Hiperproducción científica

 

Publish or perish (“publica o perece”) es la expresión que resume el principio organizador de buena parte de la carrera académica moderna: para conseguir y mantener empleo, promoción, financiación y reputación, el investigador debe publicar de forma continua en revistas indexadas, mejor si son del primer cuartil (el mítico Q1). No se trata solo de “comunicar resultados”, sino de cumplir un umbral de productividad medible: número de artículos, calidad percibida del lugar de publicación, citas, impacto, posiciones de autoría, etc. Todo suma. En esa lógica, “perecer” significa quedar fuera de la competencia: no obtener becas o proyectos, no estabilizarse, no ascender, no ser visible en el campo. La desaparición científica.

“Publish or perish” resume cómo el sistema científico se ha ido racionalizando alrededor de indicadores y procedimientos (evaluaciones periódicas, rankings, auditorías, acreditaciones) que convierten la publicación en moneda de cambio. Esto puede tener efectos positivos (incentivar la difusión, estandarizar criterios, aumentar circulación de conocimiento), pero genera tensiones más que conocidas: prioridad a lo rápido y “publicable”, aversión al riesgo (menos investigación exploratoria), presión por fragmentar resultados, saturación del peer review y estrés, mucho estrés, especialmente en las fases iniciales de la carrera científica.

 

El sistema de producción, circulación y evaluación científica está a punto de colapsar. Si lo analizamos con el modelo de la economía política, podemos afirmar que el coste de producir un artículo científico se reduce cada semana. El uso de las inteligencias artificiales para definir objetivos y preguntas de investigación, construir marcos teórico y metodológicos, procesar datos, extraer conclusiones y redactar un informe (acompañado de sus tablas, figuras y bibliografía) se extiende y lleva a un incremento exponencial de la producción en todas las disciplinas, desde la matemática y la física hasta las ciencias sociales. El fenómeno no es nuevo pero las IA lo están hiperacelerando hasta límites impensables.

 

“Los modelos de IA de frontera -en concreto, Gemini Deep Think y sus variantes avanzadas- han superado un umbral crítico. Ya no son meras herramientas para la automatización rutinaria, el procesamiento de datos o el formateo sintáctico; ahora son capaces de actuar como auténticos colaboradores de nivel experto en el descubrimiento matemático y algorítmico. A través de la informática teórica, la economía, la física y la optimización, hemos mostrado que los LLM pueden resolver activamente conjeturas abiertas, ajustar cotas matemáticas mantenidas durante décadas y localizar teoremas oscuros y transdisciplinares para sortear bloqueos que frenan a los investigadores humanos” (AAVV, “Accelerating Scientific Research with Gemini: Case Studies and Common Techniques”, 2026).

 

La hiperproducción de artículos científicos está llevando al colapso de las publicaciones científicas. Ya no solo tardan cada vez más en dar una respuesta a los ansiosos autores: directamente rechazan textos por no tener tiempo de darles ni siquiera una rápida ojeada. Antes, por lo menos, te decían que el artículo “no encaja con los objetivos (o la metodología) del journal”. El correo que nos mandó el editor sudaba frustración. Además, no hay revisores suficientes para tantos papers.  El viernes recibí tres propuestas de revisión. Con suerte, aceptaré una. Lo mismo está pasando con los grandes congresos científicos: la cantidad de ponencias recibidas aumenta de manera constante. Sinceramente, no quisiera estar en las botas de un editor científico o del organizador de un congreso. El riesgo de morir aplastado por la masa textual es muy alto.

 

¿Qué hacer ante esta avalancha?

Una posible solución consiste en utilizar las inteligencias artificiales en los procesos de evaluación.  Si millones de científicos utilizan las inteligencias artificiales para incrementar su producción textual, la otra forma de lidiar con esa montaña de documentos es recurriendo a las mismas armas.

 

“Una posible respuesta consiste en aprovechar la misma tecnología para ayudar a evaluar manuscritos. ‘Agentes revisores’ especializados podrían señalar inconsistencias metodológicas, verificar afirmaciones e incluso evaluar la novedad. Que este enfoque escalable ayude a editores y revisores a centrarse en el fondo más que en señales superficiales, o que introduzca desafíos nuevos e imprevistos en el proceso científico, es una incertidumbre crítica” (AAVV, “Scientific production in the era of large language models”, Science, 2025).

 

Incorporar las inteligencias artificiales a los procesos de evaluación nos lleva al tema de los sesgos y alucinaciones de los LLM. Una inteligencia artificial podría dejar fuera de circulación un aporte científico relevante debido a las limitaciones de entrenamiento. Ahora bien, dado que la evaluación por pares también está plagada de sesgos y subjetividades, quizás este sistema sea el menos malo como alternativa. Una inteligencia artificial bien entrenada -y subrayo lo de «bien entrenada»- podría ayudar a filtrar una masa textual que no para de crecer. Los que no quieran ser sometidos a la AI-review, siempre pueden optar por la revisión por pares o por la publicación en abierto sin revisión. En cualquiera de los casos, el sistema actual de producción, circulación y evaluación está a punto de colapsar.

 

Carlos A. Scolari (2026), Economía política del paper (i): La gran implosión. Hipermediaciones.