Las brechas aparecen antes de la revisión por pares
La IA ha facilitado la exploración de ideas, la escritura de código y la ejecución de experimentos, y la investigación autónoma o la mejora recursiva podrían acelerar aún más este proceso. Sin embargo, el debate sobre la calidad de la investigación sigue centrado en la revisión por pares y los incentivos para publicar. Ambos importan, pero el trabajo toma forma mucho antes de llegar a un revisor.
Seguimos trabajando como si el artículo fuera el proyecto, mientras que las pruebas, los intentos fallidos y las decisiones que lo produjeron quedan repartidos entre herramientas y personas. Cuando un coautor recibe el borrador o el investigador principal ve una actualización, puede que el razonamiento necesario para cuestionar el rumbo ya se haya perdido.
Cuanto más trabajo pasa por agentes, mayor puede ser esta distancia. Incluso quien produce un resultado puede tener menos oportunidades de entender cómo se obtuvo.
Imagina que le pides a un colaborador que te ayude con el manuscrito, revise las referencias y escriba la sección de trabajos relacionados. Más tarde, envías al investigador principal el análisis final de los experimentos y el artículo para que los comente. Los datos, el código de preprocesamiento y las notas que explican tus decisiones, como el motivo por el que excluiste un lote, se quedan contigo. Todos contribuyen al mismo proyecto, pero lo que cada persona y su IA pueden aportar depende del contexto que tienen a su alcance.
| Personas / sus IA | Literatura | Notas | Datos | Preprocesamiento | Experimentos | LaTeX |
|---|---|---|---|---|---|---|
ALInvestigadorIA con este contexto | Fuera de contexto | lab-notes.md Nota de exclusiónLote B excluido. Comprobar si se generaliza. | samples.csv idbatchscore041A0.82042A0.79043B0.31044B0.28 | prepare.py df = load()df = df[ batch != "B"]fit(df) | analysis.ipynb Mejora declarada+12% | manuscript.tex \section{Results}Resultados Nuestro método mejora el rendimiento un 12%. |
MRColaboradorIA con este contexto | references.pdf Métodos de evaluación[1] [2] [3] | Fuera de contexto | Fuera de contexto | Fuera de contexto | Fuera de contexto | manuscript.tex \section{Results}Resultados Nuestro método mejora el rendimiento un 12%. |
SCInvestigador principalIA con este contexto | Fuera de contexto | Fuera de contexto | Fuera de contexto | Fuera de contexto | analysis.ipynb Mejora declarada+12% | manuscript.tex \section{Results}Resultados Nuestro método mejora el rendimiento un 12%. |
Si queremos que la IA mejore la forma de investigar y ayude a los colaboradores a hacer aportaciones relevantes, las personas y sus agentes necesitan acceder al contexto que hay detrás de cada resultado: cómo se obtuvo, qué decisiones le dieron forma y qué sigue siendo incierto.
Tres compromisos
La investigación funciona cuando todo el equipo puede verla, darle forma y retomarla.
La mayoría de las herramientas de IA están diseñadas en torno al diálogo entre una persona y un agente. La investigación, en cambio, sigue una trayectoria compartida en la que cada participante aporta pruebas, criterio y objetivos distintos. Por eso, la IA debe alinearse con todo el equipo y con la historia del proyecto, para que cada contribución parta de lo anterior en vez de empujar el trabajo en direcciones diferentes.
Mantener el trabajo conectado
Hoy, quienes investigan cambian constantemente entre Zotero para la bibliografía, Obsidian para las notas, Overleaf para la escritura, VS Code o Vim para el código, servidores remotos mediante SSH, cuadernos para los experimentos y agentes de programación que operan en algunos de estos entornos. Ahora cada herramienta está incorporando su propia IA y cada agente hereda sus límites. En lugar de un único contexto de proyecto, acabamos con varios contextos aislados que llevan a los agentes a cometer errores absurdos. Para evitarlo, repetimos una y otra vez lo que podría faltar. El hilo del razonamiento se rompe y el contexto más sutil acaba degradándose hasta casi desaparecer entre ventanas.
Los agentes de terminal y las aplicaciones basadas en conectores ya han demostrado cuánto gana la IA cuando puede trabajar en varios sistemas sin cambiar constantemente de contexto. Pero conectar no es lo mismo que controlar. Un conector remoto puede cambiar después de haber sido autorizado y los datos que devuelve pueden introducir instrucciones en el contexto de un agente. Un permiso concedido una sola vez no constituye un límite de seguridad duradero. El propio proyecto de investigación debería ser la capa de integración, con todos sus artefactos en un único espacio de trabajo y accesos visibles, revocables y limitados al proyecto.
Hacer que la investigación sea colaborativa
En muchos proyectos de investigación, colaborar todavía consiste en hacer circular la última versión del PDF. Un coautor comenta el manuscrito, el investigador principal revisa las gráficas finales y sus observaciones llegan cuando las decisiones más importantes ya están tomadas. Ahora la IA permite que cada persona avance más rápido dentro de su parte del trabajo, lo que puede dejar aún más atrás al resto del equipo.
La investigación colaborativa implica compartir la cadena que produjo el artículo, no solo el artículo. Los coautores deberían poder seguir la hipótesis, la bibliografía, las limitaciones, los experimentos, los intentos fallidos y las decisiones a medida que se desarrollan. Con ese contexto, cada colaborador y su IA pueden comprender el proyecto lo bastante bien como para aportar su experiencia en el momento en que importa, no solo cuando el manuscrito está listo para enviarse.
Hacer que el progreso sea fácil de retomar
Cuando la investigación se vuelve realmente colaborativa, el siguiente reto es hacer legible su trayectoria. Un resultado aislado no puede decirle a un colaborador por qué se abandonó un enfoque, qué supuestos siguen abiertos o qué cambió una persona o un agente desde la última vez que consultó el proyecto. Sin ese historial, volver al trabajo exige reconstruirlo antes de poder hacerlo avanzar.
El progreso no es una línea recta desde la hipótesis hasta el artículo. Incluye experimentos fallidos, explicaciones descartadas, cambios de rumbo y las pruebas que los justificaron. Esas ramas deben seguir conectadas al trabajo actual, junto con quién, persona o agente, hizo cada aportación y qué se comprobó. Así, un coautor puede ver dónde hace falta su experiencia, el investigador principal puede evaluar el rumbo y el equipo puede aprovechar lo que ya ha aprendido en lugar de repetirlo.
La investigación debe dejar conocimiento a su paso
Estos tres compromisos conducen a un mismo criterio: la investigación debe conservar suficiente trabajo para que alguien pueda entenderlo. Eso incluye las pruebas que respaldan un resultado, los enfoques que fallaron, la decisión que cambió el rumbo y los límites que siguen presentes.
La IA puede producir una respuesta más rápido de lo que un investigador puede asimilar el razonamiento que hay detrás. Esto convierte la atención en un recurso para la investigación. Podemos delegar lo que ya entendemos, pero debemos ir más despacio donde todavía estamos formando criterio. Completar una tarea y comprenderla no son el mismo logro.
Un proyecto legible da a esa atención un destino útil. Un estudiante puede estudiar el supuesto que aún no comprende, un colaborador puede cuestionar una limitación y el investigador principal puede aportar su experiencia mientras el rumbo todavía puede cambiar.
El objetivo no es documentar la investigación por documentarla. Es mostrar con claridad dónde importa la atención humana y dejar suficiente comprensión para que la siguiente persona pueda continuar el trabajo.
El artículo debería ofrecer la explicación más clara de un resultado, pero también abrir el proyecto que lo produjo. Conectar cada afirmación con los datos, el código, el entorno, las decisiones, las limitaciones y los intentos fallidos permite que colaboradores y lectores examinen, reproduzcan, cuestionen y amplíen el trabajo. Cuando algunos materiales no puedan compartirse, esos límites deben quedar claros.
Kosmico
Por eso estamos construyendo Kosmico
Estamos construyendo Kosmico en torno a una idea sencilla: el proyecto, no el artículo ni una conversación con un agente, debería ser el objeto compartido de la investigación.
Mantener unido el trabajo. Hacer que la investigación sea colaborativa. Conservar su trayectoria. Cuando estos tres compromisos convergen, cada investigador y cada agente pueden entender lo que ocurrió antes, ver qué sigue abierto y contribuir a lo que viene después.
Investigamos para aprender y crear conocimiento que sobreviva al equipo que lo produjo. El artículo puede seguir siendo la explicación. El proyecto debería convertirse en el registro que otros puedan examinar, cuestionar, reproducir y ampliar.