IA revoluciona el conocimiento. 3.02 veces más papers. 4.84 veces más citas por científico. ¿cuál es la implicaciones para las evaluaciones de impacto?

Eso es lo que muestran dos estudios publicados en 2025 en Nature y Science sobre el impacto de la IA en la producción científica (más ciencias naturales). Park et al. (Nature, 2025) cuantificó las ganancias en productividad individual — son reales, son grandes. Kusumegi et al. (Science, 2025) confirmó el mismo patrón: incrementos de entre 23% y 89% en producción según el campo.

Pero los dos estudios miden también lo que se pierde.

La diversidad temática cae −4.63%. La colaboración entre investigadores cae −22%. Y Kusumegi documenta algo más difícil de cuantificar pero igual de preocupante: la calidad sustantiva de los trabajos retrocede. Más volumen, menos profundidad. Más velocidad, menos riesgo intelectual.

El mecanismo no es misterioso. Cuando una herramienta reduce el costo de producir cierta clase de output, los incentivos convergen hacia ese output. Si la IA facilita papers en los temas más transitados, los científicos producen más papers en esos temas. La frontera del conocimiento se mueve, pero hacia el centro — no hacia los bordes.

────

¿Por qué esto importa para evaluadores y fundaciones?

Porque las decisiones de inversión social se apoyan en literatura científica. Y esa literatura está cambiando de composición, no solo de volumen.

Un meta-análisis construido hoy sobre educación en contextos rurales, intervenciones de salud mental o programas de empleabilidad juvenil en LATAM incluye papers producidos bajo condiciones muy diferentes a los de hace cinco años. Más abundantes. Con métricas de citas más altas. Y con menor diversidad en las preguntas que se hacen.

El problema no es que la IA escriba papers. El problema es que los sistemas de señalización — citas, factor de impacto, número de publicaciones — no distinguen entre profundidad y velocidad.

────

Tres preguntas concretas para quienes comisionan o usan revisiones de evidencia:

¿Qué tan reciente es el corpus en el que se basa la revisión? La aceleración post-2023 cambia la composición de lo disponible.

¿Qué tan transparente es el proceso de selección de estudios? Volumen alto no equivale a cobertura temática amplia.

¿Qué preguntas no están siendo respondidas porque son difíciles de responder rápido?

La IA es una herramienta extraordinaria para la ciencia. Pero el mapa de lo que la ciencia produce está siendo reconfigurado por los incentivos de quienes la usan — no por las preguntas que más necesitamos responder.

@Linda Raftree @The MERL Tech Initiative @Valor Público