A medida que la IA se integra cada vez más en la investigación científica —y los investigadores se vuelven cada vez más dependientes de ella—, ha surgido un intenso debate: ¿se verán atrofiadas, como consecuencia, las capacidades de investigación humana?.
Algunos temen que depender de la IA para todo erosione el pensamiento independiente y la capacidad de emitir juicios de valor. Otros sostienen que, lejos de provocar un declive, la colaboración entre humanos y la IA fomentará, de hecho, la evolución de las capacidades de investigación. Hay quienes sugieren, además, que lo que está cambiando no es la capacidad de investigación en sí, sino la estructura de nuestras habilidades y los paradigmas de la indagación científica.
En esta entrega, invitamos a investigadores de diversos campos a compartir sus experiencias y perspectivas de primera mano. Aunque sus puntos de vista pueden diferir, todos coinciden en una cuestión fundamental: ¿qué tareas deberían delegarse a la IA y qué capacidades deben permanecer estrictamente humanas?.
Ye Tao (profesor de la Escuela de Ingeniería Mecánica y Eléctrica de la Universidad China de Minería y Tecnología, Beijing):
Ceder a la IA el derecho a pensar conducirá inevitablemente a la atrofia.
A medida que los modelos a gran escala se vuelven más potentes, la IA está pasando de ser una mera herramienta auxiliar a convertirse en un elemento fundamental de la infraestructura de investigación. Si bien esto aumenta la eficiencia, también plantea una preocupación crítica: ¿podría una dependencia prolongada de la IA debilitar gradualmente la capacidad de un investigador para realizar un pensamiento independiente, sostenido y profundo, derivando en una inercia intelectual y en el deterioro de sus competencias investigadoras?.
Este riesgo merece una atención seria. Consideremos el trabajo de nuestro grupo de investigación sobre la percepción mediante la fusión de múltiples sensores: cuando descubrimos una discrepancia temporal entre una cámara y una unidad de medición inercial (IMU), la respuesta científica natural debería consistir en una serie de preguntas indagatorias: ¿dónde se origina este error?. ¿Cómo difiere el impacto de los errores de sincronización —ya sean de 1 milisegundo, 3 milisegundos o decenas de microsegundos—?. ¿Debería resolverse mediante la sincronización del hardware, o es posible compensarlo mediante una estimación del desfase temporal en el procesamiento posterior?. Es precisamente esta cadena de «porqués» la que constituye el núcleo del razonamiento científico. Con la IA, sin embargo, resulta fácil caer en una dinámica distinta: limitarse a pedirle a la IA una respuesta o una sugerencia. Al hacerlo, los investigadores podrían pasar por alto el paso más crucial: comprender *por qué* funciona un método determinado y bajo qué circunstancias podría fallar.
Que la IA conduzca a una inercia intelectual no depende de *si* se utiliza la IA, sino de *qué* decide delegarle el investigador. Para tareas procedimentales y repetitivas —como la revisión inicial de la literatura, el apoyo en la codificación o la organización de datos—, la IA puede resultar sumamente eficaz, siempre que exista supervisión humana y se sigan los protocolos de uso adecuados. La IA puede incluso ayudar a generar posibles algoritmos o propuestas de investigación. Sin embargo, hay aspectos que no pueden delegarse por completo: definir el problema de investigación e identificar la cuestión científica central; seleccionar una vía técnica específica; determinar qué es lo que realmente demuestra un experimento; establecer por qué los resultados son creíbles; y decidir, en última instancia, qué debe considerarse válido. Estas constituyen las «responsabilidades cognitivas» que los investigadores deben asumir por sí mismos.
En consecuencia, el impacto futuro de la IA en los investigadores podría no traducirse en un fortalecimiento o debilitamiento uniforme de sus capacidades; más bien, podría derivar en una mayor divergencia en cuanto a la competencia investigadora. Algunos investigadores podrían delegar por completo en la IA la definición del problema, el diseño de la investigación, la codificación y la interpretación de los resultados; una estrategia que, si bien puede aumentar la eficiencia a corto plazo, podría, con el tiempo, erosionar su capacidad para realizar investigaciones independientes. Otros, en cambio, podrían adoptar un enfoque distinto: definir ellos mismos las preguntas de investigación mientras utilizan la IA para generar posibles soluciones; establecer sus propios criterios de validación y aprovechar la IA para ejecutar experimentos; y, finalmente, encargar a la IA que cuestione sus propias conclusiones. Cuando se emplea de este modo, la IA no menoscaba el proceso de pensamiento del investigador; al contrario, puede incluso profundizarlo.
Igualmente preocupante resulta la cesión voluntaria de la facultad de pensar a la IA. Entre las competencias más esenciales de un investigador se encuentran la capacidad de discernir qué preguntas merece la pena plantear, qué respuestas exigen escepticismo y qué resultados pueden resistir un escrutinio riguroso. Si los investigadores delegan en la IA la definición de problemas, el razonamiento causal y el criterio académico, se enfrentan a un riesgo considerable de que, a largo plazo, su capacidad de pensamiento independiente se deteriore. Al utilizar la IA para gestionar tareas mecánicas en lugar de responsabilidades cognitivas —y al emplearla para ampliar el alcance de la investigación en lugar de darla por terminada—, los investigadores pueden evitar el deterioro de sus propias capacidades. De hecho, la IA podría liberarlos de una gran cantidad de trabajo repetitivo, brindándoles más tiempo para centrarse en las labores fundamentales de un científico: formular preguntas, comprender los mecanismos subyacentes, cuestionar conclusiones y descubrir lo desconocido.
Chen Xiaole (vicedecano de la Facultad de Farmacia de la Universidad Médica de Fujian):
A medida que la IA evoluciona, también lo hace nuestra capacidad para aprovecharla.
¿Conducirá la IA a una disminución de las capacidades de investigación?. En mi opinión, la respuesta es no.
Cuando comencé a dirigir mis propios proyectos de investigación, el descubrimiento de péptidos naturales dependía principalmente del enfoque tradicional de «fraccionamiento guiado por la actividad», un proceso que implica el aislamiento y el análisis secuenciales. Todo proyecto de investigación comienza con la planificación de un flujo de trabajo de separación y purificación. Pasar de un extracto bruto a un péptido bioactivo —con una pureza verificada y una estructura claramente definida— puede llevar desde unas pocas semanas hasta varios meses. Durante la fase de caracterización estructural, los iones fragmento generados mediante espectrometría de masas en tándem de alta resolución deben analizarse y asignarse individualmente, para luego contrastarse con bases de datos. Una sola fracción compleja de péptidos naturales puede corresponder a cientos de secuencias candidatas; cada una de ellas requiere un proceso de deducción riguroso e iterativo para confirmar su configuración estructural.
Lo que realmente marcó un cambio profundo en el paradigma de investigación, desde mi perspectiva, fue la integración del cribado virtual asistido por IA en todo el proceso de descubrimiento de péptidos bioactivos naturales. Me llamó especialmente la atención el trabajo de un equipo de investigación chino que estudiaba los hidrolizados enzimáticos de proteínas de origen marino. Las muestras contenían miles de secuencias peptídicas identificables; si el equipo hubiera dependido del enfoque tradicional —aislamiento y purificación secuenciales, seguidos de espectrometría de masas en tándem de alta resolución y la posterior validación de la actividad—, las exigencias en cuanto a volumen de muestra, tiempo y recursos humanos habrían sido inasumibles. En su lugar, el equipo estableció un nuevo flujo de trabajo: fraccionamiento guiado por la actividad, identificación dirigida mediante espectrometría de masas en tándem de alta resolución y cribado virtual asistido por IA. Esto les permitió reducir miles de posibilidades a 96 estructuras candidatas de alta fiabilidad, de las cuales se seleccionaron 20 para su validación experimental; un nivel de eficiencia que habría sido casi inimaginable bajo el modelo de investigación tradicional. En mi propio trabajo, el valor de estas herramientas va mucho más allá de la simple aceleración: nos permiten predecir, en las etapas iniciales de aislamiento y purificación, qué fracciones o secuencias merecen una mayor inversión de recursos. Esto evita malgastar esfuerzos considerables en componentes que, a la larga, resultan ser inactivos, garantizando así una asignación precisa de los recursos de investigación.
La IA también resulta excepcionalmente valiosa en la revisión bibliográfica y la optimización de secuencias peptídicas. Anteriormente, optimizar la estructura y la actividad de un péptido líder requería una revisión sistemática de una vasta literatura sobre péptidos similares. Los investigadores debían recopilar manualmente datos de actividad correspondientes a diversas mutaciones en sitios específicos y modificaciones químicas, para luego confiar en su propia experiencia a fin de determinar el rumbo de futuras modificaciones; un proceso que consumía mucho tiempo y era propenso a descuidos. Hoy en día, utilizo herramientas de diseño de péptidos basadas en IA para la investigación preliminar. Estas herramientas, que funcionan como un marco de diseño de ciclo cerrado, modularizan tareas como la generación de secuencias, la predicción de propiedades fisicoquímicas y el análisis de mutaciones en residuos individuales. Cada predicción se fundamenta en algoritmos específicos, lo que garantiza que los resultados sean reproducibles y que todo el proceso sea trazable. Para los investigadores, dicha trazabilidad es vital: nuestros juicios científicos nunca deben basarse en conclusiones de «caja negra»; cada decisión debe estar respaldada por una lógica científica clara y sólida.
La IA no sustituye las capacidades de investigación humanas, ni provoca la atrofia de dichas habilidades. Por el contrario, impulsa la evolución y el perfeccionamiento de estas capacidades, liberando a los investigadores de tareas repetitivas y extenuantes, y permitiéndoles dedicar más energía a los aspectos fundamentales que realmente requieren intelecto científico. A medida que las herramientas evolucionan, también lo hace la propia definición de capacidad investigadora. No se trata de un retroceso, sino de una adaptación esencial: una evolución proactiva para los investigadores en esta nueva era.
Luo Tao (profesor asociado, Facultad de Recursos Hídricos e Ingeniería Arquitectónica, Universidad del Noroeste A&F):
Cuando la IA selecciona temas de investigación, los seres humanos pierden progresivamente la capacidad de «plantear preguntas».
La selección de un tema de investigación constituye el punto de partida y el requisito previo de cualquier indagación científica. Sin una pregunta científica, la investigación carece de objetivo; todos los experimentos y análisis se reducen a una mera recopilación de datos sin rumbo, en lugar de constituir una investigación auténtica. Una pregunta bien formulada determina el valor, la orientación y el potencial último de un estudio. La generación continua de nuevas preguntas —que desafían constantemente el conocimiento existente— actúa como motor fundamental para la evolución de las disciplinas y el avance teórico.
A medida que la inteligencia artificial ha evolucionado, he observado una tendencia cada vez más frecuente entre los estudiantes de posgrado que dirijo: antes de definir sus temas de investigación, muchos se han acostumbrado a pedir a los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) que resuman el estado actual de su campo, sugieran líneas de investigación y generen «ideas innovadoras». A primera vista, los marcos conceptuales y la redacción que ofrece la IA parecen pulidos e impresionantes; sin embargo, un análisis más detenido revela que estas «innovaciones» suelen ser, en realidad, una mera reorganización de trabajos previos, carentes de una comprensión profunda de los desafíos prácticos de la ingeniería. Tomemos, por ejemplo, el «hormigón con relleno de roca» que nuestro equipo ha estado estudiando: las preguntas de investigación verdaderamente valiosas surgen casi siempre directamente del entorno de ingeniería —como, por ejemplo, ante una grieta inusual o una serie de datos de monitorización anómalos—. Estas señales «irregulares» solo pueden captarse mediante una observación constante y una reflexión crítica, ya sea en una presa o frente a un banco de pruebas. Las preguntas de investigación nunca surgen automáticamente de los datos. Durante una expedición científica destinada a investigar los riesgos derivados de los ciclos de congelación y descongelación a lo largo del corredor de transporte entre China y Nepal, realicé estudios de campo en regiones gélidas de gran altitud. Descubrí que los daños que sufren las estructuras de hormigón debido a estos ciclos son mucho más complejos de lo que sugieren las simulaciones de laboratorio: los gradientes térmicos, la migración de la humedad y los cambios de fase que ocurren en un entorno real no pueden replicarse plenamente mediante ningún modelo. Esta aguda percepción de la «complejidad del terreno» es el requisito indispensable para formular una buena pregunta de investigación. La IA no puede reemplazar ese momento en el que te encuentras sobre una presa azotada por el viento, descubres una grieta y te ves impulsado a preguntarte: «¿Por qué aquí, precisamente?».
Esto no pretende restar valor a la IA en la investigación científica. Si bien la IA constituye una herramienta poderosa para generar hipótesis y aumentar la eficiencia, no puede sustituir la función esencial del investigador a la hora de refinar preguntas, esclarecer mecanismos, emitir juicios de valor y, en última instancia, extraer conclusiones científicas. En otras palabras, aunque la IA destaca en la identificación de correlaciones dentro de datos conocidos, carece de la capacidad de pensamiento creativo necesaria para integrar la experiencia en un campo específico con marcos teóricos. Si los investigadores delegan la tarea cognitiva más crítica —«plantear la pregunta»— a un algoritmo, la indagación científica corre el riesgo de reducirse a una mera «reorganización de conocimientos basada en datos».
Una preocupación más profunda es que la erosión de la «conciencia de plantear preguntas» ocurre de forma gradual y sigilosa. Cuando es posible generar revisiones bibliográficas con un solo clic y extraer conceptos innovadores de manera automática, ¿sigue siendo necesario que los estudiantes examinen archivos polvorientos, analicen las causas de experimentos fallidos o soporten las duras condiciones de una obra de ingeniería?. Con el tiempo, los investigadores podrían volverse cada vez más hábiles para «responder preguntas», pero, al mismo tiempo, cada vez menos capaces de «plantearlas».
En la era de la IA, ¿qué constituye la «fuente viva» de la investigación científica?. No es la potencia de cálculo ni los datos; es la curiosidad humana y el impulso de interrogar a lo desconocido. Lo que realmente define a un científico no son las herramientas que domina, sino las preguntas que decide plantear.
Chen Xi (Supervisor de doctorado, Universidad de la Academia China de las Ciencias):
El encuentro entre humanos y máquinas —ese «profundizar un nivel más»— se convierte en un catalizador para la innovación.
En la era de la IA, el conocimiento está al alcance de la mano. En la investigación científica, el activo más valioso a menudo no es una respuesta ya preparada, sino una voz que te desafía constantemente, obligándote a salir de tus patrones de pensamiento establecidos. En los últimos años, los modelos de IA a gran escala se han convertido en un «compañero de investigación» al que puedo consultar en cualquier momento. No se limitan simplemente a resolver problemas por mí; Más bien, a través de un proceso de intercambio de preguntas y contrapreguntas, me ayudan a descubrir puntos ciegos en mi propio razonamiento; a veces, incluso, dan lugar a ideas de investigación totalmente nuevas.
Mi trabajo consiste en mapear la conectividad cerebral a nivel microscópico. El cerebro de una larva de pez cebra —con un volumen inferior a un milímetro cúbico— contiene 100.000 neuronas. Para mapearlo, debemos seccionar el cerebro completo en 22.887 cortes, cada uno de 30 nanómetros de espesor; obtener imágenes capa por capa y, posteriormente, utilizar inteligencia artificial para ensamblarlas en una reconstrucción 3D. Este proceso genera la asombrosa cifra de 200 terabytes de datos brutos. En el pasado, nos topamos con un obstáculo en el registro 3D de estos millones de imágenes: los errores se acumulaban con cada capa sucesiva, lo que provocaba graves distorsiones en la reconstrucción final. Por aquel entonces, antes de la llegada de los modelos de inteligencia artificial a gran escala, el avance decisivo surgió gracias a constantes debates con mis colegas. Un colaborador planteó una pregunta: «¿Has considerado pasar de un registro secuencial, capa por capa, a un enfoque de optimización global?». Este desafío me obligó a romper con mi forma de pensar convencional, lo que finalmente condujo a una mejora significativa en la precisión de la reconstrucción. Al mirar atrás, es precisamente esta experiencia —el hecho de que una pregunta bien planteada me obligue a replantearme las cosas— lo que más valoro hoy en día al utilizar modelos de inteligencia artificial a gran escala.
Actualmente, a menudo trato a estos modelos de IA como «interrogadores» con los que puedo mantener un diálogo continuo. Por ejemplo, cuando tengo dificultades para mejorar la precisión del registro, puedo pedirle al modelo que me sugiera posibles enfoques. El modelo podría proponer métodos como el flujo óptico, la correspondencia de características, el registro no rígido o la optimización mediante grafos. Si me conformara con la primera sugerencia, podría acabar fácilmente en un camino que parece prometedor pero que aún no ha sido verificado; por eso, sigo indagando. En una ocasión, pregunté: «¿Y si los errores no son aleatorios, sino que se trata de sesgos sistemáticos?». Siguiendo esta línea de investigación, el modelo me ayudó a identificar varias causas posibles, como el orden de los cortes, distorsiones en la obtención de las imágenes, variaciones en la tinción o derivas mecánicas. Si bien cada una de estas posibilidades requiere una investigación individual, la pregunta en sí misma sirvió como un recordatorio fundamental de no centrarse exclusivamente en el algoritmo de registro. A través de este proceso iterativo de cuestionamiento, a menudo surgen nuevas ideas; por ejemplo: ¿podríamos integrar el registro local en un marco que garantice la coherencia global?. ¿Se podrían utilizar restricciones geométricas entre capas para mitigar la acumulación de errores?. ¿Sería posible validar un algoritmo mediante datos simulados que presenten degradaciones, antes de aplicarlo a conjuntos de datos del mundo real?. Estas ideas no siempre resultan ser correctas, pero sin duda pueden servir como punto de partida para nuevas investigaciones.
Por supuesto, los modelos de gran escala pueden inventar referencias, pasar por alto condiciones críticas o plantear inferencias no verificadas. Cualquier idea surgida de la IA debe someterse, en última instancia, a pruebas basadas en experimentos y datos. Animo a mis estudiantes a «profundizar un nivel más» al interactuar con la IA: no se conformen con la primera solución; busquen, en cambio, las suposiciones subyacentes, los contraejemplos y las condiciones límite. El verdadero desafío nunca ha sido «conocer la respuesta», sino verificar constantemente: ¿estamos planteando las preguntas adecuadas?. ¿Hemos caído en un óptimo local?. ¿Hemos confundido un éxito fortuito con una regla universal?.
Aunque la IA puede ampliar el acceso al conocimiento y mejorar la eficiencia en la exploración, el razonamiento lógico debe seguir fundamentado en la formación y la práctica humanas. La IA no es la respuesta en sí misma; más bien, actúa como un «asistente de investigación» que me desafía continuamente con preguntas adicionales. Me impulsa a transformar «lo que asumo» en «lo que se puede demostrar», y a pasar de un enfoque de «es suficiente» a uno de «verifiquémoslo una vez más». Al convertir las chispas de inspiración que surgen del diálogo entre humanos e IA en catalizadores para la innovación, podemos transformar verdaderamente el progreso tecnológico en creatividad científica.
Miao Dongjing (Investigadora, División de Metrología Geométrica, Instituto Nacional de Metrología, China):
La erosión del pensamiento crítico y el criterio ante una dependencia excesiva de la IA.
A medida que los resultados generados por la IA se asemejan cada vez más a la respuesta «correcta», ¿siguen los seres humanos ejerciendo el pensamiento crítico y el criterio, o nos hemos acostumbrado a aceptar la información sin cuestionarla?. A finales de 2025, los medios informaron que un estudiante de doctorado de una universidad de Hong Kong publicó un artículo en una revista académica que contenía decenas de referencias, una parte significativa de las cuales habían sido inventadas por una IA. El artículo superó dos rondas de revisión académica sin que nadie detectara las anomalías. Investigaciones publicadas en *The Lancet* indican que la tasa de citas falsas en artículos biomédicos ha aumentado drásticamente en los últimos dos años. Cuando las referencias generadas por IA parecen tan auténticas —incluyendo un formato correcto y la atribución a autores reales— que incluso los procesos de revisión académica institucionalizados no logran detectarlas, el deterioro del pensamiento crítico y del juicio deja de ser un descuido individual para convertirse en un riesgo sistémico.
Este fallo en el juicio crítico ocurre, a menudo, porque la capacidad de la IA para realizar imitaciones de alta fidelidad ha alcanzado un nivel que los procesos de revisión convencionales tienen dificultades para sortear. En septiembre de 2026, un grupo de 25 ganadores de la Medalla Fields —entre ellos Terence Tao y Yu Deng— publicó una declaración conjunta titulada «El grave desajuste de la inteligencia artificial en las matemáticas». El documento pone de relieve un dilema fundamental: la IA está generando un volumen masivo de conclusiones matemáticas —una mezcla de verdades y falsedades— a un ritmo cada vez mayor. La responsabilidad de distinguir los hechos de la ficción, corregir errores y sintetizar hallazgos genuinos recae, por completo, sobre los seres humanos. La declaración utiliza una metáfora elocuente: los problemas matemáticos célebres actúan como puntos de referencia o faros; resolverlos constituye un hito para descubrir nuevos conocimientos, pero no es el destino final. Al ofrecer respuestas directas, la IA elude el proceso esencial de acumulación que tiene lugar a lo largo del camino. A medida que las respuestas llegan como una marea creciente, si nuestra capacidad de escrutinio crítico —nuestro «dique»— no se refuerza al mismo ritmo, las conclusiones falsas se filtrarán sin obstáculos en la cadena de producción del conocimiento, lo que conducirá a juicios y decisiones posteriores erróneos.
Los cimientos mismos del juicio crítico también se están erosionando. Andrew Ng, experto en IA y destacado defensor de esta tecnología, no ha evadido esta cuestión. Él sostiene que el juicio humano se basa en el «contexto» —una profundidad de comprensión adquirida mediante una experiencia práctica prolongada—, lo que permite a las personas identificar ideas que, aunque parecen correctas, resultan, en realidad, inviables. Cuando una persona se acostumbra a aceptar los resultados generados por la IA tal cual se presentan —evitando el riguroso proceso paso a paso de verificación de datos y deducción lógica—, este contexto fundamental comienza a desvanecerse, a menudo sin que la propia persona se dé cuenta.
La erosión de este contexto no solo menoscaba la capacidad de corregir errores, sino que también debilita la intuición sobre *dónde* podrían estar dichos errores. Si bien la corrección de errores puede seguir procedimientos estandarizados, la capacidad de detectar posibles fallos depende de una intuición desarrollada con el tiempo. En entornos industriales, el proceso de evaluar la fiabilidad de un resultado se denomina «calibración»; determinar con precisión dónde ha podido producirse un error es una tarea que requiere criterio humano. Al volverse dependiente de la IA, es fácil descuidar este paso crucial de calibración.
Mantener el criterio crítico es fundamental; la clave reside en transformar la verificación, pasando de ser una actividad puntual o improvisada a convertirse en un procedimiento estandarizado y fijo. Terence Tao, por ejemplo, utiliza la IA para generar demostraciones matemáticas, las cuales son posteriormente verificadas línea por línea mediante herramientas de verificación formal. Del mismo modo, Andrew Ng destaca el «desarrollo basado en la evaluación»: la creación de sistemas de evaluación robustos orientados específicamente a detectar posibles puntos débiles. Ambos enfoques comparten un principio esencial: la verificación es indispensable.
Depender de la IA por puro hábito puede conducir a la atrofia —o incluso a la pérdida total— de las propias facultades críticas. Para aprovechar realmente el potencial de la IA, no basta con delegar todo en la máquina; es necesario integrar el escrutinio crítico en el proceso. Ante un resultado generado por IA, pregúntese: «¿Podría verificar por mi cuenta la exactitud de este resultado sin recurrir a la IA?». Si no es posible, debería, como mínimo, contrastar los datos clave y las fuentes citadas antes de decidir si acepta dicho resultado. A medida que la información generada por IA crece como una marea, el criterio crítico actúa como un dique de contención; solo preservando esta capacidad podremos extraer todo el valor que ofrece la IA.
Zhang Zhengde (Investigador joven distinguido, Instituto de Física de Altas Energías, Academia China de las Ciencias):
Impulsando un cambio de paradigma: la IA está reescribiendo la lógica fundamental de la investigación científica.
La IA aporta mucho más que una simple «computación más rápida»; está transformando, de manera fundamental, la forma misma en que llevamos a cabo la investigación científica.
Durante más de tres años, he estado explorando cómo integrar la IA en los entornos de investigación de las instalaciones de la «Gran Ciencia» (*Big Science*). Estas infraestructuras a gran escala —como el Colisionador Electrónico-Positrónico de Beijing, la Fuente de Fotones de Alta Energía y la Fuente de Neutrones por Espalación de China— comparten varias características: una complejidad sistémica extrema, un volumen masivo de datos, elevados costes de construcción y funcionamiento, y largas y complejas cadenas de colaboración científica. Tradicionalmente, las operaciones de las instalaciones, la adquisición de datos y el análisis físico eran gestionados por equipos y sistemas de software independientes; el flujo de trabajo era lineal y las transiciones entre etapas solían estar marcadas por dificultades o fricciones. A medida que los volúmenes de datos alcanzan la escala de petabytes (PB) o incluso exabytes (EB), el simple aumento de la mano de obra humana o de la potencia de cálculo bruta ya no resulta suficiente para superar estos cuellos de botella.
Esto nos ha obligado a replantear el papel de la IA: en lugar de actuar meramente como una herramienta aislada, ¿podría funcionar como un componente de la infraestructura científica, capaz de reorganizar todo el proceso de investigación?.
Hemos desarrollado una «plataforma de IA para altas energías» que integra potencia de cálculo, modelos, datos, conocimientos especializados en el dominio y software de investigación, transformando así la IA en un nuevo tipo de infraestructura científica: una que es, a la vez, reutilizable y compartible. La importancia fundamental de este avance reside en la evolución de la IA, que pasa de ser una herramienta experimental utilizada por equipos individuales a convertirse en un recurso sostenible y compartido para toda la comunidad científica.
Lo que, a mi juicio, marcó un verdadero cambio de paradigma fue nuestro trabajo en la Fuente de Luz de Sincrotrón de Altas Energías. Al crear una plataforma de «IA para la ciencia» (AI4S) para esta avanzada fuente de luz —integrando datos, potencia de cálculo, modelos, agentes autónomos y control experimental—, hemos logrado aumentar drásticamente la eficiencia de la investigación. Por ejemplo, el tiempo necesario para obtener una estructura 3D a partir de espectros de absorción de rayos X se ha reducido de horas a apenas unos segundos.
Aún más crucial es la evolución del flujo de trabajo de investigación. Anteriormente, las transiciones entre la experimentación, el análisis de datos y el ajuste de los protocolos experimentales dependían en gran medida del esfuerzo manual de los investigadores. Hoy en día, la IA entrelaza estas etapas de forma más estrecha, permitiendo que los resultados del análisis se reintegren en el experimento en tiempo real, lo que facilita el ajuste dinámico de los parámetros. En consecuencia, el papel del investigador está cambiando: en lugar de limitarse a ejecutar y coordinar tareas específicas, ahora se centra más en orientar la dirección general de la investigación, definir las restricciones físicas y tomar decisiones de alto nivel en momentos clave.
Este cambio resulta aún más evidente en la Fuente de Neutrones por Espalación (Spallation Neutron Source). Un equipo interdisciplinario con el que colaboramos desarrolló un agente autónomo que integra modelos a gran escala, conocimientos de expertos y software especializado de refinamiento. Este agente es capaz de ajustar autónomamente parámetros y estrategias basándose en los resultados obtenidos, creando un ciclo continuo de «decisión-ejecución-evaluación». En pruebas realizadas con datos empíricos de cinco materiales distintos, el agente logró resultados de refinamiento equiparables a los de expertos humanos, al tiempo que aumentó la eficiencia aproximadamente cinco veces.
Subyace a esto un cambio profundo en la lógica de la investigación científica: una transición del modelo de «humanos utilizando herramientas» al de «resolución colaborativa de problemas entre humanos y máquinas». La IA asume una gran variedad de tareas rutinarias y repetitivas, lo que permite a los investigadores concentrar sus energías en las cuestiones científicas propiamente dichas. No obstante, esto exige una mayor precisión a la hora de definir los problemas que se pretenden resolver, las hipótesis que requieren validación y los resultados que precisan una revisión crítica. La IA nos obliga a explicitar lo que antes permanecía implícito —el conocimiento tácito y la intuición, difíciles de articular hasta ahora—, formalizándolo mediante modelos, reglas y restricciones. Este proceso impulsa una triple transformación en el paradigma de investigación de las instalaciones científicas a gran escala: la aceleración de los flujos de trabajo de investigación iterativos y de ciclo cerrado; el giro hacia la colaboración entre humanos y máquinas; y la evolución del ecosistema de investigación hacia una organización basada en plataformas.
