¿Investigadores o algoritmos?: Desafíos en la ciencia automatizada
Argelia Berenice Urbina Nájera es investigadora, académica y mentora de la ciencia, especializada en minería de datos educativos, ciencia de datos aplicada y tecnología educativa, y recientemente se ha enfocado en el uso de la IA en educación superior. Actualmente es responsable de posgrados en la Universidad Iberoamericana Puebla.
La ciencia automatizada redefine quién lidera el futuro del conocimiento
La labor del investigador en la actualidad está experimentando una transformación radical, impulsada por la inteligencia artificial, la urgencia del cambio climático y un giro global hacia la ciencia abierta. El rol tradicional del investigador, que pasa toda su vida en un nicho aislado, está agotado porque se enfrenta a un entorno de alta presión en el que la velocidad de la tecnología a menudo supera la capacidad de adaptación institucional.
Con el auge de la IA y el Big Data, garantizar que los experimentos sean replicables y que los datos no estén sesgados ni manipulados se ha vuelto un reto colosal. A ello se suma un sistema de financiamiento que premia proyectos de corto plazo y obliga a los científicos a dedicar gran parte de su tiempo a redactar solicitudes en lugar de investigar. Aunado a la presión por publicar en revistas de alto impacto, que genera agotamiento y ansiedad, síntomas de un modelo académico que parece más preocupado por las métricas que por el impacto social.
El investigador del futuro no será valorado por la fuerza bruta de calcular o redactar, sino por su capacidad de formular las preguntas correctas, detectar sesgos invisibles y garantizar la ética detrás del dato. Su rol se expandirá hacia la interdisciplinariedad para conectar diversas áreas de conocimiento con el fin de cocrear soluciones aplicables. La narrativa científica también debe transformarse para pasar del tono rígido al lenguaje empático y accesible, capaz de responder a la pregunta del ciudadano común: “¿Cómo mejora esto mi vida?”.
La comunicación de la ciencia se convierte en un eje estratégico. Un artículo en una revista Q1/Q2 debe ser apenas la punta del iceberg. El investigador debe aprender a traducirlo en notas de prensa, infografías para tomadores de decisiones o hilos explicativos para la comunidad. La IA puede ayudar a adaptar los niveles de lectura, aunque la dirección y la calidez de la narrativa siguen siendo responsabilidad humana.
Esta transformación también debe alcanzar a las instituciones. Los organismos que evalúan la ciencia podrían dejar de medir únicamente las citas académicas y comenzar a reconocer el impacto en políticas públicas, patentes sociales, transferencia tecnológica y actividades de divulgación. Este cambio implicaría un desafío, aunque también abriría la puerta a una ciencia más conectada con la sociedad.
El reto es lograrlo sin desfallecer. Estrategias como usar IA para mapear la literatura, generar resúmenes o traducir formatos permiten liberar tiempo para lo esencial en el nuevo rol del investigador que consiste en detectar anomalías, sesgos metodológicos y la relevancia social de los datos. Otra estrategia es salir del escritorio y conectar directamente con comunidades y tomadores de decisiones, cruzando datos duros con metodologías cualitativas y participativas.
En un entorno hiperestimulado, el éxito del investigador ya no se medirá solo por las citas, sino también por su capacidad para transformarlo. Esto implica gestionar la atención, proteger el pensamiento profundo y desconectarse del ruido algorítmico para preservar la creatividad y la salud mental. La ciencia automatizada no sustituye al investigador, sino que bien lo obliga a evolucionar. Y en esa evolución, la pregunta clave no es si sobrevivirá, sino cómo logrará que la sociedad lo reconozca como un actor indispensable en la construcción de futuros más humanos.
En este nuevo escenario, el investigador se convierte en un puente entre mundos: el de los algoritmos y el de las personas. Su tarea no es competir con la IA, sino complementarla. La máquina puede procesar millones de datos, pero solo el ser humano puede interpretar su relevancia social, ética y cultural. El investigador debe ser capaz de detectar lo que el algoritmo deja fuera, de dar voz a lo invisible y de traducirlo en políticas públicas, en narrativas accesibles y en soluciones aplicables.
La ciencia automatizada abre oportunidades inéditas, pero también grandes riesgos, como la proliferación de sesgos invisibles, la manipulación de datos, la pérdida de creatividad y de la capacidad de cuestionarlo todo. El desafío es mantener el rostro humano detrás del dato, recordando que la ciencia no es solo la acumulación de información, sino también la construcción de sentido para el bien común.
Referencias
San Francisco Declaration on Research Assessment. (2012). Declaración de San Francisco sobre la evaluación de la investigación (DORA). https://sfdora.org/read/
Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. (2021). Informe de la UNESCO sobre la ciencia: El orden del día para el desarrollo sostenible. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000377250_spa
The Royal Society. (2024). Science in the age of AI: How artificial intelligence is changing the nature of scientific research. https://royalsociety.org/news-resources/projects/science-in-the-age-of-ai/
Organization for Economic Co-operation and Development. (2025). OECD Science, Technology and Innovation Outlook 2025: Transitioning in times of disruption. OECD Publishing. https://doi.org/10.1787/19991428