Cuando OpenAI lanzó ChatGPT-5 en agosto del año pasado, muchos académicos respondieron con escepticismo frente a la afirmación de que el nuevo modelo poseía inteligencia a nivel de doctorado. La tendencia a alucinar, a razonar de forma defectuosa y a mostrar una excesiva complacencia hacía dudar de que un sistema pudiera competir con las mentes más brillantes de la comunidad investigadora. Sin embargo, los meses siguientes han mostrado un cambio de actitud: investigadores de diversos campos recurren a modelos generativos para acelerar búsquedas bibliográficas, borrar borradores de textos o incluso explorar ideas matemáticas. Un caso emblemático es el del matemático Terence Tao, quien ha declarado públicamente que utiliza la IA como un «colaborador» en sus trabajos, dejando claro que la herramienta funciona como un asistente y no como un sustituto.
Yo mismo experimenté una transformación similar. Durante varios meses lideré un proyecto de modelado de seguridad en sistemas informáticos y recurrí a distintas herramientas de IA generativa para tareas que normalmente delegaría a mis estudiantes de doctorado: generar primeras versiones de demostraciones, proponer variantes de definiciones y revisar bibliografía. El proceso fue ágil y me permitió enfocarme en la interpretación de resultados y en la formulación de nuevas preguntas. Pero esa misma experiencia reveló una limitación fundamental: la IA carece de la capacidad de asumir la responsabilidad intelectual que implica producir conocimiento original.
Los estudiantes de doctorado son, en muchos sentidos, el motor de la producción científica. Bajo la tutela de sus supervisores, no solo ejecutan experimentos o elaboran pruebas; aprenden a plantear preguntas pertinentes, a criticar resultados propios y ajenos, y a defender sus conclusiones ante la comunidad. Este proceso de aprendizaje va mucho más allá de la mera ejecución de tareas; es una formación en el pensamiento crítico, en la ética de la investigación y en la resiliencia frente al fracaso. Cuando un doctorando elige un enfoque equivocado, aprende a reevaluar sus supuestos y a iterar, una habilidad que ningún modelo estadístico puede replicar porque no posee intencionalidad ni conciencia de sus propias limitaciones.
Utilizar la IA como reemplazo de ese aprendizaje sería como confiar en una calculadora para enseñar matemáticas: la herramienta puede dar la respuesta correcta, pero no desarrolla la comprensión subyacente. En la práctica, depender excesivamente de la IA puede llevar a una homogenización de ideas, donde los investigadores tienden a reproducir patrones que el modelo ha visto frecuentemente, en lugar de explorar territorios realmente novedosos. Además, la opacidad de los grandes modelos dificulta la trazabilidad de las fuentes y la verificación de los razonamientos, aspectos esenciales para la integridad académica.
Por ello, la IA debe situarse como un complemento potente, nunca como un sustituto del apprentizaje que representa un doctorado. Las instituciones y los supervisores deben fomentar un uso crítico de estas tecnologías, entrenando a los estudiantes para que las empleen como herramientas de ampliación, no como apoyos que eludan el esfuerzo intelectual. Solo manteniendo viva la cultura de la pregunta, la crítica y la responsabilidad podremos asegurar que el avance científico siga siendo impulsado por mentes humanas capaces de pensar de forma independiente, incluso en una era donde las máquinas parecen saberlo todo.
