Por Canuto  

Un estudio teórico de Princeton, Washington y otras instituciones cuestiona la idea de que los modelos de lenguaje harán que los científicos trabajen mejor: al liberar tiempo, la IA podría impulsar más proyectos y reducir la profundidad de cada uno.
***

  • El modelo analiza cómo cambia el esfuerzo científico cuando la IA acelera distintas etapas de una investigación.
  • En dos de tres escenarios, los investigadores producirían más trabajos, pero dedicarían menos atención a cada proyecto.
  • Experiencias de OpenAI, METR, Sakana AI y arXiv muestran que la velocidad también puede trasladar la carga hacia la validación y la revisión.

La promesa más extendida sobre la inteligencia artificial aplicada a la ciencia sostiene que los modelos de lenguaje permitirán automatizar tareas rutinarias y liberar a los investigadores para pensar con mayor profundidad. Sin embargo, un estudio teórico elaborado por economistas de la Universidad de Princeton, la Universidad de Washington y otras instituciones plantea una conclusión menos optimista: incluso si los sistemas funcionaran perfectamente, podrían llevar a los científicos a realizar más trabajos, pero con menor calidad individual.

El argumento central no depende de errores, alucinaciones ni costos de software. Los autores suponen deliberadamente que los modelos de lenguaje reducen el tiempo necesario para completar tareas sin añadir fallas y con un costo financiero irrelevante, para aislar el efecto económico del ahorro temporal. Bajo ese supuesto, el tiempo liberado se vuelve más valioso porque cada hora dedicada a un proyecto en marcha representa una hora que el investigador no puede usar para comenzar otro.

Un modelo para explicar el esfuerzo científico

El análisis adapta a la investigación científica la teoría del forrajeo de la ecología del comportamiento, un marco utilizado para estudiar cómo los organismos distribuyen su energía entre alternativas que compiten por su atención. En esta versión, los proyectos funcionan como oportunidades distintas y los científicos deben decidir cuánto esfuerzo asignar a cada uno, cuándo abandonarlo y cuándo avanzar hacia una nueva idea.

El modelo divide el ciclo de un proyecto en dos fases. Primero, el investigador evalúa si una hipótesis parece viable y decide si vale la pena continuar; después, si la idea supera ese filtro, debe completar tareas obligatorias, como preparar figuras, dar formato al manuscrito y enviarlo, además de actividades voluntarias como ejecutar experimentos adicionales, profundizar el análisis, mejorar el texto o realizar revisiones complementarias.

Según el planteamiento, esas actividades voluntarias son las primeras que pierden espacio cuando aumenta el costo de oportunidad del tiempo. Un investigador que puede iniciar proyectos nuevos con mayor rapidez no necesariamente utiliza todo el ahorro para perfeccionar el trabajo existente, porque hacerlo implica renunciar a otra oportunidad que ahora parece más accesible y potencialmente rentable.

La distinción resulta importante para entender por qué la automatización no produce el mismo efecto en todas las disciplinas. Acelerar la evaluación de una hipótesis, la escritura de un artículo o los experimentos suplementarios modifica distintos incentivos, de modo que el resultado puede ser una selección más exigente, una mayor cantidad de publicaciones o una investigación más profunda.

Dos escenarios podrían reducir la profundidad

El primer escenario estudiado aparece cuando la IA ayuda a evaluar hipótesis en las etapas iniciales. Como descartar una idea y comenzar otra cuesta menos tiempo, los investigadores pueden volverse más selectivos y aprobar únicamente los proyectos que parecen ofrecer mejores resultados, pero esa selección no garantiza mayor rigor durante la ejecución.

Una vez que esos proyectos reciben luz verde, el tiempo ahorrado puede utilizarse para abrir nuevas líneas de trabajo en lugar de ampliar la investigación original. El modelo predice así una combinación paradójica: menos proyectos débiles al comienzo, pero menos esfuerzo voluntario, menos experimentos adicionales y menor refinamiento en los estudios que sí avanzan.

El segundo escenario se produce cuando la IA acelera la preparación y publicación de los resultados, desde la escritura hasta el análisis o la maquetación. Al reducirse el costo de entregar un manuscrito, proyectos que antes no justificaban el tiempo necesario para llegar al formato final pueden continuar hasta convertirse en nuevos artículos.

El efecto sería especialmente visible en áreas que dependen de trabajo de campo, según la descripción del estudio. En lugar de concentrar más horas en cada investigación, los autores podrían hacer circular una cantidad mayor de documentos, mientras cada uno recibe menos análisis adicional, menos pulido y menor atención a los matices que separan un resultado preliminar de una contribución sólida.

El único caso en que la IA mejora el resultado

El tercer escenario ofrece una conclusión distinta porque aplica la automatización directamente a la parte voluntaria del trabajo científico. Si la IA acelera los experimentos suplementarios, los análisis más cuidadosos o las revisiones destinadas a fortalecer un artículo, el tiempo liberado sí puede convertirse en una investigación más completa.

La diferencia no está únicamente en cuánto tiempo ahorra la herramienta, sino en qué tarea elimina o simplifica. Cuando la tecnología reduce el costo de una actividad que normalmente se sacrifica por falta de horas, el investigador puede conservar el esfuerzo profundo; cuando acelera una etapa que permite pasar rápidamente al siguiente proyecto, el incentivo se orienta hacia la cantidad.

El estudio resume esta tensión al señalar que los modelos de lenguaje pueden aumentar el costo de oportunidad del tiempo de los investigadores. En esa lógica, el ahorro no conduce automáticamente a hacer la misma cantidad de ciencia con más cuidado, sino que puede impulsar a hacer más trabajos y dedicar menos esfuerzo a cada uno.

Por eso, dos de los tres escenarios analizados terminan con una degradación de la profundidad investigativa. Cuando un texto ya puede alcanzar el umbral de publicación con menos tiempo, dedicar horas adicionales a pulir una conclusión o revisar sus matices pierde atractivo frente a la posibilidad de iniciar otro proyecto.

Causas de movimientos recientes

No corresponde aplicar esta sección a este artículo, ya que el tema no trata sobre movimientos de mercado.

La evidencia práctica apunta a una tensión similar

La fuente que divulgó el estudio relacionó sus resultados con experiencias recientes de adopción de IA en el desarrollo científico y tecnológico. Un informe de OpenAI que recopiló varios casos describió aceleraciones de hasta 60 veces en la reescritura de software para experimentos, aunque también indicó que el foco del esfuerzo se desplazó hacia la validación y el mantenimiento de largo plazo.

Ese desplazamiento muestra que una tarea más rápida no elimina necesariamente el trabajo total. La velocidad de producción puede aumentar mientras crecen las exigencias de comprobar resultados, corregir fallas y conservar sistemas que otras personas deberán utilizar o mantener, una dinámica que transforma el ahorro inicial en nuevas responsabilidades posteriores.

Un resultado de METR también introdujo una advertencia sobre la percepción de productividad. En una muestra de desarrolladores experimentados de software de código abierto, quienes utilizaron asistentes de IA tardaron 19% más en completar las tareas, aunque habían estimado que trabajarían 24% más rápido sin esa ayuda.

La diferencia entre expectativa y resultado no demuestra que todas las herramientas sean improductivas, pero sí cuestiona la idea de que la aceleración percibida equivale a una reducción efectiva del tiempo. En trabajos complejos, revisar las sugerencias, integrar cambios y verificar que el resultado sea sostenible puede absorber parte del beneficio que prometía la automatización.

Más publicaciones también presionan la revisión

El mismo problema aparece en el sistema de publicaciones académicas cuando la producción de textos aumenta más rápido que la capacidad de evaluarlos. Si los autores pueden entregar manuscritos con mayor facilidad, las redes de revisión por pares reciben más solicitudes y enfrentan una carga adicional, incluso cuando la calidad promedio de los trabajos no mejora.

La fuente citó el caso de AI Scientist-v2, desarrollado por Sakana AI, como un ejemplo de los riesgos asociados con la automatización integral. El sistema logró impulsar un artículo generado completamente por computadora hasta una conferencia de ICLR, pero el trabajo incluía errores en sus citas, lo que puso de relieve la distancia entre superar un filtro editorial y cumplir con estándares rigurosos de verificación.

También se mencionó que arXiv endureció sus advertencias y llegó a prohibir durante un año los envíos de usuarios que presentaran fuentes falsas o incorporaran comentarios generados por IA de forma indebida. La medida refleja una preocupación institucional concreta: cuando publicar resulta más fácil, los mecanismos de control necesitan detectar no solo errores científicos, sino también señales de fabricación o revisión insuficiente.

El problema no se limita a la reputación de un artículo individual. Una mayor circulación de resultados débiles puede consumir el tiempo de otros investigadores, que deben comprobar afirmaciones, reproducir experimentos o separar conclusiones útiles de documentos que alcanzaron la publicación sin suficiente trabajo voluntario.

Una respuesta diferente para cada disciplina

Los autores sostienen que las instituciones no deberían responder a la IA con una política uniforme, porque sus efectos dependen de la etapa del ciclo científico que se acelere. Una herramienta que ayuda a examinar hipótesis puede intensificar la competencia entre proyectos, mientras otra que automatiza análisis suplementarios puede elevar la profundidad de los resultados.

La disciplina también modifica el balance entre velocidad y calidad. Los campos técnicos pueden experimentar una selección más agresiva de ideas y una rotación rápida hacia nuevos proyectos, mientras las áreas basadas en trabajo de campo podrían enfrentar una expansión de publicaciones con menos dedicación a cada estudio.

Un trabajo reciente sobre desarrollo de software describió una dinámica comparable como una tragedia de los comunes. Los beneficios individuales de producir código más rápido pueden coincidir con costos colectivos para quienes después deben revisar, mantener y corregir ese código, especialmente cuando la presión por aprovechar la IA reduce el tiempo disponible para controles de calidad.

Para la ciencia, la lección es que la productividad no debería medirse únicamente por la cantidad de hipótesis evaluadas, artículos enviados o tareas completadas. El diseño de incentivos, los estándares de revisión y la asignación explícita de tiempo para validar resultados serán determinantes para evitar que una mayor velocidad termine llenando el sistema de investigaciones más numerosas, pero menos confiables.

El estudio no afirma que la IA vaya a empeorar inevitablemente toda investigación ni que los modelos de lenguaje carezcan de utilidad científica. Su conclusión es más específica: si el tiempo ahorrado permite abrir proyectos nuevos y las instituciones premian principalmente el volumen, los investigadores tendrán razones para sacrificar tareas voluntarias que sostienen la profundidad y el rigor.

La promesa de una ciencia mejor dependerá, por tanto, de qué haga el sistema con las horas liberadas. Sin cambios en los incentivos, la automatización podría acelerar la carrera por producir resultados; con reglas y métricas que valoren la validación, la reproducibilidad y el análisis cuidadoso, ese mismo ahorro tendría mayores posibilidades de convertirse en conocimiento más sólido.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados