Estudio Contradice las Afirmaciones de Anthropic y OpenAI sobre la Investigación Autónoma con IA
Un nuevo estudio académico ha encendido las alarmas en el mundo de la inteligencia artificial al cuestionar de forma directa y contundente las grandes promesas que empresas como Anthropic y OpenAI han hecho sobre la supuesta capacidad de sus modelos para realizar investigación científica de manera completamente autónoma. Llevado a cabo con la participación de investigadores de la Universidad de Princeton y el Instituto de Seguridad de IA del Reino Unido, el estudio aporta evidencia empírica que obliga a revisar el relato dominante sobre el futuro inmediato de la ciencia asistida por inteligencia artificial.
Las Grandes Promesas: ¿Qué Dijeron Anthropic y OpenAI?
Para entender el impacto de este estudio, es fundamental recordar el contexto en el que se inscribe. Durante los últimos años, las principales compañías desarrolladoras de modelos de lenguaje de gran escala han construido una narrativa poderosa y seductora en torno a la autonomía científica de sus sistemas.
OpenAI, de la mano de declaraciones de su director ejecutivo Sam Altman, sostuvo en repetidas ocasiones que sus modelos actuales y futuros serían capaces de actuar como “científicos virtuales”, comprimiendo décadas de progreso científico en apenas unos pocos años. Áreas como la biología, la medicina y la propia investigación en inteligencia artificial fueron señaladas como los campos donde esta aceleración sería más visible y transformadora.
Por su parte, Anthropic fue igualmente ambiciosa en sus proyecciones. Dario Amodei, cofundador y director ejecutivo de la compañía, llegó a describir un futuro en el que agentes de inteligencia artificial funcionarían como “postdoctorandos virtuales”: capaces de diseñar experimentos, analizar resultados y publicar descubrimientos científicos sin necesidad de supervisión humana constante. Estas afirmaciones no quedaron en el plano retórico, sino que alimentaron valuaciones billonarias, acuerdos estratégicos con gobiernos y universidades, y políticas públicas en múltiples países.
El problema, como demuestra el nuevo estudio, es que la realidad técnica actual dista mucho de estas proyecciones.
El Experimento: Metodología Rigurosa y Evaluadores Ciegos
Lo que hace especialmente relevante a esta investigación no es solo sus conclusiones, sino la solidez de su diseño experimental. Los investigadores proporcionaron a agentes de IA basados en Claude Opus 4.8 de Anthropic y GPT-5.6 Sol de OpenAI un conjunto de condiciones pensadas para replicar el trabajo real de un investigador junior en el campo de la inteligencia artificial.
Cada agente recibió un período de seis días, un presupuesto de 3.000 dólares en créditos de API y acceso a recursos de computación —incluyendo GPUs— para elaborar de manera independiente artículos de investigación completos. Los agentes tuvieron acceso al proceso íntegro: búsqueda bibliográfica, formulación de hipótesis, diseño experimental, ejecución de código, análisis de resultados y redacción del manuscrito final.
El elemento más valioso del estudio fue el mecanismo de evaluación. Los artículos producidos fueron revisados por los propios autores de manuscritos inéditos presentados a NeurIPS, una de las conferencias científicas más prestigiosas del mundo en inteligencia artificial y aprendizaje automático. Estos evaluadores, conocedores de los desafíos reales de sus líneas de investigación, estaban en una posición privilegiada para juzgar la originalidad, la coherencia metodológica y la profundidad científica de los trabajos generados por los agentes.
El veredicto fue unánime y categórico: todos los artículos generados por los sistemas de inteligencia artificial recibieron la calificación de “Reject”, es decir, rechazo, la evaluación más negativa posible en el proceso de revisión por pares académico.
¿Qué Pueden Hacer los Agentes de IA? Lo que el Estudio Sí Reconoce
Los resultados, sin embargo, no son una condena absoluta sin matices. El estudio ofrece una imagen más compleja que reconoce las capacidades reales de los sistemas actuales. Los agentes demostraron habilidades notables en varios aspectos del proceso investigador.
En primer lugar, los modelos fueron capaces de gestionar de forma autónoma el flujo técnico completo de la investigación: desde la revisión de literatura hasta la implementación de código funcional, pasando por la configuración de experimentos y la generación de tablas y gráficos. Esto no es un logro menor, ya que representa una capacidad de orquestación técnica significativa.
En segundo lugar, los manuscritos producidos eran, en términos de forma, superficialmente indistinguibles de artículos académicos reales. La estructura, el formato, las citas y el vocabulario técnico estaban correctamente empleados, lo que demuestra un dominio avanzado del registro científico escrito.
Finalmente, cuando las tareas implicaban replicar o extender trabajos previos bien documentados, los agentes obtuvieron resultados aceptables, lo que sugiere una competencia genuina en tareas de naturaleza más reproductiva.
Las Brechas Críticas: Dónde Fallan los Agentes
Sin embargo, las carencias identificadas por los evaluadores son profundas y estructurales, y apuntan a limitaciones que no son simplemente cuestión de más datos de entrenamiento o mayor capacidad computacional.
La deficiencia más señalada fue la ausencia de lo que los investigadores denominan juicio investigador. Los agentes mostraron una incapacidad sistemática para discernir qué preguntas de investigación son relevantes, novedosas o importantes dentro del campo. Formulaban problemas que ya estaban resueltos, que carecían de interés científico genuino o que no representaban avances reales sobre el estado del arte.
Estrechamente relacionada con lo anterior, los modelos evidenciaron una grave rigidez ante los fracasos experimentales. Cuando los experimentos no producían los resultados esperados, los agentes tendían a persistir en aproximaciones fallidas en lugar de replantear la hipótesis o rediseñar el experimento. Este comportamiento contrasta radicalmente con el proceso heurístico que caracteriza a un investigador humano competente, quien sabe cuándo abandonar una estrategia improductiva.
De hecho, este último punto fue descrito por los evaluadores como uno de los hallazgos más reveladores del estudio: los agentes de IA demostraron una notable dificultad para reconocer cuándo un camino de investigación no conducía a resultados fértiles, desperdiciando recursos computacionales y tiempo en iteraciones sin valor científico.
Por último, los artículos generados carecían de originalidad conceptual genuina. Lejos de proponer ideas verdaderamente nuevas, los agentes producían recombinaciones de conceptos existentes que los evaluadores, expertos en sus respectivos campos, calificaron como insuficientes para los estándares de NeurIPS.
Implicaciones Regulatorias y para el Debate Público
Las consecuencias de este estudio trascienden el debate técnico especializado. El Instituto de Seguridad de IA del Reino Unido, uno de los organismos de evaluación más activos a nivel internacional, participa precisamente en estudios de este tipo para generar evidencia empírica que pueda orientar decisiones regulatorias basadas en datos reales y no en narrativas corporativas.
Esta distinción es crucial. Cuando las afirmaciones sobre autonomía científica de la IA influyen en decisiones de política pública, en la asignación de fondos de investigación o en acuerdos estratégicos entre gobiernos y empresas tecnológicas, la validez empírica de esas afirmaciones se convierte en un asunto de interés colectivo, no solo académico.
El estudio también plantea una reflexión más amplia sobre la responsabilidad comunicativa de las grandes empresas de tecnología. Prometer capacidades que los sistemas actuales no tienen no solo distorsiona las expectativas del mercado y de los inversores, sino que puede generar políticas públicas mal calibradas, tanto en términos de regulación como de inversión en ciencia y educación.
Una Lectura Necesaria: Ni Catastrofismo ni Ingenuidad
Sería un error interpretar este estudio como una demostración de que la inteligencia artificial no tiene futuro en la investigación científica. Lo que el estudio demuestra, con rigor metodológico, es que ese futuro no es tan inmediato ni tan sencillo como las empresas del sector han querido hacer creer.
Los agentes de IA son herramientas extraordinariamente poderosas para acelerar componentes específicos del proceso investigador: revisión de literatura, generación de código, análisis de datos estructurados, redacción técnica. Pero la chispa creativa que impulsa la ciencia genuina —saber qué pregunta vale la pena hacer, reconocer cuándo cambiar de rumbo, imaginar lo que aún no existe— sigue siendo, por ahora, un dominio profundamente humano.
El gran mérito de este estudio es precisamente ese: en lugar de debatir en el terreno de las opiniones y las proyecciones, aporta datos concretos, metodología transparente y evaluadores cualificados. En un campo tan cargado de narrativas aspiracionales como la inteligencia artificial, eso es exactamente lo que el debate público necesita.
La autonomía científica de la inteligencia artificial llegará, probablemente, en algún punto del futuro. Pero ese camino exige honestidad sobre dónde estamos hoy, rigor en la evaluación de los avances reales y responsabilidad en la comunicación pública de los mismos. Este estudio da un paso importante en esa dirección.
