Un modelo de inteligencia artificial alcanzó el año pasado un nivel equivalente a una medalla de oro en la olimpiada internacional de matemáticas. Apenas doce meses después, los mismos sistemas estaban produciendo resultados de investigación originales, entre ellos una propuesta de solución para uno de los Problemas del Milenio, reconocidos como algunos de los desafíos más difíciles de las matemáticas contemporáneas. Este ritmo de progresión, ilustra, según Alexander Rakhlin, la magnitud del cambio que atraviesa la academia.
La velocidad del cambio no se limita a las matemáticas formales. En machine learning, el propio proceso de desarrollo de modelos se ha vuelto un bucle de retroalimentación: los modelos mejoran las herramientas de entrenamiento, que a su vez permiten construir modelos más capaces. Este ciclo acumulativo es el que explica que tareas que hace un año requerían equipos de investigación extensos ahora puedan abordarse con recursos considerablemente menores. Para los investigadores con experiencia, esta dinámica abre posibilidades inéditas. Ahora pueden plantearse preguntas cuyas exigencias técnicas estaban fuera de su alcance hace apenas un año.
No obstante, Rakhlin advierte que esta capacidad también afina una distinción fundamental: obtener una solución ya no es lo mismo que comprender por qué funciona, qué aspectos generalizan o cuál es la siguiente pregunta pertinente. La frontera entre ejecutar un procedimiento y dominar su fundamento sigue siendo esencial. El analista del MIT señala que esta separación se vuelve aún más crítica precisamente cuando las herramientas pueden producir respuestas correctas sin que el investigador sea capaz de trazar el camino que las condujo.
La advertencia central es clara: no se debe presuponer que la abstracción, el juicio crítico o la formulación de problemas permanecerán fuera del alcance de la inteligencia artificial. Las universidades deben prepararse para un horizonte próximo en el que estos sistemas superen a los seres humanos en muchos, y probablemente en la mayoría, de los aspects del trabajo intelectual especializado. Esto implica que las instituciones no pueden adoptar una postura defensiva basada en la idea de que lo propiamente humano resistirá la automatización; la transición ya está en curso.
En un número creciente de campos, un artículo rigurosamente editado se ha convertido en una señal cada vez más débil de experiencia individual. Los departamentos universitarios se enfrentan a la necesidad urgente de reconsiderar qué tipo de trabajo recompensan, sin caer en la trampa de definir lo valioso simplemente como aquello que la inteligencia artificial todavía no puede realizar. Esta trampa es particularmente peligrosa porque crea un criterio basado en la negación: lo valioso sería lo que la IA no hace, pero si la IA avanza, el criterio se desplaza permanentemente sin ofrecer nunca una base estable.
Según Rakhlin, habilidades como la formulación de preguntas pertinentes, la replicación de estudios, la síntesis de ideas procedentes de distintas disciplinas, la documentación de resultados negativos que resultan informativos y la creación de conjuntos de datos compartidos podrían merecer un reconocimiento mayor dentro de los criterios académicos. La evaluación debería establecer con claridad qué ha contribuido cada investigador y qué responsabilidad intelectual asume, incluso cuando porciones sustanciales del trabajo hayan sido ejecutadas por sistemas de inteligencia artificial.
Estas expectativas deberían orientar las decisiones de contratación, promoción y concesión de financiación, y deben comunicarse de forma explícita a los estudiantes de doctorado actuales y a los que estén por incorporarse. La transparencia en los requisitos es ya, en sí misma, una medida necesaria. Lo que no está claro es cuánto tiempo necesitarán los departamentos para alcanzar un consenso sobre qué criterios aplicar. No existe todavía un modelo establecido de evaluación que haya sido probado y validado en múltiples disciplinas, y cada campo enfrenta desafíos distintos: en ciencias empíricas, la generación de datos experimentales y su interpretación plantean problemas diferentes a los que surgen en matemáticas computacionales o en ingeniería.
La formación doctoral plantea un problema particularmente delicado. Los músculos intelectuales se desarrollan mediante el ejercicio constante. Los cálculos rutinarios, la programación, los enfoques que fracasan y los pequeños descubrimientos han sido durante décadas vehículos mediante los cuales los estudiantes adquieren intuición y juicio. Delegar estas tareas a la inteligencia artificial puede eliminar experiencias formativas cruciales, aunque simultáneamente permita a los estudiantes abordar proyectos de mayor ambición.
La clave reside en distinguir entre la fricción innecesaria y el trabajo a través del cual se construye la experticia. Los estudiantes deben aprender a plantear problemas con precisión, a auditar las salidas de los modelos, a reproducir resultados y a defender sus decisiones metodológicas. Los fundamentos teóricos pueden ganar valor precisamente porque constituyen la base necesaria para emplear estas herramientas de manera competente. Lo que se sabe con certeza es que los programas de doctorado actuales no están diseñados para esta realidad; lo que no se sabe es cuál será el modelo óptimo de formación en un escenario en el que los agentes de IA pueden realizar tareas que antes ocupaban los primeros años de formación doctoral.
Las universidades poseen un activo estratégico que resulta difícil de replicar en el ámbito privado: el conocimiento acumulado y la experiencia concentrada dentro de sus laboratorios. Los artículos publicados representan un registro selectivo. Los experimentos fallidos, las líneas de investigación abandonadas y las razones por las que un enfoque determinado no funcionó permanecen con frecuencia fuera de la literatura académica. Científicos e ingenieros acumulan un saber tácito, fruto de la experiencia práctica, sobre qué intervenciones tienden a fracasar y por qué.
Este contexto no documentado puede ayudar a explicar por qué los modelos actuales de inteligencia artificial encuentran dificultades en ciertos dominios, especialmente en las ciencias empíricas, para anticipar consecuencias que resultan evidentes para un experto. Estas limitaciones podrían ser temporales. Capturar los resultados negativos y las interpretaciones de los científicos podría mejorar notablemente la capacidad de los modelos para la exploración científica. El reto consiste en sistematizar este conocimiento tácito de manera que sea accesible para los modelos sin perder el matiz que lo hace útil.
Rakhlin señala que las alianzas con la industria serán inevitables, pero advierte que las prioridades comerciales no cubrirán necesariamente la amplitud de la investigación científica ni permanecerán alineadas con ella a lo largo del tiempo. Por ello, cierto grado de independencia tecnológica resulta indispensable para las universidades. La capacidad de perseguir preguntas a largo plazo, compartir resultados de forma abierta y evaluar las afirmaciones con independencia constituye el objetivo fundamental. Esta independencia tecnológica no significa autarquía, sino disponer de la capacidad mínima de continuar investigando aunque las condiciones del mercado o las alianzas estratégicas cambien.
El escenario que propone el director del Centro de Estadística y Ciencia de Datos del MIT implica transformar los laboratorios en nodos interconectados de una red de investigación viva. Imaginar un laboratorio de neurociencia que necesite métodos avanzados para segmentar neuronas en imágenes de microscopía. Un agente de inteligencia artificial podría identificar un avance relevante procedente de un grupo de visión por computador del mismo campus, poner en contacto a los investigadores, proponer benchmarks adecuados y facilitar la iteración hasta alcanzar una solución.
Este mismo agente podría plantear preguntas sin resolver a estudiantes y facultad, y hacer que las lecciones extraídas en un laboratorio estén disponibles para otros departamentos. Para que esta configuración sea posible, es necesario construir flujos de trabajo que capturen hipótesis, intervenciones, resultados, fracasos e interpretaciones. Los sistemas compartidos deberían conectar estos flujos, permitiendo que los agentes utilicen herramientas e información a través de distintos laboratorios bajo permisos apropiados.
Esta transformación requiere una inversión sustancial, tanto pública como institucional, ahora mismo. La dotación debe destinarse a capacidad de computación, a sistemas seguros de gestión de datos y a expertos capaces de adaptar y entrenar modelos de inteligencia artificial según las necesidades específicas de cada disciplina. No se trata únicamente de adquirir hardware: la escasez de personal cualificado para desarrollar y mantener esta infraestructura es ya un cuello de botella en muchas universidades. Rastrear este proceso permitiría preservar la trazabilidad de las ideas y facilitar el reconocimiento de las contribuciones, incluidas las de los estudiantes de posgrado.
Con reglas acordadas sobre consentimiento y crédito, los investigadores podrían colaborar con mayor apertura y mayor seguridad de que su trabajo sería debidamente reconocido. Los sistemas de inteligencia artificial ya son capaces de sintetizar y razonar sobre información procedente de más fuentes de las que cualquier investigador individual podría absorber, y su habilidad para establecer conexiones útiles continuará mejorando. La propuesta del MIT consiste en utilizar esta capacidad para unir a la comunidad académica alrededor de problemas científicos e de ingeniería difíciles, construyendo sobre las fortalezas e ideas de cada miembro. El camino descrito resulta prometedor, pero exige inversión inmediata para hacerse realidad.
Lo que distingue esta propuesta de otras iniciativas similares es su énfasis en la infraestructura compartida como bien público académico. Mientras que el sector privado desarrolla plataformas cerradas orientadas a la productividad individual, el modelo que describe Rakhlin plantea que las universidades deben construir juntos un ecosistema donde los agentes de IA actúen como conectores entre laboratorios, disciplinas y generaciones de investigadores. El éxito de este enfoque dependerá en gran medida de si las instituciones logran coordinar inversiones y estándares antes de que la fragmentación haga inviable la interoperabilidad.
