La IA inundó el mundo científico de artículos: ahora se prueba la IA como posible salvación
En dos años se sextuplicó el número de envíos en la categoría de IA de la plataforma de preprints ArXiv, y ahora el sitio se ve obligado a limitar a dos envíos por autor responsable y mes. Los revisores voluntarios se han visto desbordados por casi 9 000 consultas de soporte, mientras la investigación seria espera durante días. Al mismo tiempo, el nuevo sistema de revisión de Sakana AI muestra que las máquinas pueden detectar errores en el 73 por ciento de los artículos científicos. La cuestión es si la tecnología que provocó la saturación también puede resolverla.
Cuando el torrente de investigación se vuelve insostenible
Hay una cierta ironía en la situación: las herramientas de IA han facilitado tanto la producción de artículos científicos que una de las plataformas abiertas de investigación más importantes del mundo se ve obligada a establecer límites estrictos. Según The Decoder, ArXiv recibió algo menos de 10 000 envíos en septiembre de 2016. En septiembre de 2026, la cifra había superado los 40 000, es decir, se cuadruplicó en una década. Dentro de la categoría de inteligencia artificial, el ritmo de crecimiento fue aún más dramático: el número de contribuciones se multiplicó por más de seis en solo dos años.
El resultado es un sistema al límite. Los revisores voluntarios se han visto desbordados por consultas de soporte, casi 9 000, y las contribuciones de investigación serias se retrasan días o semanas. Thomas G. Dietterich, presidente del consejo editorial de ArXiv, describe la situación como insostenible. Un pequeño grupo de autores muy productivos, es decir, los asistidos por IA, acapara una parte desproporcionada de la limitada atención de los revisores.
A partir de ahora rige un límite de dos envíos como máximo al mes por autor responsable. La medida se describe como temporal, pero la señal es clara: el ecosistema científico no puede seguir el ritmo de producción que hacen posible las herramientas modernas de IA.
El problema no es la cantidad, sino la calidad
Sería fácil culpar de todo a la IA, pero eso es demasiado simplista. Los revisores señalan tres problemas concretos: artículos superficiales sin profundidad, la llamada «investigación en rodajas de salami», en la que un único resultado se trocea en tantas publicaciones como sea posible, y textos densos con ese característico «tono» de la IA que hoy resulta fácil de reconocer para quien ha leído suficiente. El problema no es que haya más artículos, sino que una gran proporción de ellos no aporta nada sustancial.
Aquí es donde la cuestión se vuelve realmente interesante. Mientras las herramientas de IA aumentan el volumen de investigación dudosa, la japonesa Sakana AI presenta un sistema que sí puede ayudar a separar el grano de la paja. Su sistema, Multi-Layered Review (MLR), utiliza tres agentes de IA que colaboran basados en los modelos de lenguaje de Claude y cuesta, según informa MarkTechPost, solo unas cuatro coronas suecas por revisión.
Los resultados son notables. Para probar el sistema, el equipo de investigación introdujo deliberadamente errores en 257 artículos reales. MLR identificó el 73 por ciento de los errores en las afirmaciones centrales, frente a algo menos del 15 por ciento del mejor sistema anterior. No es una mejora marginal, es un salto tecnológico.
Tres capas de revisión por cuatro coronas
Lo que hace que MLR sea técnicamente interesante es su arquitectura. El sistema trabaja en tres etapas, desde la comprensión general hasta el análisis detallado, antes de formular su evaluación. En cierto modo, se parece a la forma en que trabaja un revisor experimentado: primero entiende el conjunto, luego examina los detalles y, por último, se forma una opinión.
El sistema se correlaciona relativamente bien con las calificaciones de los revisores humanos, pero con una diferencia clara en las prioridades: MLR otorga más peso a la validez metodológica que a la claridad y la originalidad. Esto no es necesariamente un problema, ya que los errores metodológicos suelen ser lo más grave de pasar por alto, pero es una limitación de la que conviene ser consciente. Sakana AI subraya por sí misma que el sistema está pensado como un complemento a la revisión humana, no como un sustituto.
Y ese es precisamente el planteamiento correcto. Una persona que revisa 50 artículos al mes y dispone de una herramienta de IA que ya ha señalado los errores metodológicos más evidentes puede dedicar su energía cognitiva a las valoraciones que realmente requieren juicio humano: ¿es esto originalidad? ¿Es relevante la pregunta de investigación? ¿Aporta algo al campo?
Una solución temporal y un posible camino a seguir
El límite de dos meses de ArXiv no resuelve el problema de fondo, solo lo aplaza. Si un actor decide eludir la restricción, existen maneras técnicas de hacerlo. La respuesta real al torrente de investigación impulsado por la IA es probablemente la revisión de calidad impulsada por la IA, combinada con mejor infraestructura e incentivos más claros para aportar realmente algo nuevo.
El proceso de publicación científica lleva mucho tiempo roto en esencia: la cultura de «publish or perish» existía mucho antes de los grandes modelos de lenguaje. La IA no ha creado ese problema, solo lo ha amplificado hasta el punto en que ya no podemos ignorarlo.