Cuando la IA escribe su propio paper: qué significa para la medicina que un algoritmo pase la revisión por pares

Hay una pregunta que llevo meses haciéndome en distintas conversaciones con colegas de educación médica: si un modelo de lenguaje puede sintetizar literatura, generar hipótesis y hasta redactar un artículo con estructura académica correcta, ¿en qué momento deja de ser una herramienta de apoyo y empieza a ser, en algún sentido operativo, un investigador? El artículo que Chris Lu, Cong Lu, Robert Tjarko Lange, Yutaro Yamada y sus coautores publicaron en Nature no resuelve esa pregunta filosófica, pero aporta un dato empírico que obliga a tomarla en serio: un manuscrito generado de principio a fin por un sistema de inteligencia artificial recibió puntuaciones de revisores humanos suficientes para ser aceptado en un taller de la conferencia ICLR, una de las citas obligadas del calendario de aprendizaje automático.

El sistema se llama The AI Scientist. Su arquitectura resulta interesante justamente porque no intenta emular la creatividad científica de un solo salto, sino que descompone el proceso completo de investigación en fases que cualquier médico que haya dirigido una tesis reconocerá de inmediato: generación de ideas, planeación experimental, ejecución, análisis de resultados, redacción y revisión. Lo que cambia es que aquí cada fase la ejecuta un modelo de lenguaje operando dentro de un sistema agéntico, es decir, un conjunto de módulos que pueden tomar decisiones secuenciales, corregir errores de código propios y hasta descartar sus propias ideas si detectan, tras consultar bases académicas como Semantic Scholar, que ya fueron exploradas antes.

Los autores evaluaron dos configuraciones. En la primera, el sistema parte de una plantilla de código provista por humanos, algo así como darle a un residente un protocolo experimental ya montado y pedirle que proponga variaciones razonables. En la segunda, más ambiciosa, el sistema genera su propio código desde cero y explora con mayor libertad mediante una búsqueda en árbol que le permite invertir más cómputo en las direcciones que parecen más prometedoras. Esta segunda variante recuerda, salvando las distancias, a un investigador júnior que aprende por ensayo y error, con la diferencia de que aquí el error y el aprendizaje ocurren en paralelo, en cuestión de horas y no de meses.

El hallazgo central no es tanto que la IA pueda escribir un artículo con apariencia profesional. Eso ya se sabía. Lo distintivo es la validación externa: los autores sometieron tres manuscritos completos, generados sin ninguna edición humana, a la revisión por pares real de un taller de ICLR, con el consentimiento de los organizadores y la aprobación de un comité de ética institucional. Los revisores humanos supieron que algunos envíos podían ser de IA, pero no cuáles. Uno de los tres artículos recibió puntuaciones de 6, 7 y 6, un promedio que lo ubicó por encima del umbral de aceptación del taller. Los organizadores confirmaron que ese artículo habría sido aceptado de no haberse retirado, siguiendo un protocolo que los propios autores establecieron antes de empezar el experimento: cualquier envío generado por IA se retiraría después de obtener la revisión, sin importar el resultado.

Aquí conviene ser preciso con lo que este resultado sí demuestra y lo que no. El taller donde ocurrió esta aceptación, llamado ICBINB, tuvo una tasa de aceptación del 70%, muy distinta de la conferencia principal de ICLR, que ese mismo año aceptó apenas el 32% de los envíos. El propio equipo de investigadores humanos de Sakana AI, al revisar internamente los tres manuscritos, concluyó que ninguno alcanzaba el nivel exigido por una conferencia principal, aunque uno sí cumplía el estándar de un taller. Es una distinción que importa mucho para quienes trabajamos en educación médica y solemos insistir a nuestros estudiantes en la diferencia entre publicar en una revista indexada de alto impacto y hacerlo en un espacio de divulgación con revisión más laxa. La superación de un umbral de aceptación no equivale a la producción de ciencia de vanguardia; equivale, en el mejor de los casos, a alcanzar un piso de competencia metodológica reconocible.

Para sostener esta evaluación a gran escala, el equipo construyó también un revisor automatizado basado en el modelo o4-mini, entrenado para emular las pautas oficiales de revisión de la conferencia NeurIPS. Este revisor artificial alcanzó una exactitud comparable, e incluso ligeramente superior en algunas métricas, a la consistencia observada entre revisores humanos en un experimento de referencia de 2021. El dato es relevante más allá del campo de la inteligencia artificial: si un sistema automatizado puede aproximar con fidelidad razonable el juicio colectivo de revisores expertos, se abre la puerta a herramientas de control de calidad editorial que podrían, en el mediano plazo, apoyar procesos de revisión en revistas médicas saturadas de envíos, sin sustituir el juicio humano final pero sí filtrando de forma más eficiente.

Los propios autores no escatiman advertencias, y creo que es lo más valioso del artículo desde una perspectiva formativa. Documentan con honestidad los modos de falla habituales del sistema: ideas poco desarrolladas, implementaciones incorrectas de la idea central, errores experimentales, figuras duplicadas entre el cuerpo del texto y los anexos, y alucinaciones que incluyen citas bibliográficas inexactas. Este último punto merece una pausa. Un sistema capaz de redactar un artículo con estructura impecable puede, al mismo tiempo, inventar referencias o atribuir hallazgos a fuentes que no los sostienen. Para cualquier persona que enseña metodología de investigación a estudiantes de medicina, esta es exactamente la trampa que hay que anticipar: la fluidez retórica de un texto generado por IA no garantiza su solidez evidencial, y verificar cada cita sigue siendo, por ahora, una tarea irrenunciablemente humana.

Los autores también reflexionan sobre las implicaciones éticas de automatizar la producción científica: la posibilidad de saturar los sistemas de revisión por pares con un volumen de envíos que ningún cuerpo editorial humano podría procesar, el riesgo de inflar credenciales de investigación con publicaciones de baja originalidad real, y la pregunta abierta sobre si estos sistemas pueden producir genuinos saltos conceptuales o simplemente recombinan de forma sofisticada lo que ya existe en la literatura. Ninguna de estas preocupaciones es exclusiva del aprendizaje automático como campo de estudio. Si algo como The AI Scientist llegara a adaptarse a dominios biomédicos, donde los experimentos no ocurren únicamente en una computadora sino que requieren muestras biológicas, comités de ética y consentimiento informado, el margen de error tolerable se reduce drásticamente, y la exigencia de supervisión humana rigurosa se vuelve, sin matices, no negociable.

Lo que este trabajo deja claro, y aquí regreso a la pregunta con la que empecé, es que la automatización del proceso científico ya no es una hipótesis especulativa sino un fenómeno documentado y medido con metodología seria. La velocidad con la que estos sistemas mejoran, ligada a la mejora de los modelos fundacionales subyacentes, sugiere que discusiones sobre integridad científica, autoría y estándares de revisión que hoy parecen prematuras para la medicina podrían dejar de serlo antes de lo que anticipamos. Vale la pena empezar esa conversación ahora, con la evidencia disponible, y no esperar a que el fenómeno nos alcance sin haberlo pensado.

Referencia:

Lu C, Lu C, Lange RT, Yamada Y, Hu S, Foerster J, Ha D, Clune J. Towards end-to-end automation of AI research. Nature. 2026;651:914-919. doi:10.1038/s41586-026-10265-5.

Suscríbete

Sé el primero en recibir los nuevos artículos