Julio/25 Lombana-Coy, investigador de la Universidad del Norte, advierte sobre el nuevo entorno que, para la investigación, ha significado la tecnología y la IA, a manera de reflexión.
Se recuerda una época en que acceder a un libro específico en una biblioteca podría demorar varias horas, para una vez recibido, encontrar aquel párrafo que daría la argumentación de un documento de investigación. Pero ojalá no se equivocaran enviando el libro erróneo. Ahora solo con las palabras claves no solamente se tiene el párrafo, sino también la argumentación.
¿Qué le queda al investigador académico, para no convertirse en un replicador más de documentos ya escritos?
En la experiencia reciente de uso de la inteligencia artificial generativa (casi 3 años, desde cuando chatGPT se vuelve de acceso público), lo que antes se demoraba semanas en hacer para un investigador escribir un artículo científico, ahora con varias pausas, se puede terminar en algunas horas.
Seguramente, muchos investigadores han tenido un período de discusión interna sobre los dilemas éticos y de integridad académica de escribir documentos de investigación con la aparición de la inteligencia artificial generativa. Todavía no hay un consenso al respecto, ni entre los investigadores, ni en las instituciones, cuyas políticas cuando no son prohibitivas, son sujetas a interpretación y en el mejor de los casos terminan en un comité de decisión caso por caso. En un conjunto de comentarios anecdotarios muchos colegas académicos, precisamente por la subjetividad de las delgadas fronteras de lo ético, tampoco tienen clara una respuesta.
Escribir con rigor académico y compitiendo con una máquina que puede tomar el estilo de cualquier autor, incluso con premio nobel, es una decisión que requiere mayor confianza en sí mismo y ser emocionalmente fuerte para continuar con las ganas de hacerlo.
Por eso para no dañar las emociones más que un reemplazo, se debería ver como una compañ-IA, de hecho, lo he llamado el nuevo mejor AI-migo. Con esta premisa, cualquier autor se puede volver más productivo si así lo quiere y entonces la decisión de escribir está en la dualidad de cantidad o calidad. Si se decide por calidad, el valor agregado puede estar en la creatividad y el valor emocional del autor. De no acoger los factores creativos y de emoción, el autor se vuelve una máquina de producción de artículos científicos que no se diferencia mucho de la actual inteligencia artificial generativa. El toque a los escritos no se refleja entonces en los dedos que digitan, si no en las ideas que pasan por la cabeza después de sentirlas con el corazón.
Sin embargo, en el sistema de publicaciones académicas heredado de una institucionalización anglosajona de los investigadores, el publish or perish (publica o perece) es una carrera a la que los académicos por adopción de un esquema fuertemente afincado, tienen que seguir cumpliendo y enfrentando instituciones que miden los méritos por la cantidad de publicaciones, por compañías editoriales que ganan, pero no pagan a revisores y estrategias de publicación predatoria que rebasan la moral. Para esta carrera frenética, la IA generativa apoya en el escribir y con el paso del tiempo es posible que también pase a evaluar y de ahí decidir quién publica o perece.
La guía de cómo escribir de manera rápida es relativamente sencilla, aunque el paso de publicar por ahora, no esté totalmente garantizado. Antes de cualquier cosa se debe tener una idea que se desprenda en un tema/problema de investigación. Aquí el humano es irremplazable en creatividad e interés. Es desde esta base que se construye la investigación y se ponen los peldaños para crear conocimiento. Por supuesto, se puede preguntar a la IA, pero para entender lo que responde se debe tener un mínimo entendimiento y comprensión de la temática.
Después de tener la temática e ideas preliminares para investigar, lo que se puede hacer es revisar Elicit, SciSpace, Consensus, Scite, Perplexity, u otra app que como motor de búsqueda recoge información de Google Académico, ResearchGate, Semantic Scholar o cualquier repositorio de artículos/libros. Incluso Scopus y World of Science (las principales indexaciones académicas) recientemente lanzaron sus propios agentes buscadores, potenciados con IA. Estas apps de IA lo que hacen es mostrar, de acuerdo a las instrucciones (prompt) dadas, un sencillo esquema en el que se encuentran de manera sintética: resumen, principales hallazgos, metodologías, resultados, conclusiones y todo lo que el investigador requiera por interés propio. Bajo esa perspectiva, ya no existiría la necesidad de leer completamente, todos los documentos. Pero hay que seguir siendo cauto a la hora de aprobar todas las interpretaciones de la IA.
Luego, esos documentos se pueden potenciar con apps de IA como Research Rabbit, Connected Papers o alguna aplicación que muestre conexiones entre diferentes investigaciones; algo así como un mapa de interacciones basado en citaciones y temáticas. De ahí, seguramente saldrán más artículos para volver a revisar y seguir cerrando el bucle.
Con tal cantidad de documentos abrumadora hace algunos años, lo que se puede hacer para facilitar su clasificación es utilizar un gestor bibliográfico como Zotero o Mendeley cuya función es ordenar las referencias; que en seguida pueden ser procesadas con otra buena instrucción (prompt) con chatGPT, gemini, copilot, deepseek o cualquiera de las IAs que salen a diario. Con eso ya se tiene la revisión de literatura.
Para la metodología, se pueden utilizar las mismas herramientas de IAs generativas para que sugieran cuáles son los diseños y modelos de investigación para llenar los vacíos que surgieron de la revisión de literatura. Se les puede preguntar tipos y diseños de investigación y hasta hipótesis sugeridas. Hasta este momento lo único que se ha tenido que hacer es escribir instrucciones (prompts). Seguramente de las posibles alternativas que se dieron en la metodología se requieren datos y es aquí donde “el dato mató el relato” y la clave sin la cual la investigación todavía es humana. No obstante, a diferencia de las etapas que se han hecho hasta el momento (revisión de literatura y metodología), la inteligencia artificial no ha sido la llamada (aún) para recoger los datos. Seres humanos, se encargan, todavía, de recopilar información de fuentes primarias (entrevistas, discursos etc) y/o secundarias (libros, estadísticas etc.), compilarlas y sobre todo ordenarlas para luego sí con ayuda nuevamente de la inteligencia artificial procesarla. La responsabilidad humana en esta etapa es primordial, si se entregan malos datos, un mal procesamiento u ordenación errónea, la inteligencia artificial entregará malos resultados y es aquí nuevamente donde la ética y la integridad vuelven a jugar un rol preponderante por parte del humano.
Para convertir los datos en resultados y en un buen relato, nuevamente el apoyo se puede dar en la inteligencia artificial. El análisis no es más que la combinación de la revisión de literatura que se hizo en la primera etapa con los resultados que se acaban de presentar. Luego de tener todas estas etapas: revisión de literatura, metodología, resultados y análisis, se le puede preguntar al AI-migo cuáles son las conclusiones, implicaciones y posibles cursos de investigación futura. Con esto ya se tiene un artículo de investigación. Parece sencillo, ¿no?, pero cuidado, ¿hasta dónde es producción humana y hasta dónde de IA?, ¿hasta dónde se revisó que un relato creíblemente coherente producido por la IA, respalda el dato y es veraz. ¿Es cuestionable la integridad científica del documento?, esto es algo que poco a poco se va a ir develando. En lo que los académicos llaman el mundo real, ya es una operación diaria el uso de la IA, incluso sin cuestionamientos éticos y con implicaciones en empleo y productividad. Mientras tanto el académico siga sumido en el dicho publish or perish, que históricamente ha perseguido a los científicos, pero al que ahora se le deba agregar un nuevo dicho: “si no hay dato, no hay relato”.
* Las opiniones expresadas en este artículo son responsabilidad exclusiva del autor y no reflejan necesariamente el punto de vista de la institución.
——
(*) Jahir Lombana lombanaj@uninorte.edu.co es doctor en Economía de la Universidad de Goettingen (Alemania), Magíster en Estudios Internacionales de la Universidad de Chile. Especialista en Relaciones Internacionales de la Universidad de Chile con pregrado en Economía de la Universidad del Rosario en Bogotá (Colombia). Se ha desempeñado como profesional especializado en el Ministerio de Comercio Exterior en Colombia, Director/Editor del portal internet especializado en comercio exterior de frutas y verduras frescas: www.freshplaza.es y www.freshplaza.com, consultor de proyectos en Europa y Latinoamérica en entidades como la Fundación Friedrich Ebert (Alemania), Naciones Unidas para la Agricultura y la Alimentación FAO, el Instituto de Estudios Agronómicos INRA (Francia), Asociación de Bananeros de Colombia AUGURA (Colombia), Asociación de Ganaderos del Norte ASOGANORTE (Colombia), DNP y Minciencias. En investigación y docencia sus áreas de interés son competitividad, competencias, análisis sectorial e internacionalización. De las cuales tiene varios escritos y son temas activos en los cursos que ha impartido en diferentes universidades. Ha sido Director Académico, Director de Investigaciones y coordinador del programa de doctorado en la Universidad del Norte donde actualmente está vinculado como investigador senior y profesor asociado de entorno de los negocios y competitividad en pregrado y posgrado.
