Harvard: una PhD dice que la IA aísla a la ciencia

De «pregúntale a ChatGPT» a la soledad del investigador

Nia, una estudiante de doctorado en física teórica en Harvard, empezó su maestría en Oxford convencida de que la IA era «una completa tontería». Un año después, esa misma herramienta le permitió aprender cuatro cursos del MSc desde cero en mes y medio y aprobar sus exámenes, que eran a libro cerrado. Su ensayo AI was great until it was not cuenta cómo pasó de rechazar el chatbot a depender de él, y por qué hoy cree que la IA está aislando a los científicos.

Para un founder, la historia importa por una razón concreta: el mismo patrón que Nia describe en la academia —una herramienta que acelera el trabajo individual y desmantela la colaboración— ya está ocurriendo en equipos de producto, de ingeniería y de investigación de startups.

El arco: del rechazo al uso intensivo

Cuando sus compañeros de Oxford empezaron a resolver los problem sets diciendo «le pregunté a ChatGPT cómo hacerlo», Nia lo vio como un sinsentido. Los problem sets de MMathPhys no se calificaban: eran práctica para el examen. Delegarlos en un chatbot eliminaba su único propósito.

Su primer contacto con la herramienta había sido malo. Le preguntó por amplitudes de scattering y el modelo respondió con incoherencias; cuando insistió, le contestó: «Deberías preguntarle a un físico teórico». Cerró la ventana y no volvió a abrirla hasta enero de 2025, con el mismo resultado.

El giro llegó en mayo de 2025. Con un mes y medio para aprender cuatro clases del MSc desde cero, usó ChatGPT para una sola cosa: que le reexplicara los fragmentos de apuntes que no lograba visualizar. No le pedía que resolviera los problemas; le pedía un ejemplo concreto. «Torsion-free» dejó de ser una definición abstracta cuando el modelo le mostró que significaba que los paralelogramos cerraban.

Tres semanas después ya no lo necesitaba. Aprendió Relatividad General I y II, Cosmología y Dinámica de Fluidos Geofísicos, y sacó su título. Su conclusión es matizada: la IA le sirvió como puente, no como sustituto del trabajo conceptual.

Qué dice la evidencia sobre la IA en la academia

El testimonio de Nia no es un caso aislado. Según la encuesta anual de la Facultad de Artes y Ciencias de Harvard que publicó The Harvard Crimson en septiembre de 2026, el 64% de los profesores encuestados dijo que la IA tuvo un efecto «algo negativo» o «muy negativo» en sus cursos, frente al 42% del año anterior. Casi el 90% afirmó haber recibido trabajos que cree o sabe que fueron producidos con IA.

La adopción por parte de los estudiantes es masiva. En una encuesta de 2026 a 1.054 estudiantes de grado del Reino Unido, el Higher Education Policy Institute encontró que alrededor del 94% usa herramientas de IA generativa para trabajos evaluados, y un 12% insertó texto generado por IA directamente en su coursework, según reportó Nature.

El problema también se cuela en la literatura científica. Un preprint citado por Nature identificó cientos de manuscritos falsos en repositorios como Zenodo y ResearchGate, firmados por «expertos» inventados por modelos de lenguaje —como Elena Vasquez y Marcus Chen, generados por Claude—, muchos con DOI reales que podrían ser absorbidos por bases de datos académicas.

El «impuesto de verificación»: la productividad que se paga con control

Hay un dato que debería interesar a cualquier equipo que use IA para producir: el tiempo ahorrado no es gratis. Un estudio de Google, Google DeepMind y MIT FutureTech —AI in Science: Early Insights, de septiembre de 2026— encuestó a 637 científicos en Estados Unidos y Reino Unido. Los que reportaron ahorro de tiempo ganaron casi siete horas por semana, pero el 89% de ellos destinó más del 10% de ese ahorro a verificar, depurar o contrastar los resultados de la IA. Un 46% gastó más de una cuarta parte.

El mismo estudio encontró que el 40% de los científicos cree que la IA aumentó la cantidad de papers de baja calidad en su campo, y que el 49% dijo que la IA los empujó hacia preguntas de investigación más seguras e incrementales, frente a un 28% que dijo lo contrario.

Ese es el punto que Nia describe desde adentro: cuando el cuello de botella se mueve de «generar» a «validar», el valor se concentra en quien sabe distinguir una respuesta correcta de una que solo suena bien.

Por qué la colaboración es el activo que se está perdiendo

El argumento central del ensayo no es que la IA sea mala. Es que la IA llegó a una cultura académica que ya había dejado de colaborar, y la volvió más solitaria.

Nia recuerda su primer año de universidad, cuando un grupo de tres estudiantes resolvía los problem sets por separado y luego debatía las respuestas. Aprendió más ahí que en cualquier clase. Después de un episodio en el que una amiga la acusó de plagio por pedirle explicaciones, trabajó sola el resto de su carrera. Cuando llegó a Oxford, el espacio que antes ocupaba la discusión lo ocupó el chatbot.

Nia también reconoce el valor real de la IA: un modelo interno de OpenAI resolvió un problema de amplitudes single-minus que los investigadores llevaban meses intentando, y abrió nuevas direcciones en holografía celestial. Su objeción no es al logro, sino a lo que pasa cuando ese logro se convierte en excusa para no entender.

Su diagnóstico es incómodo y aplicable fuera de la física: «los chatbots son un espejo, un espejo profundamente validante y servil». Cuando el 40% de los científicos percibe más papers de baja calidad y el 49% se refugia en preguntas incrementales, lo que se pierde no es velocidad: es la fricción productiva de que alguien te diga que estás equivocado.

Qué significa esto para tu startup

1. Separa las tareas de «generar» de las de «decidir». La IA es excelente para reexplicar, reformatear y acelerar la comprensión —el uso que a Nia le funcionó. Es mala para el juicio sobre qué vale la pena construir. Define en tu equipo qué decisiones no se delegan nunca a un modelo: arquitectura, priorización de producto, contratación.

2. Presupuesta el impuesto de verificación. Si el 89% de los científicos que ahorran tiempo lo gastan verificando, tu equipo también lo hace, aunque no lo mida. Antes de prometer un ahorro de X horas por semana con IA, mide cuántas se van en revisar el output. Un equipo que no presupuesta ese costo termina con más volumen y la misma calidad.

3. Protege los rituales de colaboración humana. Si tu equipo dejó de hacer revisiones de código entre pares, sesiones de diseño o discusiones de arquitectura porque «ya lo resolvió el modelo», estás perdiendo el mecanismo que detecta errores que el modelo no ve. La fricción de discutir con un colega es más barata que lanzar algo mal validado.

4. Exige trazabilidad, no solo resultados. El caso del provost de Dartmouth, señalado por usar IA para escribir artículos sobre ética de la IA —según reportó The Boston Globe—, muestra que la opacidad es el riesgo reputacional real. En tu startup, documenta qué partes del trabajo pasaron por IA y quién las validó.

Conclusión

Nia no teme que la IA le quite el trabajo. Teme que la forma en que se usa esté destruyendo lo que hacía valiosa la ciencia: la comunidad, la discusión y el aprendizaje compartido. Es una advertencia que aplica igual a una startup. La IA puede hacerte más rápido; no puede hacerte más sabio. Eso sigue dependiendo de las personas con las que discutes.

Fuentes

• AI was great until it was not (fuente original)
• More than 60 Percent of Harvard Faculty Say AI Harms Their Courses
• From Trojan horses to AI-proof exams: how professors are tackling students’ AI use
• Elena, Aris, Marcus: AI-generated ‘ghosts’ are polluting the scientific literature
• AI Speeds Science — and Leaves Scientists Checking Its Work
• Dartmouth faculty, students call for removal of provost accused of using AI to write op-ed about AI use

Artículos relacionados:

OpenAI vulneró Medicare: solo 9% aísla agentes IA de riesgo Nvidia aísla agentes de IA en milisegundos con OpenShell TecnetOne: su SOC agéntico aísla intrusiones en 9 minutos EmDash 1.0: el CMS de Cloudflare que aísla cada plugin Jensen Huang dice que la AGI ya está aquí: ¿realidad o márketing?