Un nuevo estudio teórico publicado en The Decoder cuestiona la visión optimista de que la inteligencia artificial (IA) acelerará la producción científica sin comprometer su calidad. Los autores construyeron un modelo matemático que simula el comportamiento de los investigadores cuando disponen de herramientas que reducen drásticamente el tiempo necesario para tareas rutinarias como la revisión bibliográfica, la generación de código o la recopilación de datos.
El argumento central es que, al ahorrar tiempo, los científicos disponen de menos horas “libres” y, por tanto, el valor marginal de cada hora restante aumenta. En lugar de dedicar esas horas a perfeccionar resultados ya publicados, tienden a redirigir su energía hacia la concepción de nuevos proyectos, que ofrecen mayor impacto percibido y, a menudo, mayor reconocimiento profesional.
El modelo incluye tres escenarios plausibles: (1) IA perfecta con alta autonomía, (2) IA con errores frecuentes y (3) IA con capacidad limitada. En dos de los tres casos, la calidad promedio de los artículos publicados disminuye entre un 5 % y un 15 %, mientras que el número de publicaciones aumenta un 20 % aproximadamente.
Esta caída de calidad no proviene de una menor rigor metodológico, sino de una reducción en la iteración y el refinamiento. Cuando el tiempo de ejecución se acorta, los investigadores tienden a aceptar resultados “suficientemente buenos” y a pasar rápidamente a la siguiente línea de investigación, lo que produce artículos con menor profundidad conceptual y menos citaciones potenciales.
Desde la perspectiva de la política de investigación, estos hallazgos sugieren que la inversión en IA sin acompañar mecanismos de evaluación de la calidad puede generar un paradoxo: más papers, pero de menor impacto real. Los comités de financiación y los editores deberían considerar incentivar la revisión exhaustiva y la consolidación de resultados antes de premiar la velocidad.
Los resultados también ponen en tela de juicio la narrativa de que la IA liberará a los científicos para “hacer más con menos”. En realidad, el tiempo liberado se transforma en una presión para producir constantemente nuevo, lo que puede exacerbar la crisis de reproducibilidad y la sobrecarga de trabajo en laboratorios ya saturados.
En el ámbito privado, muchas startups y grandes corporaciones están adoptando IA para automatizar pruebas de software y análisis de datos, con la promesa de lanzar productos más rápido. Sin embargo, la misma dinámica observada en la academia se hace evidente: los equipos dedican más horas a planificar la próxima versión del producto que a perfeccionar la versión actual, lo que a menudo se traduce en funcionalidades superficiales y en una mayor dependencia de parches temporales.
Para mitigar este riesgo, se proponen indicadores de calidad que vayan más allá del número de publicaciones, como la tasa de citaciones post‑publicación, la replicabilidad de los métodos y la duración del ciclo de vida del proyecto. Además, los programas de formación deberían incluir módulos sobre gestión del tiempo y pensamiento crítico, evitando que la velocidad se convierta en una carga que degrade la excelencia científica.
