Los modelos de lenguaje se presentan como aceleradores de la ciencia en todas sus fases: desde formular hipótesis hasta analizar datos o redactar artículos. La esperanza es evidente: si la inteligencia artificial se encarga del trabajo rutinario, los investigadores tendrán más tiempo para pensar de verdad.
Un artículo de economía teórica firmado por investigadores de Princeton, la Universidad de Washington y otras instituciones cuestiona ese supuesto. La tesis: cuando la inteligencia artificial le quita trabajo de encima a un científico, el tiempo de ese científico se vuelve más valioso. Cada hora dedicada a un proyecto en curso es una hora que no puede destinarse a empezar otro. Los economistas lo llaman "coste de oportunidad" y el modelo del artículo se apoya en esa idea.
El supuesto de una IA perfecta
La decisión metodológica llama la atención. Los autores idealizan a propósito los modelos de lenguaje: los tratan como herramientas que reducen el coste en tiempo sin introducir errores y con un coste económico insignificante.
El objetivo de ese planteamiento es aislar el efecto puro del ahorro de tiempo de las debilidades conocidas de la tecnología. Así que la objeción de que "la IA produce información errónea" no es el tema aquí. La pregunta es más afilada: ¿qué ocurre aunque el modelo no se equivoque nunca?
Un modelo adaptado de la teoría del forrajeo
Los investigadores construyeron un modelo matemático basado en la teoría del forrajeo óptimo, procedente de la ecología del comportamiento, que describe cómo reparten los organismos su esfuerzo entre oportunidades que compiten.
Adaptado a la ciencia, el modelo simula cómo distribuyen los investigadores su trabajo entre proyectos y qué ocurre cuando los modelos de lenguaje acortan distintas fases del ciclo. En el modelo, un proyecto transcurre en dos fases:
- Cribado: el investigador comprueba primero si la idea es viable y después decide abandonarla o seguir adelante.
- Ejecución: seguir adelante implica una parte obligatoria (preparar figuras, dar formato al texto, enviarlo) y otra voluntaria (hacer experimentos adicionales, análisis más profundo, pulir la redacción).
El énfasis de los autores recae en lo segundo: cuando el tiempo escasea, lo que se sacrifica es la parte voluntaria.
Dos de tres escenarios acaban mal
El artículo plantea tres escenarios según dónde se aplique la inteligencia artificial.
Primero: evaluación temprana de ideas. La IA ayuda a cribar ideas. Los investigadores se vuelven más selectivos porque empezar de nuevo sale barato, así que solo avanzan los proyectos más prometedores. Pero incluso esos reciben un tratamiento menos minucioso, ya que el tiempo ahorrado rinde más lanzando algo nuevo. Según los autores, este patrón es típico de los campos técnicos.
Segundo: la fase de publicación. La IA acelera la redacción, el formato y el análisis. Como sacar un artículo cuesta menos esfuerzo, proyectos más débiles pasan a merecer la pena. Circulan más artículos, pero cada uno resulta más superficial. Este patrón es típico de las disciplinas basadas en trabajo de campo.
Tercero: la fase de profundización. Es el único caso en el que la calidad mejora de verdad. Cuando la IA acelera el trabajo voluntario de profundizar —experimentos adicionales, análisis más cuidadoso— apunta justo a la etapa donde los investigadores siempre han recortado, y el resultado mejora.
Por qué importa
El valor de este estudio está en que introduce la variable ausente en el debate sobre productividad: adónde va el tiempo ahorrado.
El supuesto habitual sobre las herramientas de productividad es que el tiempo ganado se dedica a hacer mejor el mismo trabajo. El modelo muestra lo contrario: en un sistema que premia la competencia y el número de resultados, el tiempo ganado se dedica a empezar trabajo nuevo.
El hallazgo no es exclusivo de la ciencia. La misma lógica vale en cualquier oficio medido por número de entregas: software, periodismo, consultoría. Dónde se aplica la herramienta pesa más que cuánto acelera.