Los sistemas de inteligencia artificial (IA) están consumiendo grandes cantidades de contenido en línea, pero apuntando a pocos usuarios a los editores de los artículos. A principios de 2025, la compañía con sede en Estados Unidos OpenAI recolectó alrededor de 250 páginas de material para cada visitante que dirigió al sitio web de un editor. A mediados de 2025, esa cifra se había disparado a 1.500, según Matthew Prince, director ejecutivo de la firma de seguridad en Internet con sede en Estados Unidos Cloudflare. Y la tasa de extracción de la empresa de inicio de IA con sede en EE. UU. Anthrope aumentó aún más durante el mismo período: de 6,000 páginas a 60,000. Incluso el gigante tecnológico Google, Long consideró un activo para los editores debido al tráfico de referencias que generó, triplicó su relación de 6 páginas a 18 con el lanzamiento de su función de descripción general de IA. El ecosistema de información actual está dominado por 'motores de respuesta': chatbots de IA que sintetizan y entregan información directamente, con usuarios que confían en las respuestas ahora más que nunca.
Como investigador de MetaScience and Psychology, veo esta transición como el cambio más importante en el descubrimiento de conocimiento en una generación. Aunque estas herramientas pueden responder preguntas más rápido y, a menudo, con mayor precisión que los motores de búsqueda, esta eficiencia tiene un precio. Además de la decimación del tráfico web a los editores, existe un costo más insidioso. No las 'alucinaciones' de AI, las fabricaciones que pueden corregirse, sino los sesgos y vulnerabilidades en la información real que estos sistemas presentan a los usuarios.
¿AI acelerará las revisiones de la literatura o las descarrilará por completo?
Considere lo que sucede cuando los investigadores solicite a una herramienta de IA que recomiende a los revisores de pares en su campo. Un estudio se centró en la física encontró que los sistemas de IA representaban los académicos con nombres que los científicos clasificaron como pertenecientes a los blancos y subrepresentaban a aquellos con nombres que clasificaron como asiáticos (D. Barolo et al. Preimpresión en arxiv https://doi.org/p46k; 2025). Los algoritmos pueden amplificar distintos prejuicios dependiendo del campo, el contexto y la redacción de la consulta.
La distorsión se extiende a la literatura en sí, algo que he presenciado de primera mano. Cuando AI Systems recomienda trabajos de investigación, exacerban constantemente el efecto Matthew: la tendencia del trabajo altamente citado para acumular aún más citas, mientras que la investigación menos conocida sigue siendo invisible. Más del 60% de las sugerencias generadas por IA se encuentran en el 1% superior de los artículos más citados, más del doble del número observado en las listas de referencias recolectadas por humanos (A. Algaba et al. Preimpresión en arxiv https://doi.org/p46m; 2025). Los sistemas de IA han internalizado los patrones de citas humanas y los han amplificado en extremo.
A pesar de la creciente influencia de las herramientas, la investigación sobre la recuperación de información asistida por INI sigue siendo limitada. Esta brecha refleja un punto ciego más amplio en cómo las instituciones están respondiendo al creciente papel de la IA en la ciencia. Las políticas se han centrado en la ética de la producción de artículos asistidos por AI, estableciendo principios para el uso responsable, con respecto a la originalidad, la responsabilidad y la transparencia, por ejemplo. Sin embargo, la amenaza no radica en cómo escribimos la ciencia, sino en cómo la encontramos.
Por qué una excesiva dependencia al modelado impulsado por la IA es mala para la ciencia
Los investigadores están examinando las oraciones generadas por IA, al tiempo que permiten implícitamente estos sistemas elegir qué académicos se citan, qué métodos parecen relevantes y qué direcciones de investigación podrían ser prometedoras. Están aceptando las salidas a pesar de que la información subyacente ha sido distorsionada. Este desequilibrio es especialmente preocupante porque la posibilidad de agentes de investigación autónomos, herramientas de IA diseñadas para realizar revisiones de literatura e incluso experimentos, a escala) se está acercando a la realidad.
