Revisión por pares colapsa y da paso a la automatización

El sistema de revisión por pares, ese mecanismo voluntario y anónimo en el que investigadores evalúan la validez de los trabajos de sus colegas, está al borde del colapso. El volumen de manuscritos crece año tras año, los revisores escasean y los errores se multiplican. Jason Semprini, economista de la salud de la Universidad de Des Moines, lo vivió en carne propia: un revisor malinterpretó por completo su estudio sobre mandatos de vacunación contra el VPH, pensando que cuestionaba la eficacia de la vacuna cuando en realidad analizaba el impacto de las políticas públicas. El error, aunque humano, refleja una fragilidad estructural que la inteligencia artificial promete aliviar, pero que también expone a nuevos riesgos.

La sobrecarga que busca alivio algorítmico

Basado en la buena voluntad de expertos que donan horas de trabajo sin remuneración, el peer review tradicional enfrenta una crisis. Con el aumento exponencial de las publicaciones científicas —impulsado en parte por la presión de "publicar o perecer"—, encontrar revisores dispuestos y competentes se ha vuelto una tarea titánica. Las editoriales y sociedades científicas han comenzado a mirar hacia la IA como una posible solución: herramientas de procesamiento de lenguaje natural ya realizan revisiones gramaticales, detectan plagios, verifican formatos e incluso evalúan la relevancia preliminar de los manuscritos.

Un artículo de revisión publicado en Journal of Korean Medical Science en febrero de 2025 analiza precisamente este fenómeno. Los autores, liderados por Bohdana Doskaliuk, documentan cómo los modelos de lenguaje como ChatGPT pueden agilizar tareas rutinarias, pero advierten que carecen de la comprensión matizada que solo un experto humano aporta. La IA puede detectar inconsistencias superficiales, pero no puede "razonar" a través del contenido como lo haría un especialista. El riesgo de una dependencia excesiva es real: si editores y revisores se apoyan ciegamente en sugerencias automatizadas, la calidad del proceso podría deteriorarse en lugar de mejorar.

Sesgo, transparencia y el dilema de la confianza

Lejos de ser neutral, el uso de IA en la revisión académica arrastra sesgos. Los algoritmos se entrenan con datos existentes, y esos datos arrastran sesgos históricos de la ciencia —preferencias por ciertos tipos de metodologías, regiones geográficas o idiomas. Si una herramienta de IA aprende de un corpus dominado por publicaciones en inglés de países del norte global, es probable que subvalore investigaciones de otras regiones o enfoques alternativos. Para América Latina, donde la producción científica crece pero aún enfrenta barreras de visibilidad, este sesgo podría traducirse en una discriminación algorítmica silenciosa.

Además, la integración de IA plantea preguntas éticas sobre transparencia y responsabilidad. ¿Quién responde si un modelo de lenguaje emite una recomendación errónea que lleva a rechazar un estudio válido o a publicar uno defectuoso? La revisión por pares es, ante todo, un acto de confianza entre la comunidad científica; delegar partes sustanciales de ese juicio a una caja negra algorítmica sin mecanismos claros de auditoría puede erosionar esa confianza.

El papel de América Latina en la redefinición del proceso

Para los investigadores y editores latinoamericanos, la discusión sobre IA en peer review adquiere matices particulares. La región ha sido históricamente un espacio de innovación en publicación de acceso abierto, con iniciativas como SciELO y Redalyc que han democratizado el conocimiento. Integrar herramientas de IA en esos ecosistemas podría agilizar la gestión de manuscritos y reducir los tiempos de revisión, un cuello de botella crítico para revistas con recursos limitados. Sin embargo, la adopción debe hacerse con cuidado: la mayoría de las herramientas comerciales de IA provienen de grandes tecnológicas del norte global, y su uso puede implicar riesgos de privacidad de datos y dependencia tecnológica.

Las universidades y centros de investigación de la región deberían considerar el desarrollo de modelos de IA entrenados con datos locales, que reflejen la pluralidad de enfoques y lenguajes científicos de Latinoamérica. De lo contrario, la eficiencia prometida podría venir acompañada de una homogenización que termine perjudicando la diversidad epistemológica que caracteriza a la ciencia de la región.

Hacia un modelo híbrido

Ni la sustitución total por máquinas ni el rechazo absoluto a la tecnología parecen dibujar el futuro del peer review. La evidencia apunta a un modelo híbrido donde la IA asuma tareas repetitivas y de control de calidad básico —detección de plagio, verificación de formato, análisis de referencias—, mientras que los humanos conservan la responsabilidad de la evaluación crítica del fondo científico. Esto no solo aliviaría la carga de los revisores, sino que liberaría tiempo para un análisis más profundo.

La clave, como señalan Doskaliuk y sus colegas, es preservar la integridad académica mientras se aprovechan las ganancias de eficiencia. Las editoriales, sociedades científicas y revistas latinoamericanas tienen la oportunidad de definir sus propios estándares para el uso de IA en el proceso de revisión, estableciendo protocolos de transparencia —por ejemplo, declarar cuándo y cómo se usó IA— y auditorías periódicas para detectar sesgos. La pregunta que queda abierta, y que cada institución debe responder según su contexto, es si la tecnología será una muleta que debilite el juicio científico o un andamio que permita construir una evaluación más robusta y equitativa.