El AI Generativo Está Cambiando Cómo Comienzan las Ideas Científicas

Para la mayoría de la ciencia moderna, las primeras etapas de una idea de investigación eran en gran medida invisibles.

Un investigador notó una anomalía, conectó dos conceptos, cuestionó una suposición establecida o identificó una brecha en la literatura. Esa idea se refinó en privado antes de ser probada a través de conversaciones con supervisores, colegas, revisores y organismos de financiación.

El AI generativo se está insertando en esa secuencia.

Los investigadores ahora pueden presentar un pensamiento incompleto a un modelo de lenguaje grande antes de discutirlo con otra persona. Pueden pedirle al sistema que genere hipótesis, desafíe suposiciones, identifique campos adyacentes o convierta una intuición en una propuesta más coherente.

Esto puede parecer otra mejora de la productividad. Es más significativo que eso.

El AI generativo está creando una nueva capa intermedia entre el pensamiento privado y el juicio científico humano. Esa capa podría cambiar cómo se forman las ideas, quién recibe el apoyo intelectual temprano, cómo se entrenan los investigadores y dónde la experiencia crea valor.

Un estudio de 2026¹ publicado en Research Policy proporciona evidencia de que esta transformación ya está distribuida de manera desigual. Los investigadores menos experimentados fueron considerablemente más propensos a incorporar sugerencias generadas por AI y ver las ideas resultantes como novedosas o impactantes. Los investigadores más experimentados fueron más propensos a considerar las mismas sugerencias como obvias, insuficientemente avanzadas o simplemente otra herramienta.

Los hallazgos apuntan a un cambio más amplio en el trabajo científico. A medida que el AI hace que la generación de ideas sea abundante, la capacidad escasa puede no ser producir posibilidades. Puede ser saber cuáles posibilidades merecen sobrevivir.

El AI Está Cambiando la Secuencia del Pensamiento Científico

El estudio de Matthias Trobinger, Anil R. Doshi y Sen Chai examinó cómo los investigadores respondieron cuando el AI generativo propuso nuevas direcciones de investigación basadas en su trabajo anterior.

En un experimento aleatorizado que involucró a 310 investigadores, los participantes recibieron either no visible AI sugerencias, una sugerencia generada por AI o tres sugerencias generadas por AI. Un estudio de seguimiento con 28 investigadores exploró cómo utilizaron el AI de manera interactiva durante la ideación temprana.

Los resultados mostraron que el AI influyó en el contenido de las ideas que los investigadores produjeron. Sin embargo, la experiencia moderó fuertemente esa influencia.

Los investigadores menos experimentados fueron más propensos a incorporar sugerencias de AI, interpretarlas como novedosas y percibir las ideas resultantes como impactantes. Los investigadores más experimentados fueron menos influenciados y a menudo creyeron que las direcciones sugeridas ya habían sido consideradas, eran insuficientemente ambiciosas o carecían del contexto requerido para identificar un problema de investigación genuinamente valioso.

La implicación más importante no es que un grupo confiaba en el AI y el otro no.

Es que el AI generativo parece estar moviendo la retroalimentación científica más temprano en el proceso.

Anteriormente, los investigadores a menudo tenían que decidir si una idea era lo suficientemente coherente como para presentarla a otra persona. El AI reduce sustancialmente ese umbral. Permite a un investigador externalizar una idea mientras todavía es incompleta, contradictoria o mal articulada.

Esto crea un flujo de trabajo fundamentalmente diferente.

La Verdadera Disrupción es el AI Pre-Supervisión

Los investigadores en etapas tempranas de su carrera a menudo enfrentan una desventaja estructural que tiene poco que ver con la inteligencia o el esfuerzo. Tienen redes profesionales más pequeñas, menos confianza al acercarse a expertos establecidos y menos experiencia acumulada para transformar preguntas vagas en proyectos defendibles.

El AI generativo compensa parcialmente esa desventaja.

Ofrece discusión preliminar a demanda sin restricciones de programación, presión social o riesgo para la reputación.

Esto crea lo que podría describirse como una capa pre-supervisora.

El AI no reemplaza al supervisor. En cambio, cambia lo que llega al supervisor.

Esa distinción tiene implicaciones importantes para las organizaciones de investigación. Si los investigadores comienzan a presentar propuestas más coherentes y desarrolladas, los científicos seniors pueden pasar menos tiempo ayudando a formular preguntas básicas y más tiempo evaluando la importancia estratégica, la rigidez metodológica y la asignación de recursos.

En teoría, esto podría mejorar la eficiencia de la tutoría. Los investigadores experimentados podrían centrar su atención limitada en juicios de mayor valor en lugar de estructuración preliminar.

Sin embargo, también podría ocultar debilidades.

Una propuesta pulida asistida por AI puede crear la apariencia de madurez intelectual sin las habilidades de razonamiento subyacentes que normalmente se desarrollan a través del proceso de construirla. Los supervisores pueden recibir ideas mejor presentadas mientras ganan menos visibilidad sobre cómo bien el investigador entiende ellas.

El resultado podría ser una brecha emergente entre la calidad de la propuesta y la capacidad del investigador.

La Experiencia Puede Cambiar de Generación a Rechazo

El AI generativo reduce dramáticamente el costo de producir opciones.

Esta abundancia cambia la función de la experiencia.

Cuando las direcciones posibles eran costosas de generar, producir una idea fuerte era en sí misma una capacidad definitoria. Cuando las posibilidades pueden generarse casi sin límite, la capacidad más valiosa se convierte en el rechazo.

Los investigadores experimentados en el estudio frecuentemente descartaron las sugerencias de AI no porque fueran incoherentes, sino porque no eran lo suficientemente importantes. Las ideas eran a veces extensiones lógicas del trabajo anterior, pero aún así no lograron cruzar el umbral de ser dignas de perseguir.

Esto refleja una forma de experiencia que los sistemas de AI actuales luchan por reproducir.

Los investigadores seniors a menudo saben:

• Qué preguntas ya han sido exploradas informalmente pero nunca publicadas.
• Qué proyectos teóricamente atractivos son operacionalmente imposibles.
• Qué métodos fallarán bajo restricciones del mundo real.
• Qué hallazgos serían técnicamente válidos pero científicamente no importantes.
• Qué áreas de investigación parecen abiertas solo porque el trabajo relevante está en marcha pero no es público.
• Qué preguntas son poco probable que sobrevivan a la revisión por pares o atraer financiación.

Mucho de este conocimiento es tácito. Existe en redes profesionales, experimentos fallidos, discusiones de conferencias, propuestas de subvenciones abandonadas, comentarios de revisores y años de exposición al campo.

Incluso un LLM con acceso amplio a la investigación publicada puede generar una dirección plausible mientras carece del conocimiento tácito y no publicado que explica por qué no se persiguió.

Esto sugiere que el papel futuro de los investigadores seniors puede volverse cada vez más similar al de los administradores de carteras. Su valor radicará no solo en producir ideas, sino en asignar atención y recursos entre un suministro en expansión de posibilidades generadas por AI.

El AI Puede Aplanar el Acceso Mientras Amplía las Brechas de Juicio

El AI generativo a menudo se describe como una tecnología democratizadora porque da a más personas acceso a capacidades anteriormente asociadas con especialistas.

Esto es parcialmente cierto en la ciencia.

Los investigadores sin redes élite o supervisores muy disponibles ahora pueden acceder a la lluvia de ideas inmediata, explicación, síntesis y crítica. Esto podría ayudar a los investigadores en instituciones más pequeñas, en regiones subfinanciadas o fuera de las redes académicas dominantes a formular proyectos más fuertes.

Sin embargo, el acceso igualitario al AI no produce resultados iguales, creando una paradoja potencial: el AI puede reducir la brecha en la producción de ideas mientras amplía la importancia de la habilidad de evaluación.

Los investigadores más influenciados por las sugerencias generadas por AI también pueden ser los menos equipados para identificar sus limitaciones. Mientras tanto, aquellos mejor posicionados para evaluar las sugerencias pueden percibir menos valor inmediato en usarlas.

El resultado podría ser una nueva forma de desigualdad en el trabajo científico: no el acceso desigual a las ideas, sino la capacidad desigual de filtrarlas.

El Problema de la Monocultura Científica

Hay otro riesgo que se extiende más allá de los investigadores individuales.

Los grandes modelos de lenguaje generan salidas aprendiendo patrones de la literatura existente. Si grandes números de investigadores utilizan modelos similares para generar preguntas de investigación, pueden recibir sugerencias superpuestas, creando una forma de convergencia científica que amplía el número de ideas mientras reduce la diversidad intelectual.

Individualmente, cada sugerencia puede parecer novedosa.

Colectivamente, el sistema puede concentrar la atención en torno a los mismos métodos, variables y marcos teóricos.

El estudio no demuestra directamente este resultado a nivel de sistema. Sin embargo, sus hallazgos hacen que la posibilidad sea más creíble. Los investigadores menos experimentados fueron más propensos a incorporar sugerencias de AI, y los investigadores en etapas tempranas de su carrera representan una parte sustancial de la producción científica futura.

Si el AI se convierte en un intermediario durante las etapas formativas de sus carreras, los modelos pueden influir no solo en proyectos individuales, sino también en los límites de lo que los investigadores emergentes consideran digno de estudiar.

El AI de Investigación Debe Estar Diseñado como un Adversario

La mayoría de los productos de AI generativo están optimizados para ser útiles. Responden preguntas, expanden ideas y producen salidas pulidas.

La ideación científica puede requerir una filosofía de diseño diferente.

El asistente de investigación más valioso puede no ser el sistema que genera la propuesta más convincente. Puede ser el sistema que más efectivamente intenta destruirla.

Un AI enfocado en la investigación debería operar en varios modos:

Generador de Hipótesis

El sistema debería proponer explicaciones competitivas en lugar de una sola dirección preferida. Debería variar suposiciones, marcos teóricos y enfoques metodológicos.

Revisor Adversario

Debería identificar por qué una propuesta puede ser trivial, inviable, ya explorada, estadísticamente subdesarrollada, problema ético, o poco probable que produzca evidencia significativa.

Auditor de Novedad

Debería recuperar artículos actuales, preimpresos, patentes, ensayos clínicos, bases de datos de subvenciones y actas de conferencias para determinar si la idea es genuinamente inexplorada.

Simulador de Restricciones

Debería probar la propuesta contra limitaciones prácticas como acceso a muestras, requisitos de equipo, costo, plazos, aprobaciones regulatorias y disponibilidad de datos.

Seguimiento de Procedencia

Debería documentar qué elementos originaron del investigador, literatura recuperada, colaboradores externos o sugerencias generadas por el modelo.

Motor de Divergencia

Debería buscar intencionalmente fuera de la literatura dominante y presentar analogías de disciplinas distantes en lugar de reforzar continuamente el camino más estadísticamente probable.

Esto repositionaría al AI de una fábrica de ideas automatizada a un sistema de prueba de estrés intelectual.

Las Universidades Pueden Necesitar Reconsiderar Cómo se Entrenan los Investigadores

La emergencia de la ideación asistida por AI crea un problema de capacitación.

La educación científica ha asumido tradicionalmente que los investigadores desarrollan juicio a través de la exposición repetida a la incertidumbre. Aprenden generando ideas débiles, malentendiendo la literatura, recibiendo críticas, revisando suposiciones y descubriendo por qué las direcciones aparentemente prometedoras fallan.

El AI puede eliminar parte de esa fricción.

Eliminar la fricción innecesaria es beneficioso. Eliminar la fricción de desarrollo puede no serlo.

Si los investigadores juniors confían en el AI para estructurar cada idea temprana, pueden producir salidas más fuertes a corto plazo mientras acumulan menos experiencia en la formulación de problemas independiente.

Las universidades deberían evitar enmarcar la política de AI como una elección binaria entre permiso y prohibición. La pregunta más importante es cómo se debe integrar el uso de AI en el desarrollo de la experiencia.

Posibles requisitos podrían incluir:

• Los investigadores deben criticar una propuesta generada por AI antes de adoptarla.
• Las ideas asistidas por AI deben compararse con alternativas generadas de forma independiente.
• Los estudiantes deben documentar por qué se rechazaron sugerencias específicas de AI.
• Los supervisores deben evaluar el proceso de razonamiento, no solo la propuesta final.
• Los cursos de métodos de investigación deben incluir ejercicios de calibración que utilicen salidas de AI plausibles pero defectuosas.

El objetivo no sería preservar un modelo artificial de investigación libre de AI. Sería asegurarse de que el AI acelera el desarrollo de los investigadores en lugar de sustituirlo.

Conclusión

El AI generativo no está ayudando simplemente a los científicos a generar más ideas. Está cambiando cuándo las ideas se vuelven sociales, quién recibe el apoyo intelectual temprano y dónde la experiencia crea valor.

Para los investigadores en etapas tempranas de su carrera, el AI puede funcionar como un colaborador preliminar siempre disponible. Puede reducir el costo social de presentar pensamientos incompletos y ayudar a transformar intuiciones en propuestas listas para la discusión humana.

Para los investigadores experimentados, el valor puede radicar en otro lugar. Su ventaja cada vez más se basa en reconocer qué ideas plausibles son no importantes, qué proyectos elegantes son inviables y qué aparentes brechas no son brechas en absoluto.

Esto apunta hacia una nueva división del trabajo en la ciencia.

El AI hará que las posibilidades de investigación sean abundantes. La experiencia humana determinará qué posibilidades merecen tiempo, financiación y atención.

Las organizaciones que se beneficien más no serán aquellas que desplieguen el AI para generar la mayor cantidad de ideas. Serán aquellas que construyan los sistemas más fuertes para la crítica, la selección, la procedencia y la diversidad intelectual.

El futuro de la ciencia asistida por AI dependerá menos de si las máquinas pueden sugerir preguntas de investigación y más de si los humanos preservan la capacidad de rechazar las incorrectas.

Referencias:

^{1. M. Trobinger, A. R. Doshi, y S. Chai, Cómo la experiencia modera el impacto de las sugerencias de AI en las percepciones de los investigadores sobre sus ideas, Research Policy 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}