Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Cuatro futuros posibles (y un escenario límite) para la publicación científica

José Luis García Boyé

Secretario Técnico de RIED

 

Palabras clave: RIED, publicación científica, inteligencia artificial generativa, evaluación por pares, infraestructuras editoriales, integridad científica, futuros de la ciencia

La reacción inicial de gran parte de las instituciones académicas frente a la llegada de la inteligencia artificial generativa se articuló, sobre todo, en políticas editoriales y de gobernanza: exigencias de divulgación del uso de IA, asignación explícita de responsabilidad humana y restricciones específicas, y una proliferación de directrices no siempre convergentes entre revistas, editoriales y otras instancias (Committee on Publication Ethics [COPE], 2025; Elsevier, s. f.; European Association of Science Editors [EASE], 2024). Hay una variabilidad sustantiva en lo que se pide declarar y en los umbrales de “uso aceptable”, lo que aumenta la incertidumbre operativa para autores y equipos editoriales (Ganjavi et al., 2024; Lingard et al., 2025).

Esta respuesta ha sido necesaria, pero puede resultar insuficiente ante un cambio estructural caracterizado por la producción masiva de textos verosímiles y presiones de aceleración en los flujos editoriales, con impactos todavía difíciles de anticipar por la rápida mejora e implantación de estas tecnologías. Por ello, resulta valioso recurrir a ejercicios de “ciencia ficción dirigida” y metodologías de anticipación, al igual que hacen diversos gobiernos y organizaciones para explorar futuros no evidentes, anticipar amenazas complejas y mejorar su preparación institucional (Defence Science and Technology Laboratory [Dstl], 2026; Government Office for Science [GO-Science], 2024; North Atlantic Treaty Organization [NATO], 2024; Organisation for Economic Co-operation and Development [OECD], 2025; Pólvora & Nascimento, 2021).

Este texto adopta exactamente esa lógica: los escenarios que siguen funcionan como pruebas de estrés. No pretenden describir “lo que ya ocurre”, sino explorar trayectorias plausibles a partir de tendencias observables, incentivos editoriales y tensiones de infraestructura.

Marco teórico: ejes de incertidumbre

Para la construcción de los escenarios se utilizan dos ejes de incertidumbre. El primero corresponde a la infraestructura y la gobernanza: determina si las herramientas y la confianza del sistema quedan bajo el control de plataformas propietarias o si se basan en estándares abiertos y gobernanza comunitaria (Bergstrom et al., 2024; Plantin et al., 2018; POSI Adopters, 2025). El segundo eje atañe a la agencia epistémica, entendida aquí como el grado en que la IA apoya tareas verificables sin sustituir deliberación editorial y evaluativa, o bien desplaza el juicio humano en procesos de cribado y revisión para maximizar velocidad y volumen (Ebadi et al., 2025; Hoyt et al., 2025; Pontille & Torny, 2015). De la intersección de estos ejes resultan cuatro escenarios, además de un escenario límite.

Escenario 1: Dependencia propietaria y control humano

En este escenario, la IA se normaliza como herramienta de asistencia para redacción, traducción y estructuración de manuscritos. La evaluación permanece bajo control humano: editores y revisores conservan autoridad final sobre las decisiones de publicación y mantienen la responsabilidad intelectual. La transformación principal se concentra en los mecanismos de verificación de integridad: ante el aumento de envíos y la sofisticación de los textos, se expanden exigencias de trazabilidad (por ejemplo, declaraciones estructuradas de uso de herramientas y evidencia metodológica), no como estándar universal ya establecido, sino como respuesta institucional a la presión por escala (COPE, 2025; Elsevier, s. f.; EASE, 2024).

En esta proyección, muchas revistas dependen de plataformas integradas, a menudo propietarias, que realizan controles automáticos y ofrecen servicios de verificación. Iniciativas como el STM Integrity Hub actúan como un filtro compartido que conecta varios servicios. Así, distintas revistas acaban usando reglas parecidas y dependen de herramientas similares (STM Association, s. f.). Además, la creciente concentración de plataformas que gestionan el circuito editorial (envío, revisión y decisión) refuerza la dependencia del sistema de un número reducido de actores, como ilustra el caso de ScholarOne (Clarivate, 2024; Schonfeld, 2024; Silverchair, s. f.).

La ventaja es operativa: estandariza procesos, reduce fraude básico y mejora el soporte lingüístico, aumentando la accesibilidad. Pero el coste es político y epistémico, ya que los criterios de lo “trazable” y lo “confiable” tienden a quedar en manos de quienes controlan la infraestructura y los servicios. Además, el coste de licencias y verificación puede agravar desigualdades, perjudicando sobre todo a revistas con menos recursos y a sistemas donde predominan editoriales pequeñas, universitarias o de sociedades científicas (Bergstrom et al., 2024; Crossick, 2015).

Escenario 2: Dependencia propietaria y automatización delegada

Este escenario parte de la premisa de que el incremento de envíos y la escasez de revisores tensionan el modelo editorial, generando un cuello de botella estructural (Ellaway, 2024). Sobre esa base, resulta plausible que se intensifique el uso de IA en tareas tempranas y repetitivas: fases de cribado, apoyo en la selección inicial, detección de irregularidades, asistencia a integridad y gestión editorial (Hoyt et al., 2025; Wiley, 2024).

Bajo esa presión, la automatización tiende a desplazarse hacia sistemas integrados que no solo apoyan, sino que estructuran recomendaciones: sugerencias de revisores, borradores de informes, priorización por señales de conformidad y, en el límite, recomendaciones automatizadas de curso de acción editorial (Ebadi et al., 2025; Hoyt et al., 2025).

En esta proyección, el sistema es transparente en los procedimientos (trazas, métricas), pero no necesariamente en el juicio de fondo. Se puede ver el proceso y el cumplimiento de indicadores, pero no si las decisiones fueron pertinentes ni cómo se evaluaron supuestos y límites. La calidad de un artículo tiende a definirse como un ajuste a plantillas y métricas automatizables, relegando la deliberación humana, homogeneizando métodos y penalizando trabajos más interpretativos o innovadores que no encajan en los criterios estandarizados (Ebadi et al., 2025; Pontille & Torny, 2015).

En paralelo, el fraude se adapta. La literatura documenta ya la existencia de paper mills y su impacto en la integridad del registro científico (Fontaíña et al., 2025; Mainous, 2025). En este escenario, el uso de filtros predecibles y estandarizados incentiva el uso de estrategias para optimizar textos “pasables” frente a señales automatizadas, sin un aporte sustantivo de valor añadido.

Escenario 3: Soberanía abierta y automatización delegada

En este escenario, la infraestructura evoluciona hacia soberanía abierta: interoperabilidad, repositorios robustos y herramientas abiertas que reducen dependencia de monopolios y favorecen bibliodiversidad y acceso (Bergstrom et al., 2024; Invest in Open Infrastructure, 2025; POSI Adopters, 2025; Weidener & Spreckelsen, 2024). Al mismo tiempo, se incrementa drásticamente la automatización: agentes de IA generan borradores, sintetizan literatura, traducen y recombinan evidencia, empujando el sistema desde artículos estáticos hacia flujos continuos de preprints y revisiones dinámicas (Hu et al., 2024; Pugliese et al., 2026).

La apertura y la democratización del proceso conviven con una crisis de confianza: la sobreproducción de textos automatizados supera la capacidad humana de lectura y evaluación, dificultando distinguir aportaciones genuinas de fabricaciones algorítmicas (Mainous, 2025). En ciencias sociales y educación, aparece además la “simulación de sujetos” o generación de datos sintéticos para investigación cualitativa o encuestas, con oportunidades y riesgos: produce a veces resultados formalmente plausibles pero sustancialmente erróneos o sesgados cuando el modelo está mal especificado (Hayes, 2025; Park et al., 2024; Westwood, 2025). La traducción masiva amplía el acceso al conocimiento pero también produce equivalencias engañosas cuando borra matices culturales y contextuales (Helsinki Initiative on Multilingualism in Scholarly Communication, 2019).

La selección algorítmica genera “burbujas de filtro” donde la visibilidad y la circulación de revistas y artículos están mediadas por sistemas de recomendación que personalizan qué se lee, qué se cita y qué “parece” relevante (Färber et al., 2023).

En ese entorno, las revistas pierden centralidad como canal exclusivo y quedan reducidas a un rol de validación. Compiten por ofrecer garantías verificables: revisión con criterios explícitos, exigencias de trazabilidad (datos, código, materiales, declaraciones de IA), controles de integridad, y mecanismos de rendición de cuentas (correcciones, réplicas, comentarios post-publicación) que permitan distinguir contribuciones robustas dentro de la abundancia sintética (Invest in Open Infrastructure, 2025; Pontille & Torny, 2015).

Escenario 4: Soberanía abierta y control humano

En este escenario, la IA aumenta capacidades operativas sin sustituir el juicio intelectual y ético de los humanos. La infraestructura se consolida como bien común mediante plataformas comunitarias; la confianza no depende de certificaciones comerciales propietarias, sino de estándares abiertos, interoperabilidad y cooperación institucional (Invest in Open Infrastructure, 2025; POSI Adopters, 2025).

Operativamente, los sistemas algorítmicos asumen tareas repetitivas y verificables: cribado estadístico, detección de anomalías formales, apoyo a reproducibilidad y traducción compatible con diversidad epistemológica. A la vez, la comunidad retiene soberanía sobre hipótesis, diseño metodológico, interpretación contextual y juicio ético inherente a la revisión por pares. Las revistas operan como dispositivos de selección y rendición de cuentas: la IA actúa como copiloto metodológico transparente y declarado, y la responsabilidad permanece en agentes humanos (Csiszar, 2018; Ebadi et al., 2025; Pontille & Torny, 2015).

Para reforzar la integridad sin dependencia propietaria, se generan mecanismos como declaraciones estructuradas de uso de IA y acreditaciones de responsabilidad humana, coherentes con el énfasis sectorial en divulgación y límites de autoría no humana (COPE, 2025; Elsevier, s. f.; EASE, 2024). Una implicación institucional fuerte y constante proporciona inversión, alfabetización algorítmica continua y consorcios capaces de sostener infraestructuras seguras y estandarizadas para evitar desigualdades tecnológicas (Crossick, 2015; United Nations Educational, Scientific and Cultural Organization [UNESCO], 2023). En paralelo, marcos regulatorios como el AI Act europeo influyen en las prácticas de transparencia, alfabetización y obligaciones de ciertos sistemas (European Commission, s. f.).

Escenario límite: Autonomía científica artificial

Este escenario trasciende el supuesto central de los anteriores en el que la ciencia es una práctica humana estructurada en textos y revisión por pares. En esta proyección, una parte significativa de la generación de conocimiento se vuelve algorítmica y autónoma: “laboratorios autónomos” en STEM y simulaciones con poblaciones sintéticas para ensayar políticas e intervenciones in silico en ciencias sociales y educación (Canty et al., 2025; Hartung, 2025; Park et al., 2024). En el límite, los algoritmos formulan hipótesis, ejecutan pruebas, analizan resultados y refinan modelos a velocidades que superan la capacidad de asimilación humana, lo que tensiona nociones de explicación, control y responsabilidad (Callaway, 2026; Resnik et al., 2026). Gran parte de la diseminación científica se desplaza hacia la comunicación máquina-a-máquina cada vez menos interpretable para humanos por su complejidad y velocidad.

El artículo narrativo tradicional pierde su centralidad frente a un conocimiento expresado como modelos ejecutables y flujos de actualización continua, con nuevas formas de validación (Pugliese et al., 2026). En ese contexto, las revistas quedan relegadas a un rol de traducción y auditoría, síntesis humanas y rendición de cuentas, y, en algunos ámbitos, como espacios culturales de comunidad más que como el canal primario del avance.

Cuestiones fundamentales para la reflexión editorial

Estos escenarios invitan a una reflexión que debe trascender la urgencia editorial cotidiana. El debate no debería centrarse solo en penalizar o rastrear el uso de IA, sino en cómo auditar la evidencia y quién define los criterios de legitimidad científica: las comunidades académicas o las infraestructuras corporativas. Resulta necesario entender también la tensión creciente entre el rigor interpretativo y la estandarización algorítmica, desarrollando mecanismos para detectar cuándo la velocidad y el volumen simplemente sustituyen a la buena ciencia. A nivel institucional, el reto es decidir si las instituciones públicas construyen infraestructuras soberanas y transparentes, o si externalizan el control epistémico hacia plataformas propietarias, con sus efectos previsibles sobre desigualdad, bibliodiversidad y autonomía académica (Bergstrom et al., 2024; Crossick, 2015; Fyfe et al., 2017).

Más allá, en el límite de lo que hoy nos parece posible, podríamos asistir a una producción acelerada de conocimiento, válida y funcional, pero ejecutada por máquinas para ser consumida por otras máquinas, dejando a los investigadores como meros espectadores de un proceso que ya no pueden seguir ni comprender en tiempo real. Cabe preguntarse, entonces, si los beneficios de este progreso exponencial compensan el desplazamiento de nuestra propia agencia. ¿Es aceptable una ciencia que priorice el resultado ejecutable sobre la comprensión profunda? ¿En qué procesos la autonomía algorítmica puede representar un avance necesario y en cuáles una pérdida de sentido irreparable?

Referencias

Bergstrom, T., Rieger, O. Y., & Schonfeld, R. C. (2024). The second digital transformation of scholarly publishing: Strategic context and shared infrastructure. Ithaka S+R. https://doi.org/10.18665/sr.320210

Callaway, E. (2026, 18 de febrero). Will self-driving ‘robot labs’ replace biologists? Paper sparks debate. Nature. https://doi.org/10.1038/d41586-026-00453-8

Canty, R. B., Bennett, J. A., Brown, K. A., Buonassisi, T., Kalinin, S. V., Kitchin, J. R., Maruyama, B., Moore, R. G., Schrier, J., Seifrid, M., Sun, S., Vegge, T., & Abolhasani, M. (2025). Science acceleration and accessibility with self-driving labs. Nature Communications, 16(1), Artículo 3856. https://doi.org/10.1038/s41467-025-59231-1

Clarivate. (2024, 28 de octubre). Silverchair to acquire ScholarOne from Clarivate to expand investment & innovation in critical publishing technology [Comunicado de prensa]. https://clarivate.com/news/silverchair-to-acquire-scholarone-from-clarivate-to-expand-investment-innovation-in-critical-publishing-technology/

Committee on Publication Ethics. (2025). Artificial intelligence. COPE Focus. https://publicationethics.org/cope-focus/artificial-intelligence

Crossick, G. (2015). Monographs and open access: A report to HEFCE. Higher Education Funding Council for England. https://dera.ioe.ac.uk/id/eprint/21921/1/2014_monographs.pdf

Csiszar, A. (2018). The scientific journal: Authorship and the politics of knowledge in the nineteenth century. University of Chicago Press.

Defence Science and Technology Laboratory. (2026, 4 de febrero). Science fiction prepares military for complex and unpredictable future of technology [Noticia]. GOV.UK. https://www.gov.uk/government/news/science-fiction-prepares-military-for-complex-and-unpredictable-future-of-technology

Ebadi, S., Nejadghanbar, H., Salman, A. R., & Khosravi, H. (2025). Exploring the impact of generative AI on peer review: Insights from journal reviewers. Journal of Academic Ethics, 23, 1383–1397. https://doi.org/10.1007/s10805-025-09604-4

Ellaway, R. H. (2024). Where have all the reviewers gone? Advances in Health Sciences Education, 29, 717–720. https://doi.org/10.1007/s10459-024-10350-2

Elsevier. (s. f.). Generative AI policies for journals. Recuperado el 1 de marzo de 2026, de https://www.elsevier.com/about/policies-and-standards/generative-ai-policies-for-journals

European Association of Science Editors. (2024, 25 de septiembre). Recommendations on the use of AI in scholarly communication. https://ease.org.uk/2024/09/recommendations-on-the-use-of-ai-in-scholarly-communication/

European Commission. (s. f.). Regulatory framework for AI (AI Act). Recuperado el 1 de marzo de 2026, de https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Färber, M., Coutinho, M., & Yuan, S. (2023). Biases in scholarly recommender systems: Impact, prevalence, and mitigation. Scientometrics, 128(5), 2703–2736. https://doi.org/10.1007/s11192-023-04636-2

Fontaíña, N. M., Candal-Pedreira, C., García, G., Ross, J. S., Ruano-Ravina, A., & Martin-Gisbert, L. (2025). Identifying common patterns in journals that retracted papers from paper mills: A cross-sectional study. Research Integrity and Peer Review, 10(1), Artículo 21. https://doi.org/10.1186/s41073-025-00177-9

Fyfe, A., Coate, K., Curry, S., Lawson, S., Moxham, N., & Rostvik, C. M. (2017). Untangling academic publishing: A history of the relationship between commercial interests, academic prestige and the circulation of research. Zenodo. https://doi.org/10.5281/zenodo.546100

Ganjavi, C., Eppler, M. B., Pekcan, A., Biedermann, B., Abreu, A., Collins, G. S., Gill, I. S., & Cacciamani, G. E. (2024). Publishers’ and journals’ instructions to authors on use of generative artificial intelligence in academic and scientific publishing: Bibliometric analysis. BMJ, 384, e077192. https://doi.org/10.1136/bmj-2023-077192

Government Office for Science. (2024, 29 de agosto). The Futures Toolkit [Guía]. GOV.UK. https://www.gov.uk/government/publications/futures-toolkit-for-policy-makers-and-analysts/the-futures-toolkit-html

Hartung, T. (2025). AI, agentic models and lab automation for scientific discovery — the beginning of scAInce. Frontiers in Artificial Intelligence, 8, Artículo 1649155. https://doi.org/10.3389/frai.2025.1649155

Hayes, A. S. (2025). “Conversing” with qualitative data: Enhancing qualitative research through large language models (LLMs). International Journal of Qualitative Methods, 24, Artículo 16094069251322346. https://doi.org/10.1177/16094069251322346

Helsinki Initiative on Multilingualism in Scholarly Communication. (2019). Helsinki Initiative on Multilingualism in Scholarly Communication. https://doi.org/10.6084/m9.figshare.7887059

Hoyt, R., Limon, A., & Chang, A. (2025). Generative AI and scientific manuscript peer review. Intelligence-Based Medicine, 11, 100246. https://doi.org/10.1016/j.ibmed.2025.100246

Hu, S., Lu, C., & Clune, J. (2024). Automated design of agentic systems. arXiv. https://doi.org/10.48550/arXiv.2408.08435

Invest in Open Infrastructure. (2025). 2025 State of Open Infrastructure: Trends in characteristics, funding, policy, and community health (Versión 1) [Informe]. Zenodo. https://doi.org/10.5281/zenodo.15198874

Lingard, L., Driessen, E., & Oswald, K. (2025). The blurred thresholds of AI-use disclosure: Health professions education journal editors’ expectations of necessity and sufficiency. Perspectives on Medical Education, 14(1), 1003–1012. https://doi.org/10.5334/pme.2326

Mainous, A. G., III. (2025). Papermills as another challenge to research integrity and trust in science. Frontiers in Medicine, 12, Artículo 1557024. https://doi.org/10.3389/fmed.2025.1557024

North Atlantic Treaty Organization. (2024, 18 de julio). NATO 2099 graphic novel imagines the future of the Alliance. https://www.nato.int/en/news-and-events/articles/news/2024/07/18/nato-2099-graphic-novel-imagines-the-future-of-the-alliance

Organisation for Economic Co-operation and Development. (2025). Strategic foresight toolkit for resilient public policy: A comprehensive foresight methodology to support sustainable and future-ready public policy. OECD Publishing. https://doi.org/10.1787/bcdd9304-en

Park, J. S., Zou, C. Q., Shaw, A., Hill, B. M., Cai, C., Morris, M. R., Willer, R., Liang, P., & Bernstein, M. S. (2024). Generative agent simulations of 1,000 people. arXiv. https://doi.org/10.48550/arXiv.2411.10109

Plantin, J.-C., Lagoze, C., Edwards, P. N., & Sandvig, C. (2018). Infrastructure studies meet platform studies in the age of Google and Facebook. New Media & Society, 20(1), 293–310. https://doi.org/10.1177/1461444816661553

Pólvora, A., & Nascimento, S. (2021). Foresight and design fictions meet at a policy lab: An experimentation approach in public sector innovation. Futures, 128, 102709. https://doi.org/10.1016/j.futures.2021.102709

Pontille, D., & Torny, D. (2015). From manuscript evaluation to article valuation: The changing technologies of journal peer review. Human Studies, 38(1), 57–79. https://doi.org/10.1007/s10746-014-9335-z

POSI Adopters. (2025, octubre). The Principles of Open Scholarly Infrastructure (Versión 2.0). https://doi.org/10.14454/G8WV-VM65

Pugliese, R., Kourousias, G., & Venier, F. (2026). Agentic publications: Redesigning scientific publishing in the age of thinking large language models. Journal of Documentation, 82(7), 125–149. https://doi.org/10.1108/JD-07-2025-0207

Resnik, D. B., Hosseini, M., & Hauswald, R. (2026). Autonomous artificial intelligence, scientific research, and human values. AI and Ethics, 6, Artículo 141. https://doi.org/10.1007/s43681-025-00908-0

Schonfeld, R. C. (2024, 28 de octubre). Silverchair buys ScholarOne from Clarivate. The Scholarly Kitchen. https://scholarlykitchen.sspnet.org/2024/10/28/silverchair-buys-scholarone-from-clarivate/

Silverchair. (s. f.). ScholarOne acquisition resources. https://www.silverchair.com/products/scholarone-manuscripts/acquisition/

STM Association. (s. f.). The STM Integrity Hub. https://stm-assoc.org/what-we-do/strategic-areas/research-integrity/integrity-hub/

United Nations Educational, Scientific and Cultural Organization. (2023). Guidance for generative AI in education and research (actualizado 16 enero 2026). https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research

Weidener, L., & Spreckelsen, C. (2024). Decentralized science (DeSci): Definition, shared values, and guiding principles. Frontiers in Blockchain, 7, Artículo 1375763. https://doi.org/10.3389/fbloc.2024.1375763

Westwood, S. J. (2025). The potential existential threat of large language models to online survey research. Proceedings of the National Academy of Sciences of the United States of America, 122(47), e2518075122. https://doi.org/10.1073/pnas.2518075122

Wiley. (2024, 13 de marzo). Wiley announces pilot of new AI-powered papermill detection service [Comunicado de prensa]. https://newsroom.wiley.com/press-releases/press-release-details/2024/Wiley-announces-pilot-of-new-AI-powered-Papermill-Detection-service/default.aspx

Como citar esta entrada:

García Boyé, J. L.(2026). Cuatro futuros posibles (y un escenario límite) para la publicación científica. Aula Magna 2.0 {blog]. https://cuedespyd.hypotheses.org/21506


OpenEdition le sugiere que cite este post de la siguiente manera:
Aula Magna 2.0 (27 de marzo de 2026). Cuatro futuros posibles (y un escenario límite) para la publicación científica. Aula Magna 2.0. Recuperado 13 de mayo de 2026 de https://doi.org/10.58079/15ypi


Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

This site uses Akismet to reduce spam. Learn how your comment data is processed.