La investigación, publicada en Nature, se basa en el análisis de más de 40 millones de artículos científicos publicados a lo largo de varias décadas y ofrece una de las radiografías más amplias hasta la fecha sobre el impacto real de la IA en la producción científica.

Cómo se midió la huella de la IA en la ciencia

El estudio fue liderado por investigadores de la Universidad de Tsinghua y la Universidad de Chicago. Para identificar el uso de IA, el equipo entrenó un modelo de lenguaje capaz de detectar patrones estilísticos, metodológicos y analíticos asociados a herramientas de aprendizaje automático y generación automatizada de texto.

A partir de ahí, compararon patrones de publicación, tasas de citación y redes de colaboración entre científicos cuyos trabajos mostraban señales de asistencia de IA y aquellos que no las presentaban.

Más productividad y más citas a nivel individual

Los resultados son claros en el plano individual. Los científicos identificados como usuarios de herramientas de IA:

• Publicaron significativamente más artículos
• Recibieron más citas en promedio
• Alcanzaron posiciones de autoría senior en menos tiempo

Este último punto es especialmente relevante, ya que la autoría senior suele asociarse con liderazgo académico, prestigio y promoción profesional. Además, estas ventajas se repiten en múltiples disciplinas, lo que indica que la IA no cambia las reglas del éxito académico, sino que las refuerza.

Una ciencia más productiva, pero más concentrada

El panorama cambia cuando el foco se amplía desde las carreras individuales al ecosistema científico global. A medida que crece el uso de la IA, el estudio detecta:

• Una ligera pero consistente reducción en la diversidad de temas de investigación
• Una caída notable en las colaboraciones y en las citas cruzadas entre científicos

En otras palabras, los investigadores tienden a trabajar más en los mismos problemas y a apoyarse menos en trabajos externos y variados.

Por qué la IA favorece ciertos campos

Los autores explican este fenómeno por la propia naturaleza de las herramientas de IA. Los sistemas de aprendizaje automático funcionan mejor en áreas que cuentan con:

• Grandes volúmenes de datos
• Procesos analíticos estandarizados
• Problemas bien definidos y repetibles

Como resultado, los científicos que trabajan en estos campos son más propensos a adoptar IA y a converger en líneas de investigación similares, donde la tecnología ofrece ventajas claras. En cambio, áreas basadas en preguntas exploratorias, datos escasos, observación cualitativa o métodos no convencionales parecen beneficiarse mucho menos.

Correlación no implica causalidad

Los propios investigadores subrayan las limitaciones del estudio. Los resultados muestran correlaciones, no pruebas de causalidad directa. No está claro si la IA empuja activamente a los científicos hacia temas más populares o si, por el contrario, los campos ya concentrados son los primeros en adoptar estas herramientas.

Tampoco se evalúa si los artículos asistidos por IA difieren en calidad científica, solo en volumen, impacto medido en citas y posicionamiento profesional.

Un dilema para el futuro de la investigación

Aun con esas cautelas, el estudio deja una advertencia clara: la IA ya está influyendo en cómo se distribuye el esfuerzo científico. En sistemas académicos que premian la rapidez, la productividad y el número de citas, estas herramientas pueden acelerar el progreso, pero también desincentivar la exploración de ideas menos transitadas.

El desafío, concluyen los autores, no es frenar la IA, sino integrarla de forma consciente, asegurando que la ciencia siga siendo no solo más rápida, sino también más diversa, creativa y abierta a lo inesperado.