La obsesión por la IA podría estar privando de recursos a los campos de investigación que necesita para sobrevivir

Llevo diez años escribiendo exclusivamente sobre inteligencia artificial. En 2022, solo había un puñado de periodistas en el mundo dedicados exclusivamente a la IA; ahora somos varios miles o más, y los medios con más recursos emplean a más de una persona para cubrir exclusivamente la inteligencia artificial.

Como especie, ahora concentramos nuestra atención, nuestros esfuerzos, nuestros temores y nuestras esperanzas en torno a un fenómeno cultural y tecnológico que ocurre una vez por siglo y que, hasta la llegada de los modelos de lenguaje de gran tamaño eficaces y de la generación de imágenes y videos basada en difusión, languidecía en el ámbito de las «curiosidades», con los ultrafalsos convertidos en arma política, pero sin que, al parecer, las economías mundiales se vieran amenazadas.

La tormenta «rutinaria» de la IA

Obviamente, todo eso ya quedó atrás. Todo está amenazado, todo está siendo alterado y, podría decirse, 2026 ha sido el año en que resultó más difícil fundamentar las predicciones sobre el año siguiente.*

Cada semana, a veces varias veces por semana, se lanzan nuevos modelos de código cerrado y de pesos abiertos, y la frecuencia es tal que algunos ni siquiera son evaluados por la comunidad de aficionados o entusiastas, que está adoptando una actitud cada vez más escéptica al respecto,  y exige cada vez más para prestar atención ante el flujo constante de lanzamientos.

Como alguien que sigue de cerca y profesionalmente la investigación y los lanzamientos, debo decir que los avances en los distintos sectores de la investigación y el desarrollo de la IA, aunque tienen un gran impacto a intervalos prolongados, suelen surgir —y siempre lo han hecho— en pequeños incrementos, en lugar de como hitos revolucionarios o evolutivos, como los transformadores. Hoy en día, las conmociones se deben sobre todo al efecto de la IA en la economía, más que a sus capacidades más recientes.

Además, como ya he señalado, la calidad de las ideas que representa el enorme auge de la investigación en IA desde 2022 no siempre está a la altura de su cantidad; muchas son nuevas versiones, recombinaciones o reensamblajes «al estilo de Frankenstein» de trabajos existentes y otros más novedosos: arquitecturas ensambladas para lograr mejoras significativas aparentes respecto de trabajos anteriores, pero que, al examinarlas, se ven limitadas por metodologías poco sólidas o por costos de VRAM absurdamente elevados.

Los páramos temáticos

Cuando esos miles de periodistas se pasaron a cubrir la IA, los temas que habían cubierto hasta entonces inevitablemente recibieron menos atención directa. En cierto modo, apenas importó, porque el tema y la implementación de la IA se volvieron tan omnipresentes en la cultura y las infraestructuras que, por ejemplo, un corresponsal de energía ahora cubriría más asuntos relacionados con la IA que cualquier otro; lo mismo ocurriría con quienes cubren economía, empleo, política y políticas públicas, entre otros ámbitos.

Parecía que ahora todos esos temas podían filtrarse a través del prisma de la IA, lo que quizá explique en parte el enorme aumento de la cobertura «especializada» sobre IA, en un campo que no deja de reducirse (aunque últimamente se ha recuperado un poco).

En consecuencia, cabe preguntarse si otros temas distintos reciben ahora una cobertura insuficiente debido a la «obsesión por la IA»: temas cuyas historias, tendencias y ramificaciones podrían acabar afectando al propio «tema estrella» de la IA.

Pero ¿qué se puede hacer? Los recursos son limitados y, hasta ahora, la IA es la historia del siglo.

La gran migración hacia la IA

Según un nuevo artículo que me ha despertado una gran inquietud sobre el tema, esto podría estar ocurriendo con la propia IA: además del riesgo de que la contracción y la realimentación reduzcan la calidad de los modelos futuros, el ecosistema científico más amplio en el que surgen las ideas y se fecundan mutuamente entre disciplinas está concentrándose tanto en la investigación sobre IA que los momentos «afortunados» —cuando conexiones inesperadas entre ideas aparentemente inconexas pueden transformar campos enteros— podrían volverse cada vez más infrecuentes.

En resumen, el nuevo trabajo, titulado Los avances más contundentes en inteligencia artificial aceleran su propio agotamiento, sostiene que la obsesión por la IA está erosionando las condiciones de fondo en las que surgen nuevos avances, incluidos los que afectan directamente a la IA; y que (parafraseando muy libremente a los autores) existe una cierta «tendencia endogámica» en este nuevo foco de interés que difícilmente puede acabar bien.

El artículo afirma^†:

«Un paradigma dominante no solo elimina a sus rivales, sino también la diversidad a partir de la cual se habría recombinado su propio sucesor.

«El estrechamiento de la atención desde 2017, la migración a la IA de más de la mitad de los autores que cambiaron de campo, la vitalidad decreciente de las ideas nuevas y el pronunciado descenso de la actividad de las poblaciones de ideas a lo largo de ciclos sucesivos describen, en conjunto, un sistema cuya capacidad creativa está siendo erosionada por el éxito de los paradigmas dominantes que ha producido».

Trabajos anteriores han observado que la IA podría estar convirtiendo la investigación en un monocultivo, pero los autores del nuevo estudio también creen que el creciente predominio de la IA podría estar privándola de las ideas novedosas que necesita para seguir avanzando. Comparan la investigación en IA con las ciencias biológicas, donde avances como la crio-EM y AlphaFold han desencadenado ciclos similares de innovación y declive.

Para obtener pruebas empíricas que respaldaran sus teorías, los autores analizaron 7,18 millones de artículos de informática publicados entre 1990 y 2025 en OpenAlex, y siguieron los cambios en los temas de investigación y las citas, los movimientos de 3,7 millones de investigadores entre campos y 73.089 evaluaciones por pares, con el fin de determinar cómo había afectado el creciente predominio de la IA a la diversidad científica.

Uno de los hallazgos más interesantes que surgieron de los datos se refiere a la reciente migración de investigadores hacia la IA y al abandono de las materias que ya estudiaban:

«Los migrantes son investigadores en mitad de su carrera y con una trayectoria moderadamente consolidada, que dejan atrás el trabajo que les granjeó prestigio para seguir la atracción gravitatoria del campo, incluso a costa de la penalización que supone cambiar de rumbo»

El estudio constató que más de la mitad de los 918.862 cambios registrados entre campos de la informática fueron hacia la IA, mientras que otras áreas, en particular los sistemas y la investigación teórica, perdían investigadores de forma constante.

Del nuevo artículo: cambios en la proporción de artículos de informática dedicados a la IA, los sistemas y la teoría entre 1990 y 2025. Cada cuadrado representa un año; el azul indica una proporción mayor y el rojo, una menor. La proporción de la IA aumentó bruscamente después de 2017, mientras que la de los otros campos disminuyó. Fuente

Los investigadores más propensos a dar el salto eran académicos experimentados con una trayectoria consolidada. Mientras tanto, la proporción de artículos de informática dedicados a la IA pasó del 40% en 2017 a más del 55% en 2025.

Del blog de Arxiv: el aumento de los envíos de artículos de informática durante un período de 2 años, de 2024 a 2026. Fuente

Tres señales

El artículo identifica tres «señales convergentes» que, según sostienen los autores, han llegado a definir la informática desde 2017.

La primera es un marcado estrechamiento de la atención investigadora después de 2017, año en que se presentó la arquitectura Transformer. Al extraer las diez palabras clave más destacadas de cada uno de los 7,18 millones de artículos de informática, los autores rastrearon hasta qué punto la investigación se concentraba en los mismos temas:

Gráficos que muestran cómo la investigación en informática se ha concentrado cada vez más desde 2017. Izquierda: los investigadores se centran en una variedad más reducida de temas. Derecha: una proporción creciente de las citas se dirige a una selección más limitada de artículos. Ambas tendencias se aceleraron con la llegada de Transformer.

Durante décadas, esta concentración se había mantenido relativamente estable, incluso con el auge de internet, los teléfonos inteligentes y el aprendizaje profundo. Sin embargo, entre 2017 y 2025, el coeficiente de Gini^†† de la atención investigadora (véase la imagen anterior) subió de 0,26 a 0,33, un aumento del 27%. Las citas también se concentraron más: su coeficiente de Gini pasó de 0,60 a un máximo de 0,69.

Los investigadores, procedentes de Tsinghua University, la University of Chicago y el Santa Fe Institute, afirman:

«Transformer alteró el campo a una escala que su predecesor no alcanzó. El patrón no es un artefacto: se mantiene pese a las variaciones de [keyword count]».

Y añaden:

«La proporción de publicaciones de informática dedicadas a la IA aumenta del 40% a más del 55% entre 2017 y 2025, mientras que la investigación en sistemas retrocede tras una larga época dorada y la teoría se contrae aún más».

Por tanto, los hallazgos sugieren que, incluso mientras la informática se expandía, los investigadores perseguían cada vez más las mismas ideas y citaban una selección más limitada de trabajos.

La segunda «señal» se refiere al creciente número de investigadores que abandonan sus especialidades para trabajar en IA: al seguir la trayectoria de 3,7 millones de investigadores, los autores identificaron cerca de 919.000 migraciones entre campos de la informática. De ellas, el 53,81% fueron hacia la IA, un área de investigación que ganó investigadores cada año, mientras que los sistemas y la teoría los perdían de forma constante:

Migración de investigadores a la IA. El gráfico de la izquierda muestra que la IA atrae una proporción cada vez mayor de investigadores de otros campos de la informática, mientras que los sistemas y la teoría pierden terreno. Los dos gráficos de la derecha muestran quiénes tienen más probabilidades de dar ese paso: investigadores que llevan aproximadamente 32 años de carrera académica y cuyos historiales de publicaciones superan a los de cerca del 82 % de sus colegas. Se considera que un investigador ha cambiado de campo cuando empieza a publicar la mayoría de sus artículos en otra área.

Quienes hicieron el cambio solían ser académicos consolidados a mitad de carrera, no recién llegados ni veteranos. La probabilidad de pasarse a la IA alcanzaba su punto máximo a los 31,8 años de edad académica y entre los investigadores situados en el percentil 82 en cuanto a trayectoria de publicaciones.

La tercera de las tres tendencias que señala el artículo es la creciente presión sobre la revisión por pares: el proceso por el que otros investigadores evalúan la calidad y la fiabilidad de un artículo científico antes de su publicación.

Al examinar 73.089 revisiones de 26.731 artículos presentados en 45 conferencias y otros foros entre 2017 y 2025, los autores observaron que la confianza de los revisores en su capacidad para evaluar los artículos cayó de 3,9 a 2,9 en una escala de cinco puntos:

Gráficos de los cambios en la revisión científica por pares entre 2017 y 2025. El gráfico de la izquierda muestra que los revisores tienen cada vez menos confianza en su capacidad para evaluar los artículos presentados: las puntuaciones bajaron de 3,9 a 2,9 sobre cinco. El gráfico de la derecha sigue la evolución de los comentarios hostiles en las revisiones, que disminuyeron brevemente en 2021, cuando la conferencia NeurIPS se trasladó a la plataforma OpenReview, más transparente, antes de volver a aumentar. Ambas líneas muestran promedios móviles de tres años.

Los autores sugieren que este descenso podría reflejar la rápida expansión de la IA, que ha dificultado encontrar revisores con la cualificación adecuada para evaluar los artículos:

«Los grupos de revisores se han visto inundados de recién llegados atraídos por la fuerza gravitatoria de la IA. Cada vez más, los revisores reciben artículos repletos de métodos de IA que quedan fuera de su área de especialización. Asignar los trabajos a revisores verdaderamente expertos se ha vuelto estructuralmente difícil.

«En este contexto, la aceptación se parece cada vez más a lanzar una moneda al aire».

Después de la(s) fiebre(s) del oro

El artículo también sugiere que los mayores avances de la IA podrían, a la larga, acelerar su propio agotamiento, ya que cada gran avance va seguido de una oleada de nuevas ideas; sin embargo, este impulso inicial de innovación da paso luego a una repetición lánguida, a medida que la investigación se concentra cada vez más en torno a los propios avances.^†:

«Los ciclos sucesivos de la IA moderna se saturan antes y se agotan con mayor rapidez. El ciclo se está acortando.

«A lo largo de 36 años de desarrollo de la informática, que abarcan tres grandes avances tecnológicos —AlexNet, el Transformer y los modelos de lenguaje grandes—, observamos repetidamente la misma espiral [pattern].

«Cabe destacar que este patrón no se limita a la informática. En biología, observamos el mismo ciclo de agotamiento después de grandes avances no computacionales (por ejemplo, la criomicroscopía electrónica) y computacionales (por ejemplo, AlphaFold)».  

Este «agotamiento» se produjo sin duda con los autocodificadores, las redes generativas antagónicas (GANs) y los enfoques de autocodificador, como las ultrafalsificaciones. Los investigadores explotaron sin piedad todas estas técnicas durante años, mucho después de que su potencial se hubiera agotado claramente, hasta que por fin llegaron nuevos marcos y enfoques para aliviar la presión sobre ellas.

En cualquier caso, para seguir estos ciclos, los autores buscaron sustantivos y expresiones distintivos en resúmenes científicos y rastrearon su aparición, desaparición y retorno ocasional como indicadores de cambios en las ideas de investigación.

AlexNet, en 2012, y los Transformers, en 2017, desataron cada uno una oleada de nuevas ideas que acabó remitiendo. Con cada avance, la IA amplió su ventaja, mientras que otros campos de la informática se quedaron atrás y, con el tiempo, empezaron a generar nuevas ideas a un ritmo inferior al de antes de 2012:

Comparación de la proporción de nuevas ideas de investigación en IA (azul), en informática no relacionada con la IA (rojo) y en ambas áreas en conjunto (línea morada discontinua). Las nuevas ideas se dispararon tras la aparición de AlexNet en 2012 y de Transformer en 2017, antes de decaer. La ventaja de la IA se amplió después del segundo avance. Las líneas muestran promedios móviles de tres años.

El patrón también se observa cuando las ideas dejan de utilizarse: nuevos avances desplazan enfoques anteriores, a veces años después de su aparición. Sin embargo, los propios avances quedan atrapados en el mismo ciclo: cada uno atrae una oleada de atención investigadora que acaba por remitir, y el campo queda a la espera de otro descubrimiento que recupere su impulso (como ocurrió con Gaussian Splatting, tras un intervalo de 31 años):

Comparación de las citas a los artículos originales sobre AlexNet (rojo) y Transformer (azul) entre 2012 y 2025. La proporción de citas recibidas por ambos aumentó antes de caer bruscamente, lo que ilustra cómo la atención a los grandes avances acaba desvaneciéndose. Las líneas muestran promedios móviles de tres años.

El éxito de la IA concentra a investigadores e ideas en torno a un puñado de enfoques dominantes, mientras que los campos afines que podrían contribuir a generar sus sucesores siguen perdiendo terreno, sostienen los autores. Y aunque no predicen de forma categórica que esto vaya a impedir futuros avances, sí plantean la posibilidad de que la IA esté reduciendo gradualmente la diversidad de la que podría depender su próximo gran salto.

También se hizo un seguimiento del número de ideas que seguían en uso activo; a lo largo de las sucesivas oleadas de desarrollo de la IA, esta cifra quedó cada vez más por debajo de lo esperado, con un déficit mayor tras la aparición de Transformer que después de AlexNet:

Gráfico que muestra el número de ideas de investigación activas durante los sucesivos avances de la IA. Las líneas continuas muestran el crecimiento modelado, mientras que los tramos discontinuos indican que las cifras reales cayeron por debajo de los niveles proyectados. El déficit es mayor después de Transformer que después de AlexNet, y también se observa un descenso temprano durante la era de los LLM.

En resumen, los autores concluyen que la concentración de esfuerzos y personas en un abanico cada vez más reducido de desafíos relacionados con la IA amenaza con empobrecer los campos afines que antes aportaban ideas de manera natural al sector de la IA y a otros sectores diversos.

En referencia al comentario de John Hassler sobre la concesión del Premio Nobel de Ciencias Económicas de 2025, concluyen:

‘El comité Nobel advirtió que es necesario mantener los mecanismos de destrucción creativa para evitar el estancamiento. Nuestros resultados identifican uno de esos mecanismos, la diversidad intelectual, y muestran que las instituciones actuales la están erosionando.

‘Las instituciones que distribuyen la atención —entre ellas, los sistemas de revisión, las tasas y normas de presentación, las estructuras de recompensas, la contratación, los ascensos y las convenciones sobre la jubilación 12— determinan si el próximo paradigma tendrá espacio para surgir.

‘Diseñarlas bien significa resistirse al impulso de apostar aún más por el paradigma que esté ganando en ese momento, gravar la concentración en lugar de la exploración y alejar la autoridad evaluadora de quienes producen mucho para acercarla a lo novedoso.

‘La destrucción creativa sostiene el crecimiento solo mientras deja algo que pueda recombinarse. Una singularidad no tiene sucesor.’

* Debería haber una palabra para esto: ¿«resistente a los pronósticos»? Bueno, no es una palabra única, sino un término, y además parece referirse a 2026 en vez de a la perspectiva de 2027 desde 2026. ¿«Infuturizable»? El corrector ortográfico lo subrayó en rojo, así que quedémonos con esa.

^† Mi conversión de las citas insertadas de los autores en hipervínculos.

^†† El coeficiente de Gini indica cuán desigual es la distribución de algo, en una escala de 0 (igualdad perfecta) a 1 (concentración máxima). En este caso, una puntuación más alta significa que los investigadores se centran en menos temas.

Publicado por primera vez el miércoles 21 de octubre de 2026