sin respuesta previa publicará menos, recibirá menos citas y tardará más en liderar proyectos. Dentro de un sistema de incentivos que premia la productividad medida en impacto bibliométrico, esa apuesta es racionalmente suicida. Eso sí, no se dejen llevar a error: la IA no ha creado este problema, pero lo ha agudizado porque amplifica desproporcionadamente las ventajas de quien trabaja en terreno fértil y conocido.

Y sin embargo, es precisamente esa exploración lenta, costosa e impredecible la que históricamente produce los saltos exponenciales de la Humanidad. La biología molecular, la computación cuántica, la neurociencia cognitiva: ninguna nació en el área más data-rich de su época. Nacieron en los márgenes, en la intersección de campos, en las serendipias, en preguntas que nadie había formulado todavía con suficiente claridad como para tener datos sobre ellas. Avanzamos más despacio explorando lo desconocido, pero avanzamos de verdad.

Decir que hay que equilibrar ambos mundos suena a conclusión vaga, pero tratemos de ser propositivos. Las instituciones científicas, los organismos financiadores y los propios laboratorios tienen la posibilidad de contrarrestar activamente este sesgo: financiando con criterios distintos a los bibliométricos, diseñando sistemas de evaluación que valoren la novedad temática, y construyendo herramientas de IA entrenadas para señalar los vacíos del conocimiento, no sólo para optimizar dentro de lo ya conocido.