Durante tres siglos, el cuello de botella de la ciencia fue producirla: diseñar el experimento, conseguir el equipo, redactar el manuscrito, esperar al editor. En 2026 ese cuello de botella cambió de lugar. La colisión entre revisión por pares e inteligencia artificial dejó al descubierto un problema incómodo: hoy se puede generar conocimiento —o algo que se le parece mucho— más rápido de lo que cualquier institución humana alcanza a verificarlo.
Para una empresa que decide una inversión con base en un estudio, o para una dependencia que justifica una política con literatura científica, esto no es un debate académico: es un riesgo operativo. El filtro que separaba lo comprobado de lo plausible está saturado, y quienes consumen sus resultados rara vez se enteraron.
Revisión por pares e inteligencia artificial: un filtro saturado
Los números de las grandes conferencias científicas describen el fenómeno mejor que cualquier metáfora. ICLR, uno de los foros de referencia en aprendizaje automático, pasó de poco más de 7,300 trabajos recibidos en 2024 a cerca de 11,700 en 2025 y a casi 19,800 en 2026. AAAI superó los 30,000 envíos para su edición de 2026, aproximadamente el doble que el año anterior.
Ese volumen se revisa reclutando revisores del propio grupo de autores, con plazos cortos y varias asignaciones por persona. El desenlace era previsible: un análisis de las más de 76,000 revisiones de ICLR 2026 estimó que cerca del 21% fueron generadas con modelos de lenguaje, pese a que la política exigía declarar su uso y contemplaba el rechazo automático. ICML rechazó de oficio unos 500 trabajos por incumplir esas reglas.
Del otro lado del embudo, la producción también se automatizó. Este año una empresa demostró un sistema capaz de generar 166 artículos completos de aprendizaje automático en unas 417 horas —uno cada dos horas y media— a un costo cercano a mil dólares por artículo. Ya existen incluso foros creados expresamente para trabajos escritos y evaluados por agentes de IA.
El patrón se repite en el mundo editorial. Las retractaciones vinculadas a uso indebido de IA pasaron de una docena en 2022 a varios cientos en 2025, y un estudio en PNAS estimó que la producción de las fábricas de artículos se duplica cada año y medio.
Por qué importa ahora
Importa porque la revisión por pares nunca fue un sello de verdad, sino un filtro de plausibilidad barato y voluntario. Funcionaba porque escribir un artículo falso costaba casi lo mismo que escribir uno verdadero. La IA rompió esa simetría: hoy fabricar algo que parece riguroso cuesta órdenes de magnitud menos que comprobar si lo es.
Importa también porque la asimetría se traslada aguas abajo sin avisar. Un consultor cita un artículo, un proveedor lo incluye en su propuesta, un área técnica lo lleva al comité directivo y un funcionario lo integra a la exposición de motivos de una política pública. En ninguno de esos pasos se vuelve a preguntar quién verificó el hallazgo original.
Y hay un tercer motivo: la brecha entre política y práctica. Cerca del 70% de las revistas ya tiene alguna política de uso de IA, pero apenas una fracción mínima de los artículos publicados desde 2023 declara haberla usado. Las reglas existen; el cumplimiento no.
Cómo aplicarlo en empresas o gobierno
La respuesta útil no es desconfiar de toda la literatura, sino dejar de tratarla como homogénea. La evidencia tiene grados y conviene distinguirlos de forma explícita.
Clasificar la evidencia antes de usarla. No es lo mismo un ensayo clínico replicado que un preprint sin revisar o un artículo de conferencia con un revisor sobrecargado. Basta una escala de tres niveles —confirmada, indicativa, exploratoria— aplicada en el propio documento de decisión.
Exigir trazabilidad, no citas. Una cita ya no prueba nada: es trivial generarla. Lo que sí discrimina es el acceso a los datos, al código y al protocolo. Si un proveedor sustenta su promesa en un estudio cuyos datos no se pueden inspeccionar, eso debe reflejarse en el precio o en las garantías del contrato.
Cambiar la pregunta en el comité. En lugar de «¿hay evidencia que respalde esto?», conviene preguntar «¿qué tendría que ser falso para que esta decisión saliera mal, y qué tan barato es comprobarlo?». La segunda pregunta es la que evita pérdidas.
Pilotos como instrumento de verificación. Replicar internamente un resultado con datos propios suele costar menos que la reunión donde se discute si creerle. En gobierno, significa pruebas controladas antes de escalar.
Riesgos y errores comunes
El primer error es delegar la verificación al mismo tipo de herramienta que produjo el problema. Usar un modelo para resumir cien artículos es razonable; usarlo para decidir cuáles son confiables no lo es, porque los criterios de verosimilitud del modelo son precisamente los que un texto sintético optimiza.
El segundo es confiar en los detectores automáticos de texto generado. Su tasa de falsos positivos ya provocó reclamos legítimos en varias conferencias: castigar a un autor honesto destruye más confianza que el problema que intenta resolver.
El tercero es el sesgo de prestigio: asumir que si el estudio proviene de una institución reconocida no requiere escrutinio. La saturación afecta también —y sobre todo— a los foros más grandes, precisamente porque reciben más envíos.
El cuarto es sobrecorregir hacia la parálisis: ninguna organización puede replicar todo lo que lee. La verificación debe ser proporcional al tamaño de la apuesta, no uniforme.
Recomendaciones prácticas
Definir un umbral económico a partir del cual una decisión exige evidencia verificable —no solo publicada— y dejarlo por escrito en la política de compras.
Incluir en los contratos con proveedores una cláusula de sustento: qué evidencia respalda la promesa de desempeño y cómo se comprobará en la implementación.
Formar a una o dos personas en lectura crítica de metodología. No se necesita un doctorado para detectar una muestra insuficiente, una fuga de datos o una línea base débil.
Preferir fuentes con datos abiertos y código publicado, aunque el hallazgo sea menos espectacular. La replicabilidad es hoy ventaja competitiva, no lujo académico.
Registrar las decisiones y sus supuestos. Cuando un estudio se retracte, la organización necesitará saber qué decidió apoyándose en él.
Conclusión
La tensión entre revisión por pares e inteligencia artificial no se resolverá desde las revistas ni las conferencias en el corto plazo: el volumen crece más rápido que la capacidad de revisión. Mientras tanto, la responsabilidad de verificar se desplaza en silencio hacia quien usa el resultado.
Para empresas e instituciones, ese desplazamiento es una oportunidad. En un entorno donde generar afirmaciones convincentes es prácticamente gratuito, la capacidad de comprobarlas se vuelve el activo escaso. Las organizaciones que construyan ese músculo tomarán mejores decisiones que las que sigan confiando en que alguien más ya revisó.
Preguntas frecuentes
¿Significa esto que ya no se puede confiar en la ciencia publicada?
No. La gran mayoría de la literatura sigue siendo útil y honesta. Lo que cambió es que estar publicado ya no funciona como garantía por sí solo, sobre todo en campos de alto volumen. La confianza debe apoyarse en trazabilidad —datos, código, replicación— y no solo en el sello de la revista.
¿Es malo que la IA participe en la revisión por pares?
No necesariamente. Usada de forma declarada y acotada —verificar referencias, detectar inconsistencias estadísticas, revisar formato— alivia carga real. El problema aparece cuando sustituye el juicio del revisor sin que nadie lo sepa: entonces el sistema simula una evaluación que nunca ocurrió.
¿Cómo verifica esto una organización que no tiene área de investigación?
Con proporcionalidad. Para decisiones pequeñas, basta pedir la fuente primaria y revisar si los datos están disponibles. Para decisiones grandes, conviene un piloto controlado con datos propios o una segunda opinión externa e independiente del proveedor que hizo la propuesta. El criterio es sencillo: cuanto mayor sea el costo de equivocarse, más barata resulta la verificación.
Deja una respuesta