La inteligencia artificial puede acelerar el trabajo de un investigador, pero con la misma facilidad puede tapar errores con un texto que suena de maravilla y no tiene nada que ver con la realidad.

Veamos dónde puede ayudar de verdad a los ingenieros y dónde empieza el riesgo.

Aunque ahora mismo la inteligencia artificial no goce de muy buena prensa, la IA en el trabajo del ingeniero y del investigador no tiene por qué significar generar artículos enteros sin criterio, fabricar experimentos ni amañar resultados para que encajen con una tesis. Los usos sensatos de los grandes modelos de lenguaje exigen sentido común y una supervisión adecuada, pero desde luego que existen. Permiten, entre otras cosas, organizar más rápido la bibliografía, escribir código auxiliar, encontrar errores en scripts, resumir documentación, planificar experimentos, preparar listas de comprobación y redactar textos.

En la investigación científica no se trata solo de redactar bien. Importan la repetibilidad, la documentación, las fuentes, la honestidad y la posibilidad de que otros comprueben el resultado. Justo por eso conviene tratar las herramientas de IA solo como un apoyo operativo: pueden ayudar a llegar antes a una primera versión de la solución, pero no pueden sustituir la verificación.

Esta postura coincide con las políticas de muchas editoriales científicas. Las herramientas de IA no pueden considerarse autoras, porque no están en condiciones de asumir responsabilidades legales ni éticas por el contenido de un trabajo. Las editoriales cada vez exigen más transparencia a la hora de describir cómo han utilizado los investigadores la IA, sobre todo si esta no solo ha ayudado a mejorar la redacción, sino también a crear contenido sustantivo. La IA puede contribuir a preparar un borrador de estudio o de publicación, pero es la persona quien, en cada etapa, tiene que revisar el contenido, los datos, las fuentes y las conclusiones.

Revisión bibliográfica y puesta en orden del conocimiento

Una de las aplicaciones más seguras de la IA es la ayuda en el trabajo con la bibliografía. Los modelos lingüísticos y las herramientas de investigación pueden servir para resumir un artículo, comparar dos métodos, aclarar algún pasaje incomprensible, extraer los conceptos principales o preparar una lista de preguntas para seguir leyendo.

En cuanto a las trampas, las "bibliografías" generadas son especialmente peligrosas, porque los modelos son capaces de inventarse citas inexistentes. La IA puede ayudar a entender un texto, pero todas y cada una de las fuentes hay que comprobarlas y verificarlas. Cuesta creer que en 2026 todavía haya que explicarle esto a nadie, pero algunos escándalos mediáticos más o menos sonados demuestran que el problema es real.

Ayuda con el código, el análisis de datos y la automatización

En el trabajo de ingeniería, la IA se desenvuelve muy bien con el código. Puede ayudar a escribir un script en Python, explicar un error, proponer un test unitario, ordenar notas y cálculos, describir una función o transformar datos de entrada al formato que necesita el análisis. Son aplicaciones perfectamente prácticas y reales. Si un investigador tiene datos de mediciones, registros de un experimento o resultados de simulación, la IA puede ayudarle a escribir código para limpiar datos, generar gráficos, calcular estadísticos descriptivos o detectar anomalías.

Hay que recordar, eso sí, que el código generado por IA puede contener errores. Conviene probarlo con ejemplos pequeños, comprobarlo paso a paso y documentar las hipótesis más importantes. También conviene aplicar los principios básicos del trabajo de ingeniería: control de versiones, descripción de los parámetros de entrada, entorno de cálculo repetible y tests. La IA puede acelerar la escritura de código, pero no debería ser la única "revisora" de su propio resultado. Y es fundamental no pegar datos confidenciales en herramientas públicas: datos de proyectos industriales, resultados inéditos, datos de pacientes, de clientes, códigos fuente de la empresa o detalles de patentes no deberían acabar en un chat sin los permisos y las reglas claras.

Redacción de textos científicos

La IA también puede ayudar en la redacción o las traducciones: alisar un resumen, acortar una introducción, mejorar la claridad de un párrafo, proponer la estructura de un capítulo o simplificar la descripción de un método. Resulta especialmente útil para quienes escriben en inglés sin ser su lengua materna. Pero aquí también hay que andar con ojo. La IA puede mejorar la forma, pero no puede añadir resultados inexistentes, inventarse citas ni ocultar las flaquezas de un experimento.

Si una herramienta de IA ha ayudado de manera significativa a preparar un texto, hay que consultar las normas de la revista, la universidad o el proyecto de financiación sobre cómo declarar ese uso. Las editoriales suelen distinguir entre la simple ayuda lingüística y la creación de contenido sustantivo. Mejorar la legibilidad, la gramática o el formato puede recibir un trato distinto que generar fragmentos del análisis o de las conclusiones.

Diseño de experimentos y simulaciones

La IA puede ser un compañero útil para una lluvia de ideas. Puede sugerir una lista de variables, posibles factores de confusión, un plan de control de calidad, variantes de un experimento o una lista de comprobación antes de lanzar las mediciones. En ingeniería esto resulta muy práctico, por ejemplo en el diseño de un sistema de medición, el análisis de un material, el prototipado mecánico, la validación de un modelo numérico o la planificación de pruebas de carga.

La IA puede recordar elementos que se pasan por alto con facilidad: calibración, repetibilidad, errores de medición, pruebas ciegas, versionado del código o descripción de los parámetros de entrada. Pero hay que seguir recordando que la responsabilidad de la metodología es humana. La IA puede proponer un plan, pero no sabe qué equipos hay realmente en el laboratorio, cuáles son las limitaciones presupuestarias, qué normas rigen el proyecto ni qué errores aparecieron en las mediciones anteriores.

Logros de la IA en el trabajo de los ingenieros

Hasta aquí la teoría. Veamos ahora algunos ejemplos concretos de proyectos científicos donde la IA ha ayudado de verdad a científicos e ingenieros a ampliar los límites de lo posible. No son historias de un modelo que hizo el trabajo sucio por un humano y este se limitó a colgarse la medalla. Son más bien casos en los que los algoritmos aceleraron el análisis, redujeron un espacio de búsqueda enorme o señalaron direcciones que luego hubo que comprobar con métodos científicos clásicos.

AlphaFold: la IA acelera la predicción de estructuras proteicas

Uno de los ejemplos más conocidos del uso de la IA en la ciencia es AlphaFold. En 2024, el Premio Nobel de Química recayó en David Baker, Demis Hassabis y John Jumper. Hassabis y Jumper fueron galardonados por sus trabajos sobre AlphaFold2, el modelo de IA que sirve para predecir estructuras de proteínas, mientras que Baker lo fue por el diseño computacional de proteínas.

Predecir estructuras proteicas fue durante años uno de los mayores retos de la biología estructural. Gracias a la IA, los investigadores pueden acotar más rápido el área de búsqueda, formular hipótesis y planificar experimentos, en lugar de empezar a partir de un conjunto de posibilidades mucho menos ordenado. Es un buen ejemplo de uso ético de la IA en investigación. El modelo no cierra el proceso científico ni da respuestas que ya no haya que comprobar. Sencillamente, ayuda a llegar antes a una dirección prometedora, pero la interpretación de los resultados, la validación y el experimento siguen estando del lado de los investigadores.

GNoME: la IA señala millones de candidatos a nuevos materiales

GNoME es un sistema de Google DeepMind utilizado para buscar nuevas estructuras cristalinas. En 2023 se describió en "Nature" que el sistema había señalado 2,2 millones de estructuras cristalinas nuevas, entre ellas 380.000 candidatos estables. Estos materiales podrían tener importancia, por ejemplo, en baterías, energía fotovoltaica, electrónica u otras tecnologías que necesitan nuevas propiedades materiales.

Aquí hay que hacer una advertencia importante. La IA no "ha fabricado" esos materiales, y eso no significa que todos puedan aplicarse de inmediato en la industria. GNoME hizo el trabajo computacional: analizó una cantidad ingente de estructuras posibles y señaló aquellas que, según el modelo, podrían ser estables. Es una lista de candidatos para seguir investigando, no un catálogo de inventos listos para usar.

Justo por eso, junto a estos sistemas se están desarrollando laboratorios automatizados, como A-Lab, que deben combinar cálculos, datos de la bibliografía, aprendizaje automático y robótica para planificar y ejecutar experimentos. Es el siguiente paso lógico: la IA señala estructuras prometedoras y el laboratorio intenta producirlas de verdad y comprobarlas. En el caso de A-Lab, sin embargo, también surgieron debates y análisis críticos de parte de los resultados, lo que demuestra muy bien que ni siquiera la automatización del experimento da por cerrada la verificación.

Halicina: la IA ayuda a encontrar un prometedor compuesto antibacteriano

En 2020, investigadores del MIT utilizaron aprendizaje automático para rastrear bibliotecas de compuestos químicos en busca de sustancias con posible acción antibacteriana. El modelo señaló la halicina, un compuesto que antes no era un candidato clásico a antibiótico. De nuevo, una distinción importante: la IA no inventó un medicamento ya listo. El modelo ayudó a encontrar una molécula que merecía atención. Solo después arrancó el trabajo clásico de investigación: pruebas de laboratorio, comprobación de la acción frente a bacterias, análisis del posible mecanismo y más validación.

En la publicación se describía que la halicina mostraba una amplia acción bactericida, incluso frente a algunas cepas resistentes a los tratamientos, y que funcionaba en modelos de ratón. Para ser rigurosos, hay que añadir que el compuesto aún no ha superado los ensayos clínicos en humanos. Este ejemplo muestra bien dónde aporta valor real la IA. En química y farmacia, el número de moléculas posibles es descomunal. Comprobarlo todo a mano es inviable. La IA puede señalar más rápido unas cuantas pistas prometedoras que luego pasan a la investigación experimental.

En todos estos ejemplos, lo más interesante no es que la IA haya aparecido en el laboratorio, sino que ha empezado a cambiar el orden del trabajo científico. Cada vez más a menudo aparece primero un enorme mapa de posibilidades generado por un modelo, y solo después el ser humano elige de él los fragmentos que merecen tiempo, dinero y experimentos. Esto desplaza el peso del trabajo del ingeniero: menos energía se va en peinar a mano todo el campo, y más en hacer buenas preguntas, diseñar pruebas y distinguir las pistas prometedoras de los tiros al aire que solo en apariencia prometen éxitos. Al final, la IA es como ese becario brillante que trabaja muy rápido pero al que hay que revisarle todo dos veces.