El mundo académico está experimentando una transformación silenciosa: las propias inteligencias artificiales están empezando a consumir y valorar la investigación científica. Un nuevo trabajo publicado en arXiv, titulado \"Social Influence and the Allocation of Scientific Attention in AI Populations\", explora cómo los agentes de IA, al igual que los humanos, se ven afectados por las señales sociales cuando deciden qué artículos leer y citar. Los hallazgos tienen implicaciones de peso para el futuro de la difusión del conocimiento y para el diseño de sistemas de recomendación que influyen en lo que los investigadores consideran importante.
El experimento reproduce el conocido diseño del \"Music Lab\", un paradigma que ha demostrado cómo la influencia social moldea las preferencias musicales. En este caso, los investigadores adaptaron el marco a un mercado de atención académica. Utilizaron los títulos y resúmenes de los 114 artículos regulares publicados en la American Economic Review en 2025 como material de lectura. Un total de 1.000 agentes de IA se dividieron en diez comunidades: cinco condiciones de elección independiente y cinco condiciones de influencia social, cada una con 100 agentes secuenciales.
En los grupos de influencia social, cada agente podía observar las selecciones de los agentes anteriores dentro de su comunidad. Esta sencilla regla de información generó cambios notables en el comportamiento de lectura colectivo. Los agentes que operaban bajo influencia social seleccionaron un 17,2 % menos de artículos por persona, concentraron sus lecturas en unas pocas publicaciones y, en conjunto, examinaron solo 73 artículos, frente a los 90 leídos por las comunidades independientes. La variabilidad entre comunidades también fue mayor cuando la información social estaba presente, lo que subraya cómo la dinámica de grupo puede amplificar las diferencias.
Un segundo experimento profundizó en el efecto de las primeras selecciones aleatorias. Con 200 agentes distribuidos en veinte comunidades sociales, los investigadores observaron que asignar cinco lecturas iniciales aleatorias a un artículo aumentaba su tasa de selección posterior en 45,55 puntos porcentuales (intervalo de confianza del 95 % entre 41,20 y 49,90). Este fuerte efecto de arrastre sugiere que incluso una pequeña dosis de exposición puede catalizar una adopción masiva dentro de una población de IA.
Curiosamente, las preferencias de los agentes de IA mostraron una correspondencia modesta con las citas externas reales de los artículos, pero apenas se alinearon con los recuentos de descargas. Esto indica que los agentes no están simplemente replicando las métricas humanas de popularidad, sino que pueden estar desarrollando su propio sistema de valoración basado en la influencia social interna. El estudio sugiere que las señales de atención generadas por los propios agentes podrían divergir de los indicadores tradicionales de impacto, lo que potencialmente distorsiona cómo la comunidad científica percibe la relevancia.
Las implicaciones son de gran alcance. A medida que las herramientas de IA se integran más en la revisión por pares, los sistemas de recomendación y los servicios de resumen, la forma en que estas herramientas distribuyen la atención podría afectar a qué investigaciones reciben financiación, atención mediática y posteriores avances. Si la influencia social hace que los agentes de IA se concentren en un conjunto reducido de artículos, existe el riesgo de que se cree un bucle de retroalimentación que margine voces disidentes o emergentes. Por otro lado, este mecanismo también podría ser aprovechado para amplificar investigaciones de alta calidad si se gestiona cuidadosamente.
Desde el punto de vista del diseño, el estudio subraya la necesidad de que los desarrolladores sean conscientes de los efectos de la influencia social en los sistemas basados en IA. Incorporar salvaguardias, como la exposición diversificada o los algoritmos de recomendación equilibrados, podría ayudar a preservar la amplitud de la exploración científica. Además, los responsables políticos podrían considerar la transparencia en las señales de atención generadas por la IA, garantizando que las métricas utilizadas para evaluar la importancia de los artículos no se vean indebidamente influenciadas por dinámicas sociales internas.
En el contexto más amplio de la economía digital y la ciencia de los datos, este trabajo sirve como una llamada de atención. La “atención colectiva†ya no es únicamente un fenómeno humano; está surgiendo una nueva capa de influencia social dentro de los propios sistemas artificiales. Comprender y gobernar este fenómeno será crucial para mantener un ecosistema de investigación saludable y dinámico en la próxima era de la IA.
En resumen, el estudio revela que la influencia social puede reducir drásticamente la variedad de lecturas entre los agentes de IA, concentrar la atención en unas pocas publicaciones y crear fuertes efectos de arrastre. Estos mecanismos podrían remodelar la forma en que la comunidad científica percibe y valora la investigación, lo que subraya la necesidad de una reflexión cuidadosa sobre cómo se diseña y despliega la influencia social en los sistemas de IA que interactúan con la ciencia.
