Artículos científicos escritos para la IA, no para humanos

En mayo pasado, 37 investigadores de cerca de dos docenas de universidades y empresas tecnológicas de primer nivel publicaron en arXiv un artículo que sostiene algo incómodo: que los científicos deberían dejar de escribir papers. La razón que dan es que la inteligencia artificial necesita un formato distinto y que sus necesidades, afirman, deberían ser la prioridad.

"Los agentes de IA se están convirtiendo en participantes de primera clase en los flujos de trabajo de investigación, no en herramientas que asisten a humanos sino en contribuyentes autónomos que leen, reproducen y extienden el trabajo científico. Esa transición exige una infraestructura construida alrededor de los agentes desde el principio", escriben los autores en el artículo, titulado The Last Human-Written Paper.

El texto propone un reemplazo llamado Agent-Native Research Artifact (ARA), un formato que presenta el trabajo de una manera que los agentes de IA puedan usar de forma eficiente. Como demostración, el propio artículo está publicado en línea en formato ARA.

La autora principal, Jiachen Liu, desarrolló la propuesta mientras cursaba su doctorado en ciencias de la computación en la Universidad de Michigan, que obtuvo en 2025. En mayo se convirtió en cofundadora del Agent Native Research Lab, una empresa emergente de IA para ciencia con sede en Palo Alto, California. Conversó con IEEE Spectrum sobre el artículo y el futuro de la IA en la investigación científica.

Conviene anotar que el avance de estas herramientas no está exento de críticas y que las opiniones de la comunidad científica están divididas. Alguna evidencia indica que la investigación asistida por IA puede impulsar las carreras individuales dentro de una disciplina, pero generar menos ideas y temas nuevos. Aun así, parte de la comunidad biológica ya ve promesa en la IA como co-scientist.

¿Cuándo dejó la IA de ser una herramienta?

¿Cómo llegó a creer que la IA se convirtió en una colaboradora de los científicos y no en un simple instrumento?

Jiachen Liu: A fines de 2024, cuando apareció el agente de programación Cursor, me di cuenta de que tenía un gran potencial para reemplazarme como investigadora. Aun así, todavía necesitaba montar mucha estructura encima de la IA, es decir, la infraestructura que guía al modelo y lo conecta con el mundo. Seguía requiriendo mucho trabajo manual. Incluso escribí un artículo en ese momento para subrayar lo importante que era el humano dentro del proceso.

Pero la IA avanzó desde entonces. Ya en 2026 hay un nivel de conocimiento casi completo de pregrado dentro de los modelos de lenguaje grandes. En algún momento cercano, todo el conocimiento de nivel doctoral o de profesor estará dentro de esos modelos. Ese es el punto donde los humanos no pueden aportar más valor. Las IA tendrán que evolucionar por sí mismas. Vamos a necesitar entonces una infraestructura que le permita a la IA evolucionar de forma segura y cómoda. El protocolo ARA es un primer paso para lograrlo.

¿Qué tipo de respuestas recibió por el artículo?

Liu: Recibí retroalimentación diversa, toda positiva. Si no son positivas, probablemente no se molestan en escribirte.

Un tipo vino desde la industria. Ahí ven que esto podría hacer sus sistemas de investigación y conocimiento más nativos para la IA, lo que permitiría colaboraciones a lo largo de toda la empresa.

Otro tipo vino desde el mundo académico. Todos ahí ven que compartir resultados de investigación ha sido un punto de dolor por cientos de años, porque cualquier avance científico es un esfuerzo conjunto. No viene de científicos brillantes individuales, viene de un esfuerzo comunitario, de distintas personas empujando en distintas direcciones.

El artículo científico se inventó hace 350 años. Antes de eso, los científicos escondían su investigación para que otros no les robaran las ideas. Después empezamos a tener archivos de trabajo, revisión por pares, congresos. La ciencia empieza a progresar mucho más rápido. Ese fue un punto de quiebre. Creo que ahora también estamos en uno.

¿Cuáles son los dos defectos del paper tradicional?

Usted y sus colegas dicen que el artículo científico tradicional tiene dos fallas fundamentales desde el punto de vista de la IA. ¿Puede explicarlas?

Liu: Una es el "impuesto de narración". Una vez que escribimos todo en un paper, se pierde el 80 por ciento de la información sobre el trabajo. Solo dejamos por escrito el último 20 por ciento. Todo el proceso, muchas decisiones importantes, los fracasos, los intentos que no funcionaron, desaparecen. En mi trabajo puedo pasar mucho tiempo ajustando un componente pequeño, quizás un solo parámetro o unas pocas líneas de código, para que el sistema rinda mejor. Nada de eso aparece en el artículo final. Alguien puede leerlo y pensar que el trabajo es excelente, pero no va a aprender cuál es el truco que lo hace rendir mejor en cierta carga de trabajo.

Y la información que sí sobrevive queda incompleta. A eso le llamamos el "impuesto de ingeniería". El paper es una compresión con pérdida del proceso de investigación. No puedo reproducir el trabajo descrito porque el lenguaje es demasiado ambiguo o porque faltan detalles de implementación o de los experimentos.

¿Por qué no entrenar a la IA para que se adapte a los humanos, por ejemplo interactuando con el investigador para obtener la información que necesita?

Liu: En realidad, un componente de nuestro sistema ARA es un Live Research Manager, que es básicamente un observador de IA fiel de todo tu avance de investigación. Así el investigador no necesita hacer nada para documentar el conocimiento. Todo lo que haces queda observado y documentado automáticamente en este protocolo. Y si después quieres publicarlo en el formato de hoy, un paper en PDF, es fácil convertirlo de vuelta a una historia pulida.

¿Quién revisa a la IA?

Los modelos de lenguaje cometen errores y alucinan. ¿Cómo van los humanos a poder revisar todo el trabajo que hace la IA en este protocolo?

Liu: Un ser humano tiene ancho de banda limitado. Si revisas manualmente todo el código que generan las IA, todos los resultados y todos los análisis, se crea un cuello de botella. La solución es usar un sistema formal para juzgar los resultados de forma objetiva. Dicho de otro modo, otra capa de IA puede supervisar fácilmente el proceso de las IA "científicas".

¿Y qué evita las alucinaciones y errores en esa segunda IA?

Liu: Estoy trabajando en un sistema formal con técnicas neurosimbólicas, que combinan el uso de datos no estructurados de las redes neuronales con la dependencia de estructuras de lógica y conceptos de la IA simbólica. Eso garantizaría que todo sea riguroso. Un modelo de lenguaje por sí solo, no importa cuán inteligente sea, tiene posibilidad de alucinar porque es un modelo basado en probabilidad, no en lógica. Quiero asegurarme de que no estoy usando otro modelo de lenguaje para supervisar el trabajo hecho por una IA científica.

Eso convertiría a cada artículo de investigación en un sistema formal, de modo que cada afirmación pueda escribirse como una fórmula matemática y ser demostrada por el sistema. Así todas las afirmaciones quedan consistentes entre sí.

Eliminar lo que usted llama el impuesto de narración significa exponer al mundo los errores, las frustraciones y los caminos equivocados. ¿Qué pasa si los investigadores no quieren hacer eso?

Liu: Creo que esa es sin duda una preocupación grande. La gente no quiere que la perciban como tonta. Pero veo esa preferencia como una oportunidad para la IA. Por ejemplo, si una IA hace 12 horas de trabajo que no lleva a ninguna parte, el humano que dirige el proyecto puede intervenir y decir "IA, eres tonta, cometiste el error ABC". Eso a la gente le acomoda perfectamente. Están mostrando que son muy inteligentes al supervisar el trabajo de la IA.

¿Hasta cuándo dirige el humano?

¿Por cuánto tiempo tendrán los humanos ese rol de dirección en la investigación con IA? Una vez que haya IA supervisando IA, ¿llegaremos a un punto en que no se necesite guía humana?

Liu: Sí, creo que hacia allá apunta buena parte de la investigación en los laboratorios nuevos. Hace poco escribí un artículo llamado The End of Human-in-the-Loop, que describe por qué llegué a pensar que habrá un punto de singularidad. Una vez que la IA haya "exprimido" todos los datos de experto que tienen los humanos, no va a necesitar más aportes de la humanidad. Ese es el momento en que las IA empezarán a autoevolucionar. Ahora mismo el humano es el cuello de botella: la IA siempre está esperando aportes humanos. En algún punto la IA hará más trabajo de forma autónoma.

Si la IA se hace cargo de tanta investigación, ¿cómo van a obtener las generaciones más jóvenes de científicos la experiencia y la formación que necesitan para dirigir la investigación futura, o incluso para entenderla?

Liu: Mucha gente tiene la idea de que, con la IA haciendo tanto trabajo, a nadie le importa mejorar a los ingenieros y científicos jóvenes. No estoy de acuerdo. Creo que la gente va a crecer mejor aprendiendo de la IA. La curva de aprendizaje de las personas es muy rápida con IA. Así que en realidad creo que va a estar bien. Vamos a seguir teniendo investigadores e ingenieros senior, pero habrán tenido una experiencia de aprendizaje totalmente distinta a la de las generaciones anteriores.

¿Qué implicancia tiene para la ciencia chilena?

La propuesta choca de frente con la forma en que se mide la investigación en Chile y buena parte de LatAm, donde la evaluación de académicos y la asignación de fondos se apoyan en publicaciones indexadas en bases como Web of Science y Scopus. Un artefacto ARA, por definición, no es un artículo indexado. Mientras el incentivo institucional siga contando papers, el costo de adoptar el formato lo paga el investigador sin recibir crédito por él.

Hay, eso sí, un ángulo donde la propuesta calza mejor con la realidad regional. El "impuesto de ingeniería" que describe Liu, la imposibilidad de reproducir un trabajo por detalles de implementación faltantes, golpea más fuerte a los grupos que no pueden escribirle al autor original ni viajar a un congreso para preguntarle en persona. Un formato que documente el proceso completo, y no solo el resultado pulido, favorece a quien está lejos del centro de la conversación.