En la actualidad, la forma de compartir conocimiento científico ha experimentado un giro paradigmático, impulsado por nuevas aplicaciones y herramientas digitales. Una revisión sistemática reciente identifica seis áreas clave donde la IA potencia la escritura académica; generación de ideas y diseño de investigación, estructura del contenido, síntesis bibliográfica, gestión y análisis de datos, edición y procesos de publicación, y asistencia en comunicación y cumplimiento ético ¹. Modelos de lenguaje como ChatGPT se han integrado rápidamente en los flujos de trabajo académicos; en cuestión de meses, Scopus y PubMed registraron cientos de publicaciones durante la fase inicial de adopción, reflejando una incorporación acelerada en la comunidad investigadora ^2,3. Esta ola tecnológica no es mera curiosidad, la literatura y las guías editoriales reportan beneficios prácticos; la IA puede contribuir a agilizar búsquedas bibliográficas, mejorar y clarificar el lenguaje, facilitar la redacción multilingüe y optimizar el tiempo de investigadores y editores; no obstante, estos efectos están descritos mayoritariamente como beneficios reportados o potenciales y la magnitud de las ganancias puede variar según la herramienta, el campo y el contexto de uso ^2,3.

No obstante, la adopción responsable exige reconocer riesgos reales y manejables. El fenómeno denominado AIgiarism describe escritos generados por IA que, sin copiar literalmente, reproducen estructuras, ideas o giros de trabajos previos sin trazabilidad clara, lo que dificulta la verificación de la originalidad ⁵. La detección automática tampoco es infalible: Kar et al. compararon detectores comerciales y documentaron sensibilidades muy variables (0 %-100 %) y tasas relevantes de falsos positivos y negativos, lo que evidencia que tales herramientas no bastan por sí solas para dirimir atribuciones ⁶.

Además, la IA puede amplificar sesgos si se entrena con datos desbalanceados, y el uso sin espíritu crítico de indicadores bibliométricos puede enmascarar problemas de fondo en el rigor científico, como han advertido especialistas en evaluación ⁴. Por esa razón, editoriales y sociedades científicas han coincidido en que los sistemas de IA no deben figurar como coautores; ya que carecen de intencionalidad, juicio ético y responsabilidad, condiciones imprescindibles para la autoría ^7,8. La integración responsable exige siempre supervisión humana y marcos claros de responsabilidad.

En bibliometría, los algoritmos permiten mapear redes de citación, detectar áreas emergentes y anticipar tendencias que difícilmente identificaría un curado manual, lo que facilita la identificación de colaboraciones y el trabajo editorial ^2,4. Sin embargo, este potencial analítico requiere una aclaración: los especialistas en métricas recuerdan que el valor de esos indicadores depende mucho del contexto y de la calidad de los datos utilizados; por tanto, la capacidad real de la IA para mejorar decisiones bibliométricas debe demostrarse mediante evaluaciones adicionales y protegida con sustento metodológico. Al mismo tiempo, la IA puede mejorar notablemente la labor editorial; automatizando el triaje de manuscritos, agilizando tareas administrativas y detectando de forma preliminar posibles inconsistencias metodológicas, de modo que libere tiempo para lo que solo pueden realizar los seres humanos: el juicio crítico y la valoración profunda ^9,10,11.

Ética y formación deben ir de la mano. Primero, la transparencia declarativa: todo manuscrito tendría que especificar si se ha empleado IA, qué herramienta, con qué propósito y en qué grado; los editores deberían exigir esa declaración como requisito editorial ⁹. Segundo, las revistas necesitan políticas y protocolos que regulen usos aceptables, requisitos de divulgación y procedimientos de verificación durante la revisión por pares y en controles posteriores a la publicación^10,11. Tercero, la formación: investigadores, revisores y editores requieren capacitación práctica sobre capacidades y límites de la IA para interpretar salidas automatizadas y evitar cesiones involuntarias de la voz científica ^8,9. Finalmente, la evaluación de impacto debe basarse en métricas híbridas; combinando indicadores cuantitativos con valoración cualitativa experta, para evitar que la mera acumulación de citas se convierta en sinónimo de calidad ⁴.

En conclusión, la IA generativa es ya una realidad emergente y accesible que puede acelerar la investigación científica cuando se integra bajo supervisión humana, políticas claras y formación adecuada. Sus beneficios; mayor eficiencia, apoyo multilingüe, detección temprana de tendencias bibliométricas y liberación de tiempo para el pensamiento crítico, son considerables. Los riesgos no deben utilizarse como pretexto para la inacción; son retos manejables que requieren políticas editoriales proactivas y formación continua para autores, revisores y editores. La “pluma digital” debe servir para mejorar la investigación humana, no para sustituirla, su valor último dependerá del juicio crítico y la responsabilidad de quienes la empleen.

La ciencia, en esencia, es y debe seguir siendo una actividad humana basada en la formulación de preguntas audaces, respuestas honestas y un compromiso inquebrantable con la verdad. En esta nueva era algorítmica, editores, revisores e investigadores comparten la responsabilidad de garantizar que las herramientas tecnológicas amplifiquen la indagación sin menoscabar la integridad que define a la investigación.