Slop científico de IA: cómo detectar papers falsos
Publicado el 5 de junio de 2026 por Sergio Jiménez Mazure en Inteligencia Artificial.
Hace unas semanas, en una conversación con un equipo académico que quería incorporar Inteligencia Artificial en sus procesos de investigación, apareció una pregunta incómoda. No era si podían usar ChatGPT para mejorar la redacción de un paper. Eso ya lo estaban haciendo, como medio planeta. La pregunta real era mucho más seria: ¿cómo distinguimos un texto científicamente valioso de uno que solo parece científico?
Ese es, en el fondo, el asunto que pone sobre la mesa The Verge cuando habla del “slop” científico generado por IA. La palabra suena fea, casi viscosa, y quizá por eso funciona tan bien. No hablamos simplemente de plagio, ni de estudiantes perezosos, ni de investigadores que buscan una ayuda legítima para escribir mejor en inglés. Hablamos de una nueva categoría de contenido: artículos que tienen la ropa de la ciencia, el tono de la ciencia, las tablas de la ciencia y las citas de la ciencia, pero que por dentro pueden estar huecos como un decorado de cartón piedra.
Lo cierto es que la IA generativa ha aprendido a imitar con una eficacia inquietante el lenguaje académico. Introducciones solemnes, marcos teóricos ordenados, frases prudentes, conclusiones aparentemente equilibradas. Todo en su sitio. Como esos políticos que citan a Cicerón mientras firman cualquier disparate administrativo. La forma está cuidada; el fondo, ya veremos. Y ahí empieza el problema, porque la confianza en la ciencia no se construye solo con estilo, sino con método, datos, contraste y una honestidad casi artesanal.
La ciencia no se degrada cuando alguien escribe con ayuda. Se degrada cuando nadie puede responder por lo escrito.
En mi caso, después de muchos años trabajando en comunicación, innovación y adopción de Inteligencia Artificial en organizaciones, suelo comentar que la IA no inventó nuestras debilidades. Las amplifica. Si una empresa ya premiaba los informes largos sobre las decisiones claras, la IA producirá montañas de informes inútiles. Si una universidad ya confundía productividad con número de publicaciones, la IA puede convertir esa obsesión en una fábrica de papers con olor a tinta fresca y alma caducada. Qué maravilla: por fin tenemos tecnología de punta para escalar la mediocridad con referencias bibliográficas.
La historia ya nos advirtió de esto. Gutenberg multiplicó el acceso al conocimiento, pero también multiplicó panfletos, errores y propaganda. La imprenta no hizo más sabios a los hombres por decreto; simplemente puso más libros en circulación. Después vino la lenta tarea de aprender a leer, verificar, clasificar y desconfiar. Algo parecido ocurre ahora con la Inteligencia Artificial aplicada a la producción científica. Hemos abierto una compuerta en el océano y algunos celebran el caudal sin preguntarse cuánta agua viene limpia.
La referencia literaria es inevitable. Borges imaginó una biblioteca infinita donde todos los libros posibles existían, incluidos los verdaderos, los falsos, los absurdos y los que apenas cambiaban una coma. La tragedia de esa biblioteca no era la falta de información, sino la imposibilidad de encontrar sentido entre tanto ruido. El slop científico se parece demasiado a esa pesadilla elegante: textos técnicamente plausibles, redactados con corrección, capaces de ocupar espacio en bases de datos, alimentar citas y confundir a quien busca una respuesta seria.
Cómo la IA está saturando la revisión por pares y debilitando el “peer review”
El problema no termina en el texto que se publica; empieza mucho antes, en el cuello de botella que decide qué entra y qué no: la revisión por pares. El peer review ya era imperfecto incluso antes de la fiebre de la IA. Dependía —y depende— de tiempo voluntario, de incentivos mal alineados y de revisores que a menudo están sobrecargados, sin reconocimiento real por la calidad de su evaluación. En ese escenario, la IA cae como gasolina: facilita producir más manuscritos en menos tiempo, pero no aumenta en la misma proporción la capacidad humana para evaluar si esos manuscritos merecen existir.
Si antes un editor tenía que gestionar un flujo razonable de artículos (muchos mediocres, algunos buenos, pocos excelentes), hoy puede recibir una avalancha de textos “correctos” a simple vista. Y ahí está la trampa: un paper mediocre tradicional suele delatarse rápido por mala redacción, estructura débil o referencias mal amarradas. En cambio, un paper “asistido” por IA puede venir impecable en forma, con un tono sobrio y una bibliografía que luce respetable, incluso cuando la contribución es mínima o los hallazgos no se sostienen. La forma dejó de filtrar.
El resultado es un sistema de revisión por pares que se vuelve más lento, más caro y más frágil. Más lento, porque hay más que leer. Más caro, porque revisar bien toma tiempo y —cuando se paga— dinero. Y más frágil, porque el revisor se enfrenta a un dilema: dedicar horas a validar datos, revisar coherencia metodológica, verificar referencias, o hacer una revisión superficial para “sacar lo pendiente”. En épocas de sobrecarga, lo superficial se vuelve norma. Y cuando lo superficial manda, el slop encuentra su autopista.
Además, aparece un efecto colateral incómodo: la tentación de usar IA también en la revisión. Revisores que piden un resumen automático, que delegan a un modelo la evaluación de claridad, o que incluso convierten la revisión en una lista de sugerencias genéricas. No es que eso sea inherentemente malicioso; es, muchas veces, supervivencia. Pero si el manuscrito fue “inflado” con IA y la revisión también se “optimiza” con IA, el proceso completo se convierte en una conversación entre máquinas con humanos agotados mirando de reojo.
Señales para detectar artículos científicos de baja calidad generados con IA
No existe una prueba mágica. Y conviene decirlo así, sin teatro: la detección automática es una carrera armamentista. Aun así, hay patrones que deberían encender alarmas, sobre todo en comités editoriales, unidades de investigación y empresas que consumen papers como insumo para decisiones.
Primera señal: precisión aparente sin sustancia. Textos que suenan rigurosos pero no aterrizan en datos, instrumentos, criterios de selección o limitaciones concretas. Mucha prudencia verbal y poca trazabilidad. Frases como “los resultados sugieren” o “se observó una tendencia” repetidas sin mostrar el “cómo” detrás.
Segunda señal: estructura impecable y homogénea, como cortada con molde. Introducción perfecta, marco teórico perfectamente ordenado, metodología descrita con elegancia, discusión “equilibrada”. Todo demasiado simétrico. La ciencia real suele tener bordes: decisiones difíciles, trade-offs, incertidumbres, agujeros que se admiten. Cuando no hay bordes, sospecha.
Tercera señal: bibliografía abundante pero poco orgánica. Citas que están “bien puestas” pero no dialogan entre sí, o que aparecen para decorar en lugar de sostener un argumento. A veces se nota porque las referencias son genéricas, o porque se citan autores muy conocidos sin que sea necesario, como si alguien estuviera cumpliendo una cuota de prestigio.
Cuarta señal: inconsistencias internas. Un paper que afirma A en la introducción, pero concluye B sin explicar el tránsito. O que describe un método que no coincide con las variables reportadas. O que presenta resultados que no se derivan del diseño. La IA puede mantener un tono uniforme aunque el contenido se contradiga; el lector humano, si está atento, lo siente como una vibración rara.
Quinta señal: ausencia de “responsabilidad”. Falta de repositorios de datos cuando deberían existir, ausencia de código, inexistencia de anexos, o respuestas evasivas cuando se pregunta por trazabilidad. No todo estudio puede abrirlo todo, por supuesto. Pero cuando la opacidad es sistemática, la sospecha deja de ser paranoia y se vuelve higiene.
Qué pueden hacer revistas, universidades y empresas para validar conocimiento en la era de la IA
La respuesta no es prohibir la IA. Prohibirla sería como intentar prohibir el Excel porque alguien falsificó un gráfico. La respuesta es elevar el estándar de validación y ajustar incentivos. Y eso implica decisiones incómodas, porque va contra el culto a la productividad y el “publicar por publicar”.
Para las revistas, una línea clara es exigir mayor trazabilidad: declaraciones explícitas del uso de IA (qué se usó, para qué, con qué límites), políticas de datos y código cuando aplique, y controles mínimos de referencias. También hace falta proteger la revisión por pares: mejores filtros editoriales previos, listas de verificación metodológica por disciplina, y mecanismos de revisión que premien calidad, no velocidad. El revisor no debería ser el último dique; debería ser un dique dentro de un sistema con varias compuertas.
Para las universidades, el reto es cultural. Si el ascenso académico y el presupuesto dependen sobre todo del número de publicaciones, el sistema empuja hacia el volumen. Y la IA, como era de esperarse, vuelve ese volumen más barato. Aquí toca revisar métricas: premiar investigación replicable, proyectos con impacto real, colaboración interdisciplinaria, transferencia al sector productivo, y trabajos que no necesariamente terminan en “otro paper”, sino en mejores prácticas, datos abiertos, prototipos o políticas públicas basadas en evidencia.
Para las empresas —que consumen ciencia para decidir— el mensaje es práctico: no basta con citar papers para sonar sofisticado. Hay que desarrollar capacidades internas de evaluación. No necesitas un laboratorio de punta para hacer preguntas básicas: ¿de dónde salen los datos? ¿qué tamaño de muestra? ¿hay replicación? ¿qué limitaciones se reconocen? ¿qué conflicto de interés existe? Una empresa que adopta IA sin ese criterio termina comprando “innovación” en PowerPoint, y ahora también en PDF académico.
Y para todos, una recomendación que parece obvia pero se olvida: volver al método. La ciencia no es un estilo de escritura. Es un proceso para reducir el autoengaño. La IA puede ayudar muchísimo a redactar, resumir, traducir, explorar literatura y proponer hipótesis. Pero no puede reemplazar el diseño cuidadoso, el trabajo con datos, la validación y, sobre todo, la ética de decir “no sé” cuando no se sabe.
Lecciones para América Latina y Ecuador: publicar menos, investigar mejor y usar IA con responsabilidad
En América Latina, y en Ecuador en particular, este debate tiene una capa adicional: nuestras instituciones suelen trabajar con recursos limitados, y al mismo tiempo sienten presión por “estar en el mapa” académico internacional. Esa combinación es peligrosa cuando se mezcla con una herramienta que permite producir textos rápidamente. Porque es fácil confundir visibilidad con avance, y volumen con conocimiento.
La tentación es comprensible: si una universidad necesita subir indicadores, la IA promete acelerar redacciones, ordenar marcos teóricos, mejorar el inglés y multiplicar outputs. Pero esa comodidad tiene un costo: si el sistema se llena de publicaciones que nadie lee, que nadie replica y que nadie usa, lo que se acumula no es prestigio; es ruido. Y el ruido, tarde o temprano, se paga con desconfianza.
También hay un riesgo reputacional para investigadores serios. En un entorno saturado, la audiencia —medios, empresas, gobiernos— empieza a dudar de todo. Y cuando la duda se generaliza, el trabajo riguroso se vuelve más caro de defender. Es injusto, pero es real. Por eso, el objetivo no debería ser “publicar más”, sino construir reputación con consistencia: menos papers, mejor diseñados; menos frases bonitas, más datos verificables; menos dependencia de la autoridad, más apertura a la crítica.
Usar IA con responsabilidad en investigación no es un eslogan. Es un conjunto de decisiones concretas: documentar el uso, no inventar referencias, no simular resultados, no maquillar limitaciones, no convertir la herramienta en una fábrica de “papers de relleno”. La IA puede ser una aliada extraordinaria para equipos pequeños: permite explorar literatura más rápido, detectar patrones, mejorar redacción, traducir hallazgos, diseñar instrumentos con más cuidado. Pero justo por eso hay que evitar el atajo de reemplazar pensamiento por prosa.
Al final, volvemos al inicio: ¿cómo distinguimos un texto científicamente valioso de uno que solo parece científico? No hay una sola respuesta, pero sí una postura: recuperar el hábito de hacer preguntas incómodas. Pedir datos. Exigir método. Comparar con evidencia. Reconocer límites. Y recordar que la ciencia, cuando funciona, no es un espectáculo de estilo. Es una disciplina de humildad.
Porque el verdadero peligro del slop científico no es que nos engañe una vez. Es que nos acostumbre a vivir en la superficie, donde todo suena correcto, todo parece validado y nada es realmente confiable. Y cuando la confianza se rompe, reconstruirla siempre toma más tiempo que destruirla.
Fuente base: The Verge: AI research papers are flooding science with “slop”