La historia reconfortante sobre la inteligencia artificial en la ciencia sostiene que la automatización eliminará las tareas tediosas y que los investigadores usarán el tiempo recuperado para pensar con más profundidad y terminar su trabajo de forma más completa. Un nuevo estudio de modelización sostiene que esta historia invierte por completo la economía del asunto. Al hacer más rápidos a los científicos, los grandes modelos de lenguaje elevan el precio del tiempo de un investigador, y el tiempo que es más caro se gasta en el siguiente proyecto, no en pulir el actual. Los autores, Eamon Duede, Kevin Gross, Molly Crockett y Carl Bergstrom, predijeron sin rodeos en su resumen que los investigadores harán más cosas, pero peor, en lugar de la misma cantidad, mejor.
El artículo, publicado en arXiv el 19 de julio de 2026 y aún sin revisión por pares, es deliberadamente generoso con la tecnología. El modelo asume que los grandes modelos de lenguaje funcionan exactamente como imaginan sus defensores más entusiastas: baratos, rápidos, precisos y libres de errores. Incluso bajo ese supuesto, muestran los autores, la mera existencia de estas herramientas remodela la forma en que los científicos reparten su esfuerzo, porque cambia las fricciones y los incentivos que guían la investigación. El hallazgo es estructural, no una queja sobre las alucinaciones o la pérdida de cualificación, y los autores son explícitos al afirmar que las herramientas de IA no son el problema de raíz. Los grandes modelos de lenguaje sostienen un espejo ante un sistema de incentivos que ya premia la cantidad sobre la calidad.
La maquinaria matemática procede de la ecología del comportamiento. El modelo toma prestada la teoría del forrajeo óptimo, desarrollada por Eric Charnov en 1976 para describir cómo decide un animal cuándo abandonar un parche de alimento, y la aplica a un investigador que decide cuándo abandonar un proyecto. Un científico dedica una fase de descubrimiento de duración fija a conocer el valor de un proyecto: hipótesis, experimentos piloto, datos preliminares. Una vez conocido ese valor, el investigador abandona el proyecto y comienza un nuevo descubrimiento, o invierte en desarrollo, que tiene dos partes. La primera es el trabajo necesario, el coste irreducible de convertir los resultados en un artículo publicable: figuras, maquetación, corrección de pruebas, envío. La segunda es el desarrollo discrecional: experimentos de seguimiento, análisis de sensibilidad, estadísticas más profundas, pulido de la prosa. La cantidad clave del modelo es la tasa de rendimiento del tiempo a largo plazo, que fija el coste de oportunidad de cada hora que invierte un investigador.
De este marco, el artículo deriva tres predicciones, y las dos primeras son incómodas. Cuando los grandes modelos de lenguaje acortan la fase de descubrimiento, como hacen en los campos técnicos donde ayudan a identificar rápidamente problemas prometedores, los investigadores se vuelven más selectivos y publican una fracción menor de sus proyectos, pero incluso los proyectos que sí publican se desarrollan de forma menos exhaustiva, porque el coste de oportunidad del tiempo ha subido. Cuando los grandes modelos de lenguaje reducen en cambio el trabajo necesario para producir un manuscrito, como ocurre en las disciplinas basadas en trabajo de campo donde dominan la escritura y el análisis, el umbral para publicar baja, de modo que se publican más proyectos, cada uno desarrollado de forma menos exhaustiva. Solo el tercer caso es inequívocamente bueno: cuando los grandes modelos de lenguaje aceleran el propio desarrollo discrecional, abaratando los experimentos de seguimiento y el análisis más profundo, los proyectos se desarrollan de forma más exhaustiva. El resultado que domina en cada campo depende de qué fase de la investigación acelere el modelo de lenguaje.
El resultado más incisivo del modelo es un diagnóstico de la falacia del ahorro de tiempo. La esperanza de que automatizar las tareas mundanas comprará a los científicos tiempo para pensar con profundidad fracasa, escriben los autores, porque los grandes modelos de lenguaje hacen más valioso el tiempo del investigador, no menos. Una vez que un artículo está casi listo para publicarse, la hora marginal dedicada a refinarlo es una hora que no se dedica a descubrir el siguiente proyecto, y cuando todo se mueve más rápido, el coste de oportunidad de esa hora crece. El resultado es un incentivo para pasar a otra cosa. Los autores señalan que han tratado las instituciones científicas como estáticas, lo cual es razonable en horizontes cortos pero garantiza un periodo de desajuste a medida que las prácticas cambian más rápido que las políticas. Los envíos a revistas ya aumentan con fuerza en los campos donde los grandes modelos de lenguaje recortan el tiempo de producción de un manuscrito, lo que tensa la revisión por pares, y la estructura de incentivos de publicar o perecer es décadas anterior a estas herramientas.
El detalle más llamativo del artículo es su propia declaración de uso de IA. Los autores informan de que el texto se escribió sin ayuda de IA más allá del corrector ortográfico integrado, pero que usaron ChatGPT 5.4, ChatGPT 5.5 y Gemini 3.1 para sugerir estrategias de demostración, Claude Fable 5 para comprobar la consistencia de las demostraciones y ChatGPT 5.5 para refinar las tipografías de las figuras y el formato LaTeX. Un artículo que sostiene que los grandes modelos de lenguaje empujarán a los científicos hacia la prisa se produjo a su vez con ayuda de estos modelos exactamente en las fases que el modelo describe: el trabajo discrecional de revisar demostraciones y dar formato, acelerado y parcialmente delegado. Es una pequeña y honesta ilustración del fenómeno, más que una crítica de él.
Las salvedades son reales. Se trata de una prepublicación, y el modelo simplifica en gran medida, tratando el tiempo como único recurso y manteniendo fijos los incentivos. Los grandes modelos de lenguaje reales cometen errores, y sus errores pueden imponer costes que el modelo ignora. Pero el valor del ejercicio es que aísla el efecto estructural: incluso una herramienta perfecta, en un sistema que premia la producción, desplaza el esfuerzo lejos de la profundidad. La conclusión práctica para la política científica es que arreglar el resultado exige cambiar los incentivos, porque la tecnología no es la restricción vinculante. Los autores sostienen que la esperanza de que el ahorro de tiempo se traduzca en un pensamiento más profundo queda matizada por sus resultados. El espejo que sostienen los grandes modelos de lenguaje está mostrando al sistema su propio reflejo.
Referencias
Eamon Duede, Kevin Gross, M.J. Crockett, and Carl T. Bergstrom, The unintended consequences of large language models as a labor-augmenting technology in science. arXiv:2607.17397 (2026). DOI: 10.48550/arXiv.2607.17397.
Kaia Glickman, Scientists using LLMs will ‘do more, less well’, modelling study predicts. Nature News, 31 July 2026. DOI: 10.1038/d41586-026-02397-5.
E.L. Charnov, Optimal foraging, the marginal value theorem. Theoretical Population Biology 9(2), 129-136 (1976).
Traducido por Alessandra