En septiembre, Pavel Rabtsevich le pidió a un modelo de IA que descubriera un planeta. Lo orientó hacia un lote de datos de telescopios, le entregó un plan de alto nivel y, unas dos semanas después, el sistema devolvió dos posibles mundos que orbitaban una estrella a 116 años luz de la Tierra. Los astrónomos profesionales están revisando el resultado en este momento. La historia es un caso de prueba útil sobre lo que sucede cuando un análisis de nivel experto se convierte en algo que una persona sin experiencia puede invocar en lenguaje llano.
Qué hizo exactamente el bot
Rabtsevich trabaja en España como especialista en IA y no tiene formación formal en astronomía. Para su búsqueda, utilizó Claude Code, una herramienta de programación creada por Anthropic, y le pidió que examinara los datos de más de 120.000 estrellas observadas por el Transiting Exoplanet Survey Satellite (TESS) de la NASA a finales de 2025 y principios de 2026.
El método en sí es clásico. Una estrella que se atenúa con regularidad, una y otra vez, puede tener un planeta cruzando por delante de ella y bloqueando una rendija de luz en cada paso. Rabtsevich guio a Claude para que utilizara un algoritmo popular de detección de planetas con el fin de buscar exactamente esas disminuciones de luz.
Claude se centró en una estrella llamada TIC 4206066, que mostraba dos ciclos de atenuación separados: uno aproximadamente cada 3 días y otro cada 11 días. Ese patrón sugiere la existencia de dos planetas, donde el interior orbita la estrella más rápido que el exterior. Luego, Rabtsevich hizo que Claude revisara datos de archivo de TESS, y la misma atenuación apareció en los registros de 2018 y 2020. Para validar las señales, Claude encontró un algoritmo de detección de planetas escrito y publicado públicamente por la investigadora Michelle Kunimoto, y lo ejecutó.
Nota la división del trabajo. El humano proporcionó la dirección y el criterio sobre qué solicitar. La IA se encargó del volumen: escanear una cantidad enorme de estrellas, localizar herramientas existentes en internet y conectarlas entre sí.
Por qué los profesionales están inquietos
Los aficionados han utilizado herramientas públicas de la NASA y otros investigadores para encontrar planetas durante décadas. Lo que ha cambiado es la barrera de entrada. Una IA capaz de buscar esas herramientas en internet y ejecutarlas en conjuntos de datos masivos significa que una persona ya no necesita entender cómo funciona el software para poder operarlo.
Ahí es donde Kunimoto, investigadora de exoplanetas en la Universidad de British Columbia en Vancouver, plantea una preocupación directa. Algunos cazadores de planetas, señala, no entienden del todo los algoritmos que utiliza la IA, lo que significa que no pueden validar lo que produce. Ella describe una afluencia enorme y abrumadora de artículos impulsados por IA, los cuales tienden a incluir candidatos a planetas que no son de la mejor calidad. Su conclusión es contundente: los sistemas utilizados para difundir la ciencia se están viendo desbordados.
Aquí está la parte que la mayoría de las coberturas pasan por alto. El cuello de botella en la ciencia nunca fue solo encontrar señales. Consistía en decidir qué señales merecen credibilidad. Cuando el descubrimiento se vuelve económico, la verificación se convierte en el recurso escaso, y recae sobre un pequeño grupo de revisores y editores que ahora se enfrentan a una avalancha de envíos.
Un caso que salió bien y qué hizo que funcionara
Vale la pena leer con atención el resultado de Rabtsevich, porque muestra las salvaguardas que separan una contribución útil del ruido. Publicó sus descubrimientos en la plataforma Zenodo como un artículo preliminar el 25 de septiembre. Ese trabajo no ha sido revisado por pares. Sin embargo, los astrónomos de TESS completaron un análisis independiente de las señales y las agregaron a su lista oficial de candidatos a planetas.
Tres cosas destacan. La detección se contrastó con datos de archivo más antiguos de 2018 y 2020. El paso de validación utilizó un algoritmo respetado y disponible públicamente. Y, de manera crucial, los profesionales volvieron a analizar las señales de forma independiente antes de que ingresaran en una lista oficial. La palabra “candidato” también importa aquí: un candidato es una pista prometedora, no un planeta confirmado. El propio enfoque de Rabtsevich, dos posibles planetas, refleja esa prudencia.
La lección no es que los descubrimientos de la IA sean sospechosos. Es que un hallazgo de la IA se gana la confianza mediante la confirmación independiente, de la misma manera que cualquier otro hallazgo.
Qué significa esto más allá de la astronomía
El patrón se extiende mucho más allá de los exoplanetas. La IA está convirtiendo muchos flujos de trabajo especializados en algo que un extraño motivado puede intentar, y eso es genuinamente valioso. Las personas con curiosidad y tiempo, pero sin un título en el campo, ahora pueden contribuir a la investigación real. Los profesionales, a su vez, obtienen un grupo más grande de pistas para examinar.
Pero el beneficio depende de un cambio en lo que cuenta como experiencia. Operar la herramienta se está volviendo fácil. Entender lo que hizo la herramienta, por qué podría estar equivocada y cómo probarla es la habilidad que importa ahora. Un aficionado que puede explicar el método de atenuación y verificar un resultado con datos de archivo aporta algo. Un aficionado que reenvía datos sin procesar solo aumenta el montón.
Para las instituciones, el desafío es la capacidad. Las revistas, los servidores de artículos preliminares y los procesos de revisión se crearon para un mundo en el que producir un análisis plausible requería un esfuerzo real. A medida que ese esfuerzo disminuye, la capa de filtrado necesita apoyo, y las personas que realizan ese filtrado se vuelven más importantes, no menos. El juicio humano es la parte del proceso que no se puede omitir.
En resumen
Un no especialista utilizó una herramienta de codificación de IA para escanear más de 120.000 estrellas y sacó a la luz dos planetas candidatos alrededor de TIC 4206066, señales que los astrónomos de TESS analizaron de forma independiente y añadieron a su lista oficial de candidatos. Las mismas herramientas que hacen esto posible también están produciendo una oleada de candidatos de menor calidad, lo cual, según advierte Kunimoto, está abrumando a los sistemas que difunden la ciencia. La diferencia entre ambos resultados es la verificación: contrastar con datos de archivo, utilizar algoritmos de confianza y hacer que los profesionales confirmen el resultado. A medida que la IA facilita la búsqueda de señales, el valor real se desplaza hacia las personas capaces de juzgar cuáles de ellas son reales.
Basado en información de Nature.