Abro esta columna con la alarma sobredimensionada para, a continuación, matizarla de forma sustancial. No es una fórmula que me guste emplear, pero al parecer esa es la tónica habitual en los tiempos en que vivimos y siempre que se trata acerca de la inteligencia artificial: todo tiene que ser blanco o negro, o anticipar la mayor revolución de la historia o el riesgo más abrumador que nunca hayamos conocido.

Desgraciadamente, si son lectores habituales, ya sabrán que soy una persona de grises y de escalas mesuradas. Hoy no haré una excepción.

¿A qué viene entonces lo de que la ciencia (Ciencia, en mayúsculas) esté en peligro por culpa de la inteligencia artificial? Me remito a una correspondencia publicada esta misma semana en Nature por Fabio Y. S. Motoki, en la que alertaba de ese extremo: la IA puede acabar con la independencia científica. O, lo que es lo mismo, dinamitar el método científico, la comprobación por pares y todo el sistema de investigación que hemos ido desarrollando durante siglos.

En su carta, formula una admonición epistemológica bastante elemental y, acaso por eso mismo, fácil de pasar por alto en pleno arrobo colectivo con la inteligencia artificial: dos científicos pueden trabajar en universidades distintas, no conocerse, emplear equipos diferentes y llegar al mismo resultado y, aun así, haber dejado de constituir dos comprobaciones realmente independientes. Ambos resultados pueden estar contaminados por la misma fuente, sin saber siquiera de la existencia del otro.

La razón está en la tecnología que media entre ambos y el objeto que pretenden conocer. Si distintos investigadores utilizan modelos entrenados con fuentes semejantes, herramientas construidas sobre arquitecturas emparentadas o sistemas que comparten determinados sesgos y limitaciones, también pueden compartir errores. La coincidencia entre sus resultados conserva entonces menos valor probatorio del que tradicionalmente le atribuimos. Motoki recoge para explicarlo el concepto de "monoculturas científicas" desarrollado por Lisa Messeri y Molly Crockett: comunidades en las que unos métodos, unas preguntas y unos puntos de vista terminan dominando sobre sus alternativas.

La cuestión merece bastante más atención que el enésimo galimatías acerca de si ChatGPT debe figurar entre los autores de un artículo. Durante décadas hemos depositado parte de nuestra confianza en la ciencia precisamente en la capacidad de investigadores distintos para recorrer caminos diferentes y encontrarse en el mismo lugar. La replicación sirve porque multiplica las oportunidades de descubrir el error. Por eso, introducir una fuente común de razonamiento, selección, búsqueda o análisis altera esa geometría, ya que podríamos encontrarnos con diez resultados coincidentes que, observados desde fuera, parecen diez confirmaciones y que, examinados desde sus dependencias tecnológicas, son en realidad variaciones de una misma comprobación.

La tesis no es nueva, ni mucho menos. Antes de la carta de Motoki, en marzo de 2024, Messeri y Crockett publicaron también en Nature una perspectiva revisada por pares sobre las "ilusiones de comprensión" que pueden acompañar a la incorporación de inteligencia artificial a la investigación. Su advertencia resulta especialmente oportuna ahora que hemos convertido la productividad en uno de los grandes argumentos legitimadores de la IA: podemos producir más conocimiento aparente al tiempo que reducimos nuestra capacidad para comprender aquello que investigamos. Una herramienta capaz de buscar bibliografía, plantear hipótesis, encontrar correlaciones y redactar conclusiones ofrece una cornucopia intelectual formidable. También permite delegar exactamente algunos de los procesos mediante los cuales un científico aprende a reconocer cuándo algo no tiene lógica o no funciona.

Hay además un problema menos filosófico y mucho más prosaico: los incentivos. La carrera científica recompensa publicaciones, citas, financiación, velocidad y liderazgo de proyectos. Cualquier tecnología que permita mejorar esos guarismos disfrutará de una adopción casi obligada. Por tanto, si mi competidor publica más utilizando inteligencia artificial, renunciar a ella por una elevada preocupación acerca de la diversidad epistemológica puede constituir una actitud admirable, pero profesionalmente ruinosa.

Hace unos meses ya comentaba en estas mismas líneas otro estudio interesante y que viene a colación de todo lo anterior. Los investigadores Qianyue Hao, Fengli Xu, Yong Li y James Evans analizaron 41,3 millones de artículos científicos en ciencias naturales para medir el impacto real de la inteligencia artificial en el campo científico. Su conclusión fue que 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 había esa segunda capa que echaba 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.

Un poco antes, en diciembre de 2025, Keigo Kusumegi y otros cinco investigadores publicaron en Science un estudio sobre 2,1 millones de preprints, 28.000 informes de revisión y 246 millones de accesos a documentos científicos. Encontraron fuertes incrementos de producción entre investigadores identificados como usuarios de modelos de lenguaje, además de efectos particularmente interesantes: menores barreras para científicos que no tienen el inglés como lengua materna y acceso a bibliografía más diversa. Pero en agosto de este año Thomas Renault, Antonin Bergeaud y Clément Bosquet pusieron en solfa parte de aquellas conclusiones en Proceedings of the National Academy of Sciences. El problema estaba en el método empleado para determinar cuándo comenzaba un científico a usar inteligencia artificial: si la adopción se fija a partir del primer artículo detectado como asistido por un modelo, los investigadores que ya publican mucho tienen mayores probabilidades de cruzar antes ese umbral.

No en vano, Renault y sus colegas consiguieron reproducir dinámicas parecidas mediante asignaciones aleatorias, palabras neutras, periodos anteriores a ChatGPT y simulaciones en las que la IA carecía de efecto alguno sobre la productividad.

En cualquier caso, este episodio tiene algo deliciosamente irónico: un estudio sobre el impacto de la IA en la ciencia recibe una réplica que cuestiona su mecanismo de identificación, precisamente aquello que deberíamos proteger.

Por eso la obsesión con determinar si la inteligencia artificial "mejora" o "empeora" la ciencia termina resultando demasiado baladí, abstracta, inútil. Tenemos pruebas de que estas herramientas amplían capacidades concretas y eliminan barreras reales; también acumulamos indicios de concentración temática y razones fundadas para estudiar sus efectos sobre el juicio experto. De lo que todavía carecemos es de evidencia suficiente para proclamar un deterioro general de la calidad científica o la espectacularidad de algunas cifras de productividad.

Por supuesto que deberíamos impulsar marcos de transparencia sobre el uso de inteligencia artificial que deberían incorporarse a las condiciones de reproducibilidad científica. También convendría reservar deliberadamente espacios para metodologías disímiles, incluso cuando resulten más lentas o más onerosas. La diversidad metodológica tiene algo de ineficiencia cuando se contempla desde una hoja de cálculo y, desde el punto de vista de un sistema dedicado a descubrir sus propios errores, esa aparente ineficiencia cumple una función bastante precisa.

Hay otra derivada que afecta a la formación. Buscar bibliografía, pelearse con datos defectuosos, descartar una hipótesis elegante, descubrir una anomalía y perseguir durante semanas una pista que acaba en un erial forman parte de la adquisición del criterio científico. Automatizar tareas tediosas puede liberar una cantidad extraordinaria de tiempo, pero delegar indiscriminadamente las operaciones mediante las cuales se aprende a juzgar deja al investigador con el resultado y le escamotea parte del aprendizaje que permitía valorarlo. La diferencia adquirirá importancia cuando el sistema se equivoque, precisamente el instante en que necesitaríamos a alguien capaz de advertirlo.

Lo único que está claro es que dos científicos independientes seguirán siendo dos científicos independientes. Si producirán mucho o poco o si sus resultados serán verdaderamente independientes es algo que, hoy por hoy, no podemos asegurar.