Uso de la inteligencia artificial en investigaciones científicas

Seguidores Online » Redes Sociales » Uso de la inteligencia artificial en investigaciones científicas

La inteligencia artificial aplicada a la investigación científica ha pasado de ser una curiosidad tecnológica a convertirse en una pieza clave del trabajo académico. Hoy, desde la primera búsqueda bibliográfica hasta la redacción final de un artículo, es raro encontrar un proyecto que no se apoye, aunque sea un poco, en alguna herramienta impulsada por IA.

Al mismo tiempo, surgen dudas éticas, metodológicas y legales sobre cómo integrar estos sistemas en la práctica científica sin poner en riesgo la calidad del conocimiento ni la integridad académica. En este artículo repasamos con detalle qué es la IA en investigación, qué tipos de herramientas existen, cómo se están usando, cuáles son sus ventajas e inconvenientes y qué exigencias éticas y de citación plantea.

Qué entendemos por inteligencia artificial en la investigación científica

Cuando hablamos de IA en el contexto científico nos referimos a sistemas capaces de ejecutar tareas que, tradicionalmente, exigían razonamiento humano: aprender de los datos, reconocer patrones, generar hipótesis, tomar decisiones o producir contenido en distintos formatos. Para ello se apoyan en algoritmos complejos, redes neuronales y modelos estadísticos entrenados con enormes conjuntos de datos.

Una parte especialmente relevante es la inteligencia artificial generativa, diseñada para crear texto, imágenes, audio, vídeo o incluso código a partir de instrucciones en lenguaje natural. Este enfoque ha cambiado la forma de escribir artículos, preparar materiales docentes, resumir literatura o prototipar ideas de investigación.

En el ámbito universitario y de los centros de investigación, la IA supone a la vez una oportunidad y un reto estratégico. Por un lado, permite optimizar la búsqueda de información, apoyar el análisis de datos y mejorar la comunicación científica. Por otro, obliga a replantear la originalidad de los trabajos, la autoría, la protección de datos o la transparencia en los métodos utilizados.

Las bibliotecas académicas, en particular, están incorporando sistemas de búsqueda avanzada y asistentes conversacionales que ayudan a localizar artículos, elaborar estrategias de revisión de literatura o guiar a los usuarios en el uso responsable de estas herramientas. Esto modifica la relación entre investigadores, recursos de información y servicios de apoyo.

Aplicaciones de la IA a lo largo del ciclo de investigación

El impacto de la IA no se limita a una sola fase, sino que atraviesa prácticamente todo el ciclo de vida de un proyecto científico: desde el planteamiento inicial de la pregunta de investigación hasta la difusión de resultados y la evaluación de su impacto.

En las etapas tempranas, la IA facilita la exploración de ideas, el diseño de hipótesis y la elección de metodologías. Un modelo de lenguaje puede sugerir enfoques alternativos, proponer marcos teóricos o analizar puntos de vista complementarios a partir de literatura existente.

Durante el trabajo de campo o de laboratorio, los algoritmos de aprendizaje automático permiten analizar grandes volúmenes de datos con rapidez, detectar patrones sutiles, clasificar señales complejas o generar modelos predictivos. Esto es clave en áreas como la física de partículas, la geociencia, la biomedicina (por ejemplo, en el desarrollo de nuevos medicamentos), la climatología o la ciencia de materiales.

En la fase de redacción y comunicación, las herramientas generativas ofrecen apoyo para escribir, corregir, resumir y traducir manuscritos, preparar presentaciones o adaptar contenidos para audiencias no especializadas. Usadas con criterio, ayudan a pulir el texto y a ahorrar tiempo en tareas repetitivas.

Finalmente, los sistemas de análisis de citas e impacto basados en IA facilitan evaluar cómo circulan los resultados en la comunidad científica, qué trabajos los apoyan, cuáles los cuestionan y dónde se están abriendo nuevas líneas de investigación.

Herramientas clave de IA para la investigación científica

El ecosistema de herramientas es amplísimo y crece a buen ritmo, por lo que conviene conocer las categorías principales de utilidades disponibles y algunos ejemplos representativos que ya se usan de forma habitual en universidades y centros de investigación.

Asistentes conversacionales y modelos de lenguaje

Los chatbots de propósito general permiten interactuar en lenguaje natural para resolver dudas, generar borradores o revisar contenidos.

• Copilot (Bing Chat Enterprise): integrado en el ecosistema de Microsoft, ofrece respuestas conversacionales basadas en modelos generativos avanzados. En algunas universidades, como la de Castilla-La Mancha, se proporciona acceso institucional con protección reforzada de datos.
• ChatGPT: modelo conversacional basado en la familia GPT de OpenAI, capaz de redactar textos coherentes, resumir documentos, proponer ideas de investigación o ayudar con tareas de codificación y análisis.
• Gemini: plataforma de chat de Google con capacidades generativas multimodales que se integra con otros servicios de la compañía y permite explorar información científica conectada a la web.
• Google Assistant y asistentes similares: aunque más orientados al uso general, pueden apoyar consultas rápidas, recordatorios y tareas organizativas vinculadas a la investigación.

Buscadores científicos y revisión de literatura asistida

Una de las áreas donde la IA brilla especialmente es en la revisión sistemática y el descubrimiento de literatura, ya que puede procesar miles de artículos en cuestión de segundos.

• Consensus: motor de búsqueda experto que intenta sintetizar el consenso científico alrededor de una pregunta. Indica si los estudios tienden a apoyar o cuestionar una afirmación y presenta una visión agregada de resultados.
• Elicit: herramienta basada al 100 % en IA generativa que permite hacer preguntas directas a colecciones de artículos y recibir informes organizados con respuestas, resúmenes y referencias relevantes. Destaca por su capacidad para mejorar y refinar la pregunta inicial sugerida por el usuario.
• Research Rabbit: combina búsqueda y visualización de redes de documentos. Permite explorar conexiones entre autores, temas y artículos, crear listas personalizadas, configurar alertas y trabajar de manera colaborativa.
• Scite.ai: se centra en el análisis contextual de las citas. Clasifica si un artículo está siendo apoyado, cuestionado o simplemente mencionado por otros trabajos, aportando matices sobre el impacto real de una publicación.
• Inciteful (mencionada en algunos recursos): genera grafos de literatura científica que visualizan cómo se enlazan artículos y autores en torno a un tema concreto, ayudando a detectar núcleos de investigación y huecos en el campo.

Herramientas para interactuar con documentos y PDF

Más allá del buscador, han surgido plataformas especializadas que permiten conversar directamente con artículos, informes o libros en PDF, algo muy útil cuando se manejan grandes documentos.

• ChatPDF: aprovecha modelos generativos para interpretar PDFs, responder preguntas sobre su contenido, elaborar resúmenes o reformular secciones clave.
• Humata: otra opción para subir archivos PDF y obtener respuestas específicas basadas en su contenido, útil tanto en revisiones de literatura como en análisis internos de datos o informes.

Apoyo a la escritura académica, corrección y traducción

La redacción es una de las partes más costosas del trabajo científico, por lo que no extraña que existan múltiples plataformas centradas en mejorar la calidad lingüística y formal de los textos.

• Paperpal: orientada a la escritura académica, ayuda a detectar errores complejos, mejorar la claridad, refinar el estilo y ajustar la estructura de manuscritos científicos.
• Grammarly: muy extendida en entornos de publicación en inglés, revisa ortografía, gramática, puntuación y coherencia, ofreciendo sugerencias para pulir textos académicos y de investigación.
• DeepL: sistema de traducción automática que destaca por la calidad de sus resultados, especialmente útil para traducir artículos, resúmenes y correspondencia científica entre varios idiomas.
• Jasper y otras herramientas generativas de contenido: permiten generar borradores, reescrituras, versiones adaptadas a distintas audiencias o materiales de divulgación a partir de un texto base más técnico.

Además, modelos generalistas como ChatGPT o Gemini pueden ayudar a esbozar secciones de un artículo, proponer títulos, elaborar resúmenes estructurados, generar palabras clave o adaptar la longitud y el tono del manuscrito según las exigencias de una revista.

Generación de imágenes y material gráfico

En el terreno visual, la IA permite crear ilustraciones, esquemas e imágenes sintéticas que complementan la comunicación científica, ya sea para presentaciones, pósteres o divulgación.

• DALL·E 2: sistema de generación de imágenes por texto desarrollado con tecnología de OpenAI y Bing, capaz de producir ilustraciones originales a partir de descripciones detalladas.
• Midjourney: plataforma muy popular para generar imágenes creativas a partir de prompts textuales, útil para representar conceptos científicos complejos de forma visual.
• Stable Diffusion: modelo de código abierto entrenado para generar imágenes de alta calidad a partir de descripciones en lenguaje natural o imágenes de referencia.

Programación y desarrollo de código

Otra área donde la IA ha cambiado las reglas del juego es la programación científica y el desarrollo de software, muy presentes en casi todas las disciplinas modernas.

• GitHub Copilot: asistente de codificación basado en modelos de OpenAI que sugiere fragmentos de código, funciones completas y soluciones a problemas recurrentes mientras el investigador escribe.
• Asistentes integrados en IDEs y plataformas científicas que aportan ejemplos, corrigen errores y ayudan a documentar mejor los scripts y programas de análisis.

Usos concretos de la IA generativa en la redacción científica

En la práctica diaria, las herramientas generativas como ChatGPT permiten abordar tareas muy concretas dentro de la redacción académica, siempre bajo supervisión humana para garantizar rigor y exactitud.

Entre los usos más habituales se encuentran la redacción de borradores o esquemas iniciales de artículos, informes, tesis o memorias de proyecto. La IA puede ayudar a organizar secciones, sugerir encabezados y proporcionar un texto base que luego el investigador revisa, corrige y completa con su propio conocimiento.

También es frecuente recurrir a estos sistemas para mejorar la coherencia y claridad de un texto ya escrito, pidiendo reformulaciones de párrafos confusos, propuestas de transiciones más fluidas o simplificaciones de pasajes excesivamente técnicos para un público determinado.

Otra aplicación común es la generación de versiones alternativas de un mismo fragmento, ajustando el estilo (más formal, más divulgativo, más sintético), el nivel de detalle o la longitud, lo que resulta útil cuando se quiere adaptar el contenido a revistas diferentes o a canales de divulgación.

Las herramientas de IA sirven asimismo para encontrar sinónimos, controlar el vocabulario técnico y evitar repeticiones constantes de las mismas expresiones, algo habitual en manuscritos largos. Además, pueden sugerir terminología más precisa en función del área temática.

Por último, muchos investigadores las utilizan para elaborar resúmenes, abstracts y palabras clave, revisar el formato de las referencias según un manual de estilo concreto o traducir el artículo a otro idioma antes de una revisión humana más exhaustiva.

Ventajas y limitaciones de la IA en tareas clave de investigación

Las aplicaciones descritas no están exentas de matices. Es importante conocer bien los pros y contras de cada tipo de uso para sacar partido a la tecnología sin caer en dependencias peligrosas o malas prácticas.

Revisión y descubrimiento de literatura

En el lado positivo, la IA permite automatizar la búsqueda de artículos relevantes mediante algoritmos que recorren bases de datos académicas a gran velocidad, identificando estudios que encajan con una pregunta de investigación o con un conjunto de palabras clave.

Gracias a su capacidad para procesar grandes volúmenes de datos, estos sistemas pueden detectar patrones, tendencias y relaciones entre trabajos que pasarían desapercibidos en una revisión manual, como redes de colaboración entre autores o la evolución temporal de determinados enfoques.

Sin embargo, la calidad de los resultados depende de forma crítica de los algoritmos y las fuentes de datos. Un modelo mal entrenado puede devolver artículos irrelevantes, sesgados o desactualizados, y el acceso limitado a ciertas bases de datos de pago reduce el alcance real de la revisión automatizada.

Análisis y visualización de datos

En el análisis de datos, la IA facilita procesar ingentes cantidades de información, identificar patrones complejos, agrupar observaciones o generar modelos predictivos robustos. Esto ahorra tiempo y mejora la eficiencia, permitiendo centrar los esfuerzos en la interpretación y el diseño de nuevos experimentos.

No obstante, si los datos de partida están incompletos, contaminados o mal etiquetados, los algoritmos pueden arrojar conclusiones erróneas o engañosas. Además, subir datos sensibles a plataformas externas conlleva riesgos de seguridad y privacidad, ya que los ficheros pueden almacenarse y procesarse en servidores de terceros.

Revisión de escritura y calidad del texto

Las herramientas de corrección automática permiten detectar fallos gramaticales, ortográficos o de puntuación con gran precisión, así como sugerir mejoras de estilo. También facilitan escribir en varios idiomas, abriendo la puerta a que más investigadores publiquen en revistas internacionales.

Sin embargo, la calidad de las sugerencias varía según el modelo y puede verse condicionada por los datos con los que se entrenó. Es imprescindible la intervención humana para validar los cambios, especialmente en textos técnicos donde un matiz mal interpretado puede alterar el significado científico.

Resumen de textos largos

Los sistemas de resumen basados en IA ayudan a condensar documentos extensos (artículos, informes, actas, incluso audio o vídeo transcrito) y facilitan una primera aproximación a su contenido sin leerlo entero. Esto ahorra tiempo y hace más accesible la información a distintas audiencias.

El problema aparece cuando el resumen omite detalles fundamentales o distorsiona el contexto, algo que puede ocurrir en textos muy complejos o matizados. En contextos académicos y profesionales, donde importa el razonamiento fino, no basta con el resumen automático: debe enfrentarse siempre con la fuente original.

Programación y desarrollo con ayuda de IA

En el ámbito del software, los asistentes de codificación permiten automatizar tareas repetitivas, generar funciones estándar, sugerir correcciones a errores frecuentes y ofrecer documentación contextual, lo que incrementa la productividad y reduce la curva de aprendizaje para ciertos lenguajes o librerías.

El riesgo está en una posible dependencia excesiva de estas herramientas, que puede frenar el desarrollo de habilidades de programación sólidas. Además, el sistema no siempre capta el contexto completo del proyecto y puede proponer soluciones inapropiadas, poco eficientes o difíciles de mantener.

Detección de plagio y control de originalidad

Las herramientas de detección de similitud basadas en IA destacan por su rapidez y cobertura: comparan un texto con enormes bases de datos de artículos, recursos web y documentos institucionales en pocos segundos, permitiendo una revisión exhaustiva previa a la publicación.

Además de coincidencias literales, muchos sistemas son capaces de detectar paráfrasis sospechosas, identificando reescrituras demasiado cercanas al original aunque se hayan cambiado palabras o el orden de las frases. Esto refuerza la integridad académica y ayuda a prevenir conflictos de copyright.

Sin embargo, pueden aparecer falsos positivos cuando marcan como plagio expresiones habituales, definiciones estándar o citas correctamente referenciadas. También dependen de la amplitud y actualización de sus bases de datos, lo que puede dejar fuera fuentes recientes o poco accesibles.

En muchos casos, el coste de las soluciones más avanzadas (como plataformas comerciales de uso institucional) supone un obstáculo para grupos pequeños o investigadores independientes. Y, como en otros ámbitos, la máquina no entiende bien el contexto, por lo que la interpretación de los informes debe recaer siempre en personas expertas.

IA en proyectos científicos financiados y política europea

En el contexto europeo, la IA no es solo una herramienta de laboratorio: forma parte de una estrategia global de ciencia, tecnología e innovación impulsada por las instituciones comunitarias para mantener el liderazgo y beneficiar a la sociedad en su conjunto.

La Comisión Europea ha puesto en marcha un plan coordinado sobre inteligencia artificial que busca fomentar la excelencia desde los laboratorios hasta el mercado, armonizar políticas entre Estados miembros y acelerar las inversiones en esta tecnología. Programas como Horizonte 2020 y Horizonte Europa financian proyectos que integran IA en múltiples campos científicos.

Paralelamente, se avanza en un marco legislativo específico para la IA (la conocida Ley de IA), cuyo objetivo es garantizar que los sistemas que operan en territorio europeo sean seguros, transparentes, éticos, no discriminatorios y mantengan el control humano sobre las decisiones críticas.

Los proyectos financiados abarcan desde la astronomía y la física fundamental hasta la conservación del patrimonio cultural, pasando por la medicina personalizada, la geociencia o las telecomunicaciones. Algunos ejemplos ilustrativos incluyen:

• Iniciativas que utilizan aprendizaje automático para estudiar la formación y evolución de las estrellas y mejorar los modelos de dinámica cósmica.
• Proyectos de tomografía cognitiva que analizan datos neurocientíficos complejos con el fin de entender mejor los procesos mentales humanos.
• Robots colaborativos equipados con sistemas de percepción y control basados en IA que exploran entornos extremos e inaccesibles, como cuevas de lava en la Luna u otras localizaciones planetarias.
• Plataformas para procesar datos masivos de observación de la Tierra, orientadas a comprender retos medioambientales y climáticos mediante análisis avanzados de imágenes satelitales.
• Herramientas matemáticas y computacionales diseñadas para identificar combinaciones de fármacos óptimas en tratamientos personalizados contra el cáncer.
• Sistemas que clasifican y analizan señales sísmicas con el fin de mejorar el conocimiento sobre el comportamiento de las fallas durante los terremotos.
• Marcos de evaluación del impacto del cambio climático sobre sitios patrimoniales de gran valor cultural, usando análisis predictivo y simulaciones.
• Modelos lingüísticos entrenados para construir grandes redes de representaciones semánticas multilingües, abordando retos como las alucinaciones de la IA en traducción y comprensión.
• Estudios sobre la estructura interna del protón aplicando técnicas de machine learning a datos de física de partículas.
• Aplicaciones en política pública y evaluación de impacto, utilizando diseño de regresión discontinua para medir de forma más precisa los efectos causales de distintas medidas.
• Plataformas que usan IA para crear planes de nutrición personalizados en el tratamiento de la obesidad, a partir de datos clínicos y de comportamiento.
• Proyectos de estratificación de riesgo en patologías cardiovasculares mediante redes neuronales y modelos de predicción.
• Desarrollo de nuevos materiales con propiedades especiales, optimizando el diseño mediante algoritmos de optimización y simulación.
• Optimización de redes de comunicaciones 5G utilizando aprendizaje automático para mejorar eficiencia y cobertura.
• Fujitsu impulsará la inteligencia artificial en la sanidad pública andaluza con un laboratorio pionero.
• Conservación digital de registros cinematográficos históricos relacionados con momentos clave del siglo XX, aplicando IA a la restauración y catalogación.

Botones de «investigación en profundidad» y nuevas funciones de los LLM

En los últimos meses, las principales plataformas comerciales de modelos de lenguaje han incorporado funciones específicas para investigación avanzada, a menudo presentadas como un botón de “investigación en profundidad” o “deep research”.

En servicios como ChatGPT (en sus versiones de pago) o Gemini Advanced, esta opción permite que el sistema realice búsquedas extensivas, análisis cruzados de fuentes y síntesis estructuradas sobre un tema, más allá de una simple respuesta rápida. El usuario puede tener que responder a preguntas adicionales para acotar el enfoque antes de que comience el proceso.

Este tipo de funciones suele tardar más tiempo en generar resultados (varios minutos en ocasiones), pero a cambio ofrecen informes organizados con apartados, ejemplos, datos y enlaces a referencias. Su utilidad radica en proporcionar una panorámica amplia como punto de partida para un trabajo más detallado.

Aunque mejoran la eficiencia, es crucial recordar que siguen estando sujetas a sesgos, errores y posibles alucinaciones, por lo que deben entenderse como asistentes, no como sustitutos del juicio crítico ni de la lectura directa de las fuentes científicas originales.

Requisitos éticos, citación y transparencia en el uso de IA

El despliegue masivo de estas herramientas plantea cuestiones delicadas relacionadas con la originalidad, el plagio, la privacidad y la propiedad intelectual. Por ello, muchas instituciones académicas y comités de ética han empezado a publicar directrices específicas para el uso de IA en la investigación.

En un trabajo académico riguroso conviene describir explícitamente cómo y en qué momentos se ha utilizado la IA: en la metodología, en la introducción o en los agradecimientos, según proceda. Es recomendable indicar:

• Nombre de la herramienta o modelo empleado.
• Versión concreta utilizada, si está disponible.
• Entidad o compañía responsable de su desarrollo.
• Tipo de instrucciones o prompts que se usaron para generar el contenido.
• Fecha aproximada en la que se generó la salida de IA.

Cada estilo de citación está ajustando sus normas para dar cabida a estas referencias. Por ejemplo, en el caso de APA se recomienda tratar la herramienta de forma similar al software, incluyendo entidad, año, nombre en cursiva, versión, descripción y URL. Chicago sugiere reconocer la intervención de IA en el texto y, si es necesario, ampliar detalles en notas al pie o finales, sin incluir necesariamente la herramienta en la lista de referencias.

En el estilo MLA se hace hincapié en citar la herramienta y explicar el uso que se le ha dado, incluyendo el título de la petición, la versión y la fecha de generación. La norma ISO 690 propone estructuras similares, indicando claramente que se trata de una herramienta de IA, el prompt empleado y la fecha de consulta.

Más allá de las normas formales, la clave está en mantener la integridad académica: comprobar los contenidos generados, evitar presentar como propio lo que ha sido producido por una máquina y no delegar en la IA la responsabilidad sobre afirmaciones que no se han verificado contra la literatura real.

La inteligencia artificial se ha convertido en una aliada poderosa para acelerar búsquedas, ordenar información, explorar datos complejos y pulir textos, siempre que se use con criterio, transparencia y espíritu crítico. Aprovechar sus ventajas sin perder de vista sus limitaciones técnicas y éticas marca la diferencia entre una investigación reforzada por la tecnología y una investigación que se apoya ciegamente en ella.