Por Laura Esquivel y Víctor Hugo Ballesteros El mundo cambió vertiginosamente en los últimos 10 años y la inteligencia artificial llegó a transformar la investigación científica en su función de herramienta de apoyo en el extenso campo del conocimiento. La Inteligencia Artificial (IA) generativa facilita la exploración de grandes volúmenes de datos en diversas disciplinas, a través del aprendizaje automático y el procesamiento de lenguaje natural. Su impacto en el ámbito académico ha trascendido como una mera recopilación de información a la detección de plagio y la mejora en la redacción académica, dando una ventaja a quien usa estas herramientas. Según chatGPT, el chatbot desarrollado por OpenAI, y que para el mismo Bill Gates supone la segunda “demostración revolucionaria”, el papel y el impacto de la IA en la investigación científica transforma profundamente esta práctica en una variedad de campos. Entre ellas el análisis de datos, el descubrimiento de fármacos, el diseño de experimentos, el modelado de simulación computacional, la automatización de tareas y la optimización de recursos. En medicina y biología, facilita el diagnóstico temprano de enfermedades y acelera el descubrimiento de medicamentos. En física y astronomía, ayuda a analizar datos astronómicos masivos y mejora las simulaciones cuánticas. Mientras que en química y materiales, predice el comportamiento de nuevos compuestos y optimiza procesos químicos. Por otro lado, en ciencias del medio ambiente y climatología, perfecciona los modelos climáticos y apoya la conservación de especies. Estas herramientas han transformado la investigación científica al ofrecer eficiencia, análisis profundo y sutil, personalización, predicción precisa y colaboración global. Su capacidad para generar innovación y facilitar la colaboración global ha ampliado significativamente nuestras capacidades científicas, permitiéndonos avanzar hacia horizontes antes inalcanzables en el conocimiento y descubrimiento. El uso de la IA en la ciencia ha sido profundo y multifacético, lo que nos lleva a cuestionarnos si todo esto puede ser una parte importante en la investigación científica, como una herramienta o como un atajo. Pues a pesar de las innegables ventajas que la IA ofrece a la investigación científica, también presenta desafíos significativos. Entre ellos, la opacidad de ciertos modelos de IA, como las redes neuronales profundas, dificulta su interpretación, lo que plantea preocupaciones sobre su aplicabilidad. Además, existe el riesgo de sobre dependencia de la IA, lo que podría minimizar el papel crítico del ser humano y llevar a errores si los modelos están mal entrenados o los datos son sesgados. La calidad de los datos también es crucial, ya que la IA puede perpetuar sesgos si los datos de entrenamiento son incompletos o sesgados. Además, el desarrollo y mantenimiento de modelos de IA pueden ser costosos, lo que puede crear barreras de entrada para algunos investigadores o instituciones. La seguridad y la privacidad de los datos también son preocupaciones, especialmente en campos como la medicina. Finalmente, surgen cuestiones éticas sobre el uso de IA y la responsabilidad en las decisiones que toma. Ya que recientemente son detectados artículos especializados que utilizan dichas herramientas sin dar crédito en las referencias. La buena noticia es que la IA puede detectar este tipo de prácticas por medio de herramientas como IThenticate de Turnitin, con la que todos los libros de Comunicación Científica son revisados como parte de sus procesos de publicación. Abordar estos desafíos es importante para garantizar que la IA sea una herramienta efectiva, justa y confiable en la investigación científica.