El mejor camino para la IA en la academia: tres preguntas que deben responder las universidades

Introducción

El avance de las capacidades de inteligencia artificial está planteando preguntas urgentes para las universidades: desde qué significa hacer investigación original hasta cómo evaluar y formar a la próxima generación de científicos. Un reciente ensayo del director del MIT Statistics and Data Science Center sintetiza debates contemporáneos sobre cómo la IA está cambiando disciplinas como matemáticas, estadística, machine learning e ingeniería. Aquí recogemos las ideas principales y las adaptamos al contexto de las instituciones académicas, con especial atención a lo que esto implica para América Latina.

Qué está cambiando en la investigación y por qué ocurre tan rápido

Algunas transformaciones son ya notables. Un ejemplo contundente proviene de las matemáticas: modelos de IA alcanzaron niveles de desempeño comparables a medallas de oro en la Olimpiada Internacional de Matemáticas, y, en pocas iteraciones, sistemas han contribuido a resultados de investigación, incluso proponiendo soluciones a problemas de gran envergadura. Esto ilustra cuán rápidamente pueden avanzar las máquinas en tareas que antes eran consideradas exclusivamente humanas.

Un motor clave de ese progreso es la velocidad y confiabilidad en la verificación. Donde existe una forma clara y automática de chequear resultados —como una demostración formalizable, un experimento reproducible o un programa que puede ejecutarse y verificarse— los sistemas pueden generar candidaturas, aprender de los resultados y mejorar de manera iterativa. Ese ciclo de generación-verificación-aprendizaje crea un efecto compuesto: mejores modelos permiten más mejoras.

Para investigadores experimentados esto abre oportunidades: pueden abordar preguntas técnicas que antes estaban fuera de alcance. Pero también acentúa la diferencia entre obtener una solución y comprender por qué funciona, qué generaliza y qué preguntas siguen abiertas. Las universidades deben prepararse para un futuro cercano en que la IA sea, en muchos aspectos, más capaz que nosotros en tareas intelectuales rutinarias y complejas.

Repensar el crédito académico y la formación de posgrado

Un artículo pulido o una publicación ya no son señales tan claras de pericia individual como lo fueron antes. Cuando herramientas de IA pueden producir textos, análisis o incluso resultados técnicos, los comités de contratación, promoción y financiamiento deben replantear qué valoran. Algunos elementos que merecen mayor reconocimiento incluyen:

• Formular preguntas relevantes y originales.
• Supervisar replicaciones y reproducibilidad.
• Sintetizar literatura y conectar ideas de forma crítica.
• Documentar resultados negativos y compartir datasets bien curados.

Las expectativas sobre la autoría y la responsabilidad intelectual necesitan actualizarse: los departamentos deben exigir claridad sobre qué contribuciones fueron realizadas por la persona y cuáles fueron delegadas a la IA. Esto debería guiar prácticas de admisión y evaluación de tesis, así como criterios para financiamiento y promociones.

La formación de estudiantes de posgrado plantea un desafío más profundo. El desarrollo del juicio y la intuición científica suele venir de ejercicios repetidos: cálculos, codificación, enfoques que fallan y pequeñas victorias. Si delegamos automáticamente esas experiencias, corremos el riesgo de despojar a los estudiantes de aprendizajes formativos, aun cuando la IA les permita emprender proyectos más ambiciosos.

Por ello, los programas deben distinguir entre “fricción innecesaria” y trabajo formativo. Los estudiantes deberían dominar la formulación de problemas, auditar salidas de modelos, reproducir resultados y defender decisiones metodológicas. Los fundamentos —teoría, pensamiento crítico, diseño experimental— pueden volverse más valiosos como cimiento para usar herramientas de IA con rigor.

Qué deben construir las universidades ahora

Aquí surge una oportunidad estratégica para la academia. El objetivo central es que las universidades puedan investigar a largo plazo, compartir hallazgos abiertamente y verificar afirmaciones de forma independiente. Las alianzas con la industria serán necesarias, pero no pueden sustituir la inversión pública e institucional que garantice la independencia tecnológica y la amplitud de la investigación científica.

Un activo estratégico de la academia es el conocimiento acumulado en sus laboratorios: no solo papers exitosos, sino también experimentos fallidos, direcciones abandonadas y la interpretación experta de por qué algo no funcionó. Ese conocimiento tácito suele perderse en la publicación formal, y capturarlo puede ayudar a entrenar modelos que exploren la ciencia con mayor sentido contextual.

Imaginemos laboratorios interconectados mediante una infraestructura de investigación en IA: flujos de trabajo que registren hipótesis, intervenciones, resultados, fracasos e interpretaciones; sistemas compartidos que permitan a agentes de IA sugerir técnicas relevantes de otro grupo, proponer benchmarks y facilitar colaboración. Para que esto funcione se requiere inversión en computación, sistemas de datos seguros, y capacidades para adaptar y afinar modelos más allá de lo comercialmente disponible.

Además, trazar la genealogía de ideas dentro de estas plataformas podría preservar la atribución y ayudar en evaluaciones académicas: quién propuso una hipótesis, quién aportó el código clave, qué parte del análisis fue verificada por humanos. Todo esto demanda políticas institucionales claras sobre permisos, privacidad, propiedad intelectual y estándares de documentación.

Implicaciones para América Latina

Las universidades latinoamericanas enfrentan las mismas preguntas, con el añadido de limitaciones presupuestarias y brechas en infraestructura. Por eso es crucial priorizar colaboraciones regionales, compartir recursos y diseñar infraestructuras abiertas que permitan a múltiples instituciones beneficiarse de inversiones conjuntas en cómputo y datos.

Invertir en capacidades humanas —formación de profesores, ingenieros de datos y especialistas en gobernanza de IA— puede rendir más a mediano plazo que depender exclusivamente de soluciones foráneas. Además, capturar y publicar resultados negativos y conocimiento tácito de laboratorios locales contribuirá a desarrollar modelos y métodos más adecuados a los problemas y datos regionales.

Cierre: decisiones concretas para avanzar

Las universidades deben actuar en tres frentes: adaptar criterios de evaluación para reconocer contribuciones diversas; reformar la formación de posgrado para mantener la formación crítica y práctica; y construir infraestructura institucional que capture el conocimiento práctico y permita colaboración segura. Esto requiere liderazgo, inversión pública y acuerdos claros entre academia e industria.

El desafío es simultáneamente técnico y cultural. Prepararse para una academia en la que la IA amplía lo posible exige replantear qué significa ser un investigador, cómo se forma a un científico y qué infraestructura pública sostendrá la investigación de largo plazo. Para América Latina, la prioridad debe ser crear capacidades sostenibles y abiertas que permitan participar plenamente en esta nueva etapa de la ciencia.