La IA puede ayudarnos a investigar mejor, pero también puede acelerar una cultura académica que ya había confundido publicar con conocer, citar con comprender y aparecer en una revista prestigiosa con producir buena ciencia
La inteligencia artificial generativa ha irrumpido en la universidad con una promesa difícil de resistir: escribir más deprisa, revisar más literatura, programar con menos esfuerzo y obtener respuestas inmediatas.
La universidad parece un territorio protegido frente a esa lógica. En teoría, representa la paciencia del experimento, el rigor de la demostración y la lentitud necesaria para comprender. Sin embargo, lleva años construyendo su propia máquina de satisfacción inmediata: artículos, citas, cuartiles, índices, acreditaciones y rankings.
La IA no ha inventado esta universidad. Ha llegado en el momento preciso para automatizarla. O ponerla en cuestión, quizá.
La pregunta incómoda no es solamente si una máquina puede escribir nuestros artículos. Es si la universidad todavía está dispuesta a leerlos.
Del deseo sin espera a la universidad sin tiempo
Una inteligencia artificial capaz de eliminar todo límite podría alimentar una forma de autoritarismo basada no tanto en la prohibición como en la satisfacción. El concepto de «hedofascismo» (Alberto González Pascual, Inteligencia artificial y «hedofascismo»: ¿fin de la fe?) pretende describir una combinación paradójica: una sociedad aparentemente libre porque puede consumir, expresarse y obtener respuestas de inmediato, pero cada vez más dependiente de los sistemas que anticipan, modelan y satisfacen sus deseos.
La expresión es provocadora y debe manejarse con prudencia. La burocracia universitaria no puede equipararse literalmente con un régimen fascista. Sin embargo, la idea permite observar un fenómeno real: también en la academia puede existir una libertad más aparente que efectiva.
El investigador es formalmente libre para elegir sus preguntas. En la práctica, sabe que algunos temas producen más publicaciones, atraen más citas y encajan mejor en las convocatorias. Puede investigar un problema local importante, desarrollar durante años una herramienta útil o dedicar tiempo a formar a jóvenes investigadores, pero el sistema le recuerda constantemente qué resultados son más fáciles de convertir en méritos.
No se prohíben las investigaciones menos rentables bibliométricamente. Simplemente se puntúan menos.
La recompensa llega en forma de acreditación, sexenio, proyecto o promoción. La disciplina aparece mediante casillas, umbrales, índices y cuartiles. La institución no necesita ordenar al investigador qué debe pensar. Le basta con señalar qué productos serán reconocidos.
Si el lector se ha dado cuenta uso el término «investigador» y no PDI (personal docente e investigador) porque en eso nos convierte el sistema. Mis alumnos se sorprende cuando les digo (con cierta ironía) que no nos pagan por dar clase.
La máquina que siempre responde
Los modelos generativos son extraordinariamente eficaces produciendo objetos que se parecen al conocimiento. Redactan introducciones, resumen artículos, sugieren hipótesis, traducen textos, escriben código y construyen explicaciones plausibles.
Pero plausibilidad y verdad no son sinónimos.
Un modelo de lenguaje no se pregunta si comprende lo que afirma. Calcula qué secuencia resulta más adecuada a partir de los patrones aprendidos. Puede explicar una teoría filosófica sin haber experimentado una duda filosófica. Puede producir código elegante sin conocer las condiciones reales en las que deberá ejecutarse. Puede redactar un texto científico impecable sin haber generado una contribución científica.
Esto no convierte la IA en una herramienta inútil. La convierte en una herramienta que necesita supervisión (human in the loop, recuerden).
Las recomendaciones actuales del International Committee of Medical Journal Editors señalan que los sistemas de IA no pueden asumir autoría, que su utilización debe declararse y que la responsabilidad última sobre la exactitud, las fuentes y la integridad del contenido continúa siendo humana. También advierten del peligro de introducir manuscritos confidenciales en servicios que no garanticen su protección. (ICMJE)
UNESCO propone igualmente una aproximación centrada en el ser humano, con validación ética, protección de datos y políticas que permitan utilizar la IA de manera segura y significativa en educación e investigación. (UNESCO)
La distinción es esencial: una herramienta puede participar en el proceso, pero no puede asumir la responsabilidad epistemológica.
La universidad ya funcionaba como un algoritmo
Antes de la IA generativa, la universidad ya había automatizado muchas de sus decisiones.Cuando se preguntaba si una investigación era buena, se consultaba el cuartil de la revista. Cuando se evaluaba una trayectoria, se contaban artículos y citas. Cuando había que comparar candidatos, se reducían años de trabajo a una hoja de indicadores. Cuando se quería medir el impacto de una universidad, se observaba su posición en un ranking.
Estas simplificaciones tienen una razón comprensible. Leer una trayectoria completa exige tiempo, especialistas, deliberación y responsabilidad. El número permite decidir con rapidez y ofrece una apariencia de neutralidad.
Pero la cuantificación no elimina el juicio. Lo oculta.
Seleccionar una métrica, asignarle un peso y establecer un umbral son decisiones humanas. Cuando un comité afirma que se limita a «aplicar los criterios», en realidad está aplicando una determinada filosofía de la ciencia: aquella que considera que lo importante es lo que puede contarse fácilmente.
El resultado es una universidad que se parece cada vez más a un sistema de clasificación automatizado. Introducimos publicaciones, proyectos y citas, y esperamos que al final aparezca una decisión objetiva sobre el valor de una persona.
JCR: de fuente de información a sustituto del juicio
Conviene precisar los términos, porque a buen seguro habrá lectores que desconozca el significado y utilidad de JCR. Journal Citation Reports, JCR, es un producto de información bibliométrica sobre revistas. Dentro de él se publica, entre otros indicadores, el Journal Impact Factor, JIF. Sendos indicadores miden el «impacto» de una publicación cientifica y por ende, su relevancia cientifica y/o académica.
El factor de impacto describe un comportamiento medio de citación de una revista durante una ventana temporal determinada. El cuartil indica la posición relativa de esa revista dentro de una categoría.Ninguna de esas magnitudes mide directamente la calidad de un artículo individual.
DORA recuerda que el factor de impacto fue concebido inicialmente como ayuda para seleccionar revistas, no como una medida de la calidad científica de cada trabajo. También señala que las distribuciones de citas dentro de las revistas están muy sesgadas, que existen diferencias entre disciplinas y tipos documentales, y que algunas políticas editoriales pueden influir en el indicador. Su recomendación principal es no usar métricas de revista como sustituto de la evaluación de artículos, investigadores o decisiones de contratación y financiación. (DORA)
Un artículo mediocre no se vuelve excelente porque aparezca en una revista Q1. Del mismo modo, un resultado valioso no pierde rigor porque se publique en una revista especializada, joven, regional o con una comunidad de citación pequeña.
El prestigio editorial no se transmite al artículo como una propiedad hereditaria.
Analicemos qué significa el JCR y que no.
Una cita es una referencia, en un artículo, a otro artículo. Esto constituye un hecho relevante y es la utilidad (o aportación a la ciencia) del artículo citado, pues se usa como base para el nuevo artículo (que lo cita).
Indicador
Qué puede indicar
Qué no demuestra
Riesgo de uso abusivo
Factor de impacto
Promedio de citación de una revista
Calidad, verdad u originalidad de un artículo concreto
Atribuir a cada artículo el promedio de la revista
Cuartil
Posición relativa en una categoría
Superioridad científica automática
Convertir Q1, Q2 o Q3 en etiquetas absolutas
Número de citas
Atención recibida por un trabajo
Que el resultado sea correcto o socialmente útil
Premiar popularidad, moda o redes de citación
Índice h
Combinación de producción y citas acumuladas
Calidad de toda la trayectoria ni contribución individual
Favorecer antigüedad y campos muy citados
Número de publicaciones
Volumen de producción
Profundidad, relevancia o reproducibilidad
Incentivar fragmentación y redundancia
Ranking universitario
Posición según un conjunto de variables
Calidad uniforme de todas las áreas y funciones
Orientar políticas a mejorar el ranking, no la universidad
El índice h mide la cantidad de artículos publicados (en el índice JCR) junto con el número de citas. Ejemplo:
1 articulo publicado con 10 citas en otros artículos: H=1
10 artículos publicados con sólo una cita ( de uno de ellos) en otro artículo: H=1
10 artículos publicados con 10 citas (es irrelevante qué articulo(s) concentre(n) las citas): H=10.
15 articulos publicados con 10 citas: H=10
2 artículos publicados con 2 citas: H=2.
Cuando la medida se convierte en el objetivo
La conocida formulación asociada a la ley de Goodhart afirma que, cuando una medida se convierte en objetivo, deja de funcionar adecuadamente como medida.
Aplicada a la universidad, su lógica resulta evidente.
Si se premia el número de publicaciones, aumentará el número de publicaciones.
Si se premia publicar en Q1, los investigadores reorganizarán su actividad para publicar en Q1.
Si se premian las citas, surgirán estrategias para ampliar las citas.
Si se exige productividad anual, se reducirán los incentivos para proyectos largos, inciertos o difíciles.
Si solo se reconoce lo cuantificable, muchas contribuciones desaparecerán de la trayectoria visible.
Un estudio sobre más de 120 millones de trabajos académicos relacionó la optimización de las métricas de publicación con listas de autores más largas, textos más breves, crecimiento de la producción y distorsiones en indicadores basados en citas. Sus autores concluyeron que los sistemas de evaluación deben reconsiderarse porque la comunidad ha aprendido a optimizar aquello que se mide. (arXiv)
No es necesario suponer fraude. La mayoría de los investigadores adapta racionalmente su comportamiento a los incentivos disponibles. Si una actividad no cuenta, dedicarle tiempo tiene un coste profesional. Si un determinado producto proporciona más puntos, resulta lógico priorizarlo. El sistema no selecciona únicamente la mejor ciencia. También selecciona a quienes mejor comprenden el sistema.
La alianza entre inteligencia artificial y productividad académica
La IA generativa encaja perfectamente en esta cultura porque reduce el coste de producir documentos académicamente reconocibles. Últimamente leo, en cualquier recurso de Internet, skills desarrolladas (por vaya usted a saber quien) para «actuar como revisor», «para crear gráficos elegantes», …
La IA puede generar un esquema, redactar una revisión preliminar, transformar código, resumir resultados, corregir el inglés y adaptar un manuscrito a las convenciones de una revista. Utilizada con rigor, libera tiempo para pensar.
Pero en un sistema que recompensa principalmente la cantidad, ese tiempo quizá no se dedique a pensar mejor. Puede utilizarse para producir todavía más.
El ciclo es fácil de imaginar (siga el orden):
Las instituciones exigen más publicaciones.
La IA reduce el esfuerzo necesario para redactarlas.
Las revistas reciben más manuscritos.
Los revisores soportan una carga mayor (si se revisa el manuscrito como se hacía hasta ahora, sin IA).
La evaluación se vuelve más rápida y superficial.
Aumenta la cantidad de literatura publicada.
Los nuevos modelos se entrenan con una literatura más extensa, pero también más redundante ¿Se ve el alcance del problema?
Dos investigaciones difundidas como preprints en 2026 han encontrado referencias inexistentes o gravemente incorrectas en grandes colecciones de manuscritos y en trabajos aceptados por conferencias científicas de primer nivel. Al no haber completado necesariamente todo el proceso de revisión científica, sus cifras deben interpretarse con cautela, pero muestran que la integridad bibliográfica se está convirtiendo en un problema verificable y no únicamente hipotético. (arXiv)
La IA no inventa el fraude, la baja calidad ni las fábricas de artículos. Reduce el coste de escalar esas prácticas. También permite producir trabajos formalmente correctos, pero intelectualmente irrelevantes: nuevas combinaciones de conjuntos de datos públicos, variaciones mínimas de modelos existentes y textos impecables que apenas añaden conocimiento.
La ciencia puede terminar ahogada no solo por la falsedad (esto ya nos acuciaba de antes), sino también por la insignificancia.
La homogeneización de lo pensable
Los modelos generativos aprenden de la literatura existente. Por eso son especialmente buenos reproduciendo estructuras reconocibles, enfoques dominantes y formas convencionales de argumentación. Pero ¿y la innvoación? ¿la exploración de terrenos ignotos? Explorar vias de investigación, que a priori puedan parecer estériles. ¿Y si lo luego lo son? Por este miedo, a no puntuar, no se tentan nuevos caminos.
Esta capacidad resulta útil para aprender las reglas de una disciplina. Pero también puede reforzar el conformismo.
Las revistas de mayor visibilidad influyen en qué trabajos aparecen en los corpus. Esos trabajos condicionan los modelos. Los modelos ayudan después a producir nuevos textos semejantes a los anteriores. Finalmente, los sistemas de evaluación premian que los resultados aparezcan en las mismas revistas que han definido el patrón.
El círculo puede cerrarse:
Publicamos lo que se parece a lo ya publicado, entrenamos la IA con lo publicado y empleamos la IA para volver a producir aquello que parece publicable.
La ciencia verdaderamente transformadora suele comenzar fuera de esa zona de comodidad. Una hipótesis nueva puede parecer inicialmente extraña. Una línea interdisciplinar puede no encajar en ninguna categoría. Una investigación local puede carecer de una comunidad internacional numerosa, aunque resuelva un problema importante.
Una universidad dominada simultáneamente por el cuartil y por la predicción algorítmica corre el riesgo de premiar dos veces la conformidad.
Escribiré sobre la épica y desinteresada labor del revisor en otro post.
Porque los hay de diverso tipo: el que domina la materia y dedica su tiempo a revisar los articulos que quieren ser publicados en una revista (y que incluso lo corrigen y casi lo reescribe -he de reconocer que yo me comportaba así, hasta que descubrí que más que ciencia es negocio donde se usa el conocimiento para mercadear-) y los que no son expertos en la materia y casi me atrevería a decir que ni siquiera legos y se atreven a revisar e incluso a rechazar (o en el peor de los casos, aceptar) artículos de los que no comprenden absolutamente nada.
¿Existe un hedonismo académico?
En la universidad también existe un sistema de recompensa rápida. El correo de aceptación, el nuevo Q1, la cita recibida, la acreditación o el ascenso proporcionan una satisfacción legítima. El problema aparece cuando esa recompensa deja de señalar un trabajo valioso y se convierte en el fin mismo de la actividad.
La publicación ya no certifica que hemos comprendido algo. Pasa a ser la unidad de producción que mantiene activa la carrera. En ese contexto, investigar puede convertirse en una sucesión de pequeñas recompensas cuantificadas. Cada artículo alimenta el perfil, cada cita mejora el indicador y cada indicador permite avanzar hacia la siguiente evaluación.La paradoja es que este aparente hedonismo convive con una presión constante. Nunca hay suficientes publicaciones. El cuartil del año pasado puede cambiar. El índice de hoy será comparado con el de mañana. La satisfacción prometida nunca concluye porque el sistema necesita que la siguiente métrica permanezca pendiente.
No estamos ante un «hedofascismo académico» en sentido político estricto. Sí podemos hablar de una estructura que combina recompensa, vigilancia métrica y disciplina. El investigador interioriza los indicadores hasta el punto de evaluarse a sí mismo mediante ellos.
Ya no es necesario que alguien le ordene publicar. Él mismo siente culpa cuando no publica. Todos conocemos eso de «publica o muere». Y deberiamos, sin embargo aplicar, otra cita bien conocida : trabaja-termina-publica.
La ciencia necesita fricción
Desde la ingeniería sabemos que eliminar toda resistencia no siempre mejora un sistema.
Un procesador no es mejor únicamente porque alcance más frecuencia.
Una red no puede evaluarse solo por su ancho de banda.
Un modelo de IA no es superior únicamente por tener más parámetros.
Un sistema rápido puede ser inseguro.
Una arquitectura eficiente puede ser frágil.
Un programa puede superar todas las pruebas preparadas y fallar en condiciones reales.
¿Por qué aceptaríamos entonces que una carrera científica puede evaluarse principalmente mediante una cifra?
La investigación necesita fricción. Un experimento puede (y que coño, debe) fracasar. Una hipótesis puede resultar falsa. Una demostración puede exigir años. Un prototipo puede funcionar en el laboratorio y fallar en producción. Una revisión crítica puede obligarnos a abandonar el trabajo que creíamos terminado.
Esta resistencia no es improductiva. Es la realidad corrigiendo nuestras expectativas.
La ciencia no avanza porque siempre encuentre respuestas, sino porque dispone de procedimientos para descubrir que algunas respuestas eran erróneas. Recordad: explorar terrenos ignotos.
La IA tiende a producir una respuesta incluso cuando la evidencia es insuficiente. La ciencia, en cambio, necesita preservar la capacidad de decir: «No lo sabemos todavía».
Aportaciones que el sistema puede infravalorar
Honestamente, mis patentes (en favor del baremo) las habría cambiado por una publicación en JCR, que es mucho más rápido que someterse al proceso de la patente. Y esto confirma lo que quiero expresar en este post.
Aportación
Valor científico o social
Motivo por el que puede quedar relegada
Software científico
Hace posible experimentos y análisis reproducibles
No siempre genera artículos independientes
Conjuntos de datos
Permiten validar y reutilizar investigación
Su mantenimiento exige trabajo poco visible
Patentes y prototipos
Transforman conocimiento en soluciones
Las citas no reflejan bien su impacto
Informes técnicos
Resuelven problemas institucionales o industriales
Pueden no publicarse en revistas indexadas
Resultados negativos
Evitan repetir errores y corrigen hipótesis
Tienen menor atractivo editorial
Replicaciones
Comprueban la solidez del conocimiento
Se perciben como poco originales
Innovación docente
Mejora la formación de generaciones de estudiantes
Su efecto es difícil de reducir a una cita
Transferencia
Produce impacto económico y social
Puede requerir años para hacerse visible
Asesoramiento institucional
Conecta ciencia y políticas públicas
A menudo queda fuera de las bases bibliométricas
Divulgación
Mejora la cultura científica de la sociedad
No encaja en los indicadores tradicionales
Evaluar mejor significa asumir el coste de juzgar
DORA propone valorar los trabajos por su contenido, reconocer datos y software y utilizar indicadores variados en lugar de métricas de revista como sustitutos de la calidad individual. (DORA)
El Manifiesto de Leiden advierte de que la evaluación se ha vuelto excesivamente dependiente de datos y defiende que los indicadores cuantitativos deben respaldar, no reemplazar, el juicio experto. También reclama respetar las diferencias entre disciplinas y proteger la investigación relevante en contextos locales. (leidenmanifesto.org)
CoARA propone una evaluación basada principalmente en el juicio cualitativo y en la revisión por pares, apoyada por un uso responsable de indicadores. Su acuerdo reconoce la diversidad de productos, prácticas y actividades mediante las que la investigación genera calidad e impacto. (coara.eu)
Ninguna de estas alternativas es sencilla. La evaluación cualitativa necesita más tiempo, puede introducir subjetividad y exige especialistas capaces de leer con atención. También requiere controlar conflictos de interés y justificar las decisiones. Pero esa dificultad no demuestra que debamos volver al automatismo métrico. Demuestra que evaluar es una responsabilidad intelectual (al final me animo a escribir sobre el proceso de revisión, verás).
Una reforma razonable podría pedir a cada investigador una selección limitada de sus aportaciones más significativas y una explicación verificable de su contribución. Los comités deberían valorar el problema abordado, el rigor metodológico, la reproducibilidad, el software y los datos producidos, el impacto docente, la transferencia y la influencia sobre instituciones o políticas públicas.
Las citas y los cuartiles seguirían ofreciendo contexto. Ya no dictarían el veredicto. Y paro aquí.
El Quijote Digital 