La IA generativa ya está integrada en el flujo de trabajo diario de la investigación científica. Los investigadores la usan para buscar y resumir literatura, generar ideas, redactar respuestas para pares evaluadores y pulir el estilo del texto escrito. Esto ya no es una práctica marginal. Plantea una pregunta que la comunidad científica aún no ha respondido con claridad: cuando la producción intelectual de un investigador es producida en parte por un sistema de IA, ¿qué significa realmente la autoría?
Robert Braun, investigador sénior en el Institute for Advanced Studies de Viena, argumenta en Nature que esta pregunta es más profunda de lo que parece. No se trata simplemente de reconocimiento. Se trata de responsabilidad, confianza y toda la infraestructura a través de la cual se valida la ciencia.
La autoría siempre ha sido una construcción social, no un derecho natural
Uno de los puntos más clarificadores en el análisis de Braun es el histórico. La autoría en la ciencia nunca fue una categoría fija u obvia. Se construyó a través de convenciones, instituciones y prácticas que evolucionaron con el tiempo. La autoridad de Isaac Newton como académico, por ejemplo, descansaba no solo en sus descubrimientos, sino en su capacidad para navegar instituciones como la Royal Society y las normas de publicación de su época. Las reglas del reconocimiento académico siempre han estado moldeadas por las herramientas y estructuras sociales disponibles.
Esto importa porque replantea el debate actual. La llegada de la IA generativa no es la primera vez que la tecnología altera la forma en que se asigna la autoría. Pero puede ser la más disruptiva a nivel estructural, porque la IA no encaja en ninguna categoría existente de colaborador.
Un estudiante de posgrado o asistente de investigación que ayuda a escribir un artículo puede explicar lo que hizo, responder a críticas, aprender de las correcciones y hacerse responsable de los errores. Un sistema de IA generativa no puede hacer ninguna de estas cosas. No puede justificar sus resultados, asumir la responsabilidad de las imprecisiones o ser sancionado por mala conducta. Esta no es una distinción técnica menor. Es la razón principal por la cual simplemente agregar la IA a los marcos de autoría existentes no funciona.
Las herramientas existen. Las categorías no.
La comunidad de investigación ha desarrollado taxonomías para hacer que la autoría sea más transparente. CRediT, la Contributor Roles Taxonomy, ya es utilizada por varios editores y desglosa la labor académica en roles específicos, yendo más allá de la señal contundente del orden de los autores. Es una mejora genuina respecto a las prácticas anteriores.
Pero CRediT fue diseñada para colaboradores humanos. No tiene una categoría para “síntesis de literatura asistida por IA” o “iteración estructural generada por IA”. El propio artículo de Braun es un claro ejemplo: revela que se usó ChatGPT de OpenAI para la generación de ideas, iteración estructural, generación de prosa, resumen, condensación y revisión estilística, y que se usó Claude de Anthropic para revisar el artículo. Estas son contribuciones sustanciales al texto final. Ninguno de los marcos de autoría existentes tiene un lugar claro para ellas.
El problema va más allá de la fase de escritura. La IA está comenzando a influir en la selección de revisores, la interpretación editorial de los informes y el lenguaje de las decisiones editoriales. Estos son los mecanismos a través de los cuales un manuscrito se convierte en conocimiento reconocido. Si la IA moldea esos mecanismos sin ninguna rendición de cuentas formal, la transparencia que se supone que debe proporcionar la autoría se vuelve hueca.
También hay una capa de trabajo invisible que rara vez entra en la conversación. Los sistemas de IA generativa utilizados en la investigación se construyeron sobre etiquetado de datos, evaluación de modelos, trabajo de ingeniería, mantenimiento de plataformas y el vasto corpus de textos en el que se entrenaron los modelos. Ninguno de este trabajo aparece en las secciones de agradecimientos. Las personas que lo realizaron no reciben atribución alguna.
Una grieta en la jerarquía que vale la pena examinar
Esto es lo que la mayor parte de la cobertura sobre este tema pasa por alto. La llegada de la IA generativa en la escritura académica no solo crea un nuevo problema de atribución. Expone uno viejo.
El trabajo académico siempre se ha organizado jerárquicamente. Los investigadores junior buscan literatura y recopilan datos. Los investigadores senior enmarcan el argumento conceptual y aprueban el texto final. La sección de agradecimientos, que puede parecer una cortesía, es en realidad una economía jerárquica: algunas contribuciones se convierten en autoría, algunas se devalúan a “comentarios útiles” y algunas desaparecen por completo.
El argumento de Braun es que la IA generativa crea una oportunidad para cuestionar esta economía en lugar de simplemente extenderla. Si la síntesis de literatura asistida por IA es lo suficientemente significativa como para requerir divulgación, ¿por qué el mismo trabajo, cuando lo realiza un asistente de investigación humano, históricamente no ha ganado la autoría? La pregunta no es retórica. Señala una inconsistencia estructural que es anterior a la IA y que la IA ahora está haciendo más difícil de ignorar.
Las decisiones que se toman ahora sobre cómo contabilizar la IA en la publicación académica moldearán el futuro de la academia. Si esas decisiones son impulsadas principalmente por conveniencia o costo, el resultado serán marcos que oscurecen más de lo que revelan.
En resumen
La IA generativa ya está dentro del proceso de escritura científica, manejando tareas que van desde la revisión de literatura hasta la revisión estilística. El problema es que los marcos de autoría existentes se construyeron para humanos que pueden rendir cuentas, y la IA no puede hacerlo. La solución no es simplemente agregar una nueva casilla a las taxonomías existentes. Requiere un replanteamiento más fundamental de cómo se asignan el reconocimiento académico y la responsabilidad, incluido el trabajo humano que durante mucho tiempo ha sido invisibilizado por las mismas jerarquías que ahora se están alterando.
Basado en información de Nature: Machine Learning.