La inteligencia artificial que transforma la ciencia también está reprogramando tu forma de pensar, sentir y tomar decisiones sin pedirte permiso

Durante los últimos años, muchas personas han incorporado la inteligencia artificial (IA) en sus rutinas diarias casi sin pensarlo: completamos frases en el móvil, seguimos recomendaciones musicales, aceptamos diagnósticos médicos sugeridos por algoritmos o pedimos a una IA que nos ayude a redactar un correo. Pero, ¿qué pasa cuando esta tecnología, que parece facilitarnos la vida, empieza también a moldear silenciosamente nuestra forma de entender el mundo?

La física de partículas —una de las disciplinas más rigurosas y técnicas de la ciencia— está experimentando un cambio de fondo gracias a la IA. En su artículo «What is AI, what is it not, how we use it in physics and how it impacts… you», la física Claire David no solo expone cómo se usa esta herramienta en los grandes experimentos científicos, sino que lanza una advertencia más amplia: los efectos de la IA traspasan los laboratorios. Ya no hablamos solo de aceleradores de partículas, sino de decisiones humanas, de autonomía intelectual y de nuevos dilemas éticos. La autora escribe con claridad y profundidad, abriendo un debate urgente tanto para quienes investigan como para quienes simplemente usan tecnología cada día.

¿Qué entendemos realmente por inteligencia artificial?

Definir la inteligencia artificial no es tan sencillo como podría parecer. El término está cargado de implicaciones que se prestan a malentendidos. Claire David comienza cuestionando la base del concepto, recordando que “un problema fundamental en la inteligencia artificial es que nadie sabe realmente qué es la inteligencia”. Esta frase, citada de Legg y Hutter, da en el clavo: usamos palabras como “inteligencia”, “aprendizaje” o “comprensión” como si estuvieran claras, cuando en realidad no lo están.

Una distinción importante que hace el artículo es entre aprender y comprender. Aprender puede ser simplemente acumular patrones y datos, mientras que comprender implica conectar esas piezas con significado. En ese sentido, los sistemas de IA aprenden, pero no entienden. Aun así, usamos estos sistemas para tomar decisiones, incluso en contextos complejos como la investigación científica. ¿Es legítimo entonces seguir comparándolos con procesos humanos?

El cambio de paradigma en la programación

Uno de los grandes aportes de la IA actual es su capacidad de operar sin reglas explícitas. Antes, los programadores diseñaban algoritmos que seguían instrucciones claras: “si pasa A, haz B”. Ahora, con el aprendizaje automático, los sistemas deducen patrones a partir de los datos, sin que nadie les indique cómo llegar a ellos. Este cambio es especialmente útil en contextos como la física de partículas, donde los datos son tan numerosos y complejos que sería imposible analizarlos manualmente.

David lo explica de forma muy clara: “El aprendizaje automático supervisado utiliza las ‘respuestas’ (es decir, los objetivos) y otros datos, para derivar reglas implícitas con el fin de hacer predicciones”. Esto significa que, en vez de programar paso a paso, entrenamos modelos para que descubran relaciones ocultas. Esta lógica permite detectar señales sutiles en grandes experimentos como ATLAS, en el CERN. Pero también introduce una paradoja: obtenemos resultados útiles sin saber del todo cómo fueron producidos.

Una herramienta que no explica lo que hace

A diferencia de una fórmula matemática que podemos seguir paso a paso, los algoritmos de IA —especialmente los más avanzados, como las redes neuronales profundas— funcionan como cajas negras. Nos dan una respuesta, pero no nos muestran cómo llegaron a ella. En física, esto representa un problema serio, porque entender el “cómo” es tan importante como obtener un resultado.

Claire David lo resume así: “La investigación impulsada por IA sacrifica inherentemente la interpretabilidad”. Y esto es inquietante. En ciencia, la transparencia es un valor esencial, no un lujo. La autora propone explorar caminos intermedios, como integrar conocimientos previos en los modelos de IA para mantener cierto nivel de comprensión humana. Pero reconoce que todavía estamos lejos de resolver esa tensión entre eficiencia y claridad.

La IA en el corazón de la física de partículas

En física de altas energías (HEP, por sus siglas en inglés), la IA ya no es una novedad, sino parte del flujo de trabajo cotidiano. Desde la identificación de partículas hasta la inferencia de parámetros, los modelos de aprendizaje automático están presentes en casi todas las etapas del análisis. Según el paper, incluso se están desarrollando algoritmos que operan directamente en los detectores, en tiempo real.

Los enfoques más recientes incluyen herramientas como la Inferencia Basada en Simulación (Simulation-Based Inference), que permite analizar datos de alta dimensión sin necesidad de resumirlos, y el aprendizaje automático consciente de la incertidumbre, que mejora la sensibilidad de los análisis al incorporar directamente los errores sistemáticos. Estas innovaciones están haciendo que el análisis de datos científicos sea más potente y más preciso, pero también más opaco.

El impacto fuera del laboratorio

El artículo no se limita al ámbito científico. David dedica una parte importante a mostrar cómo la IA afecta ya a la sociedad en general. “¿Este sistema educa o manipula? ¿Ayuda o sobreasiste? ¿Hace daño, o incluso mata?”, pregunta la autora. Y responde con ejemplos: algoritmos que optimizan la adicción al contenido en redes sociales, que influyen en procesos electorales, o que contaminan de forma desproporcionada al ser entrenados.

Uno de los datos más sorprendentes es que el entrenamiento de una IA generativa puede liberar hasta 60 veces más CO₂ que una persona a lo largo de toda su vida. Esto no suele estar en el centro del debate sobre innovación tecnológica, pero es clave. Además, la presión sobre la extracción de minerales raros —necesarios para alimentar esta revolución algorítmica— tiene implicaciones ambientales y sociales que aún no hemos terminado de evaluar.

Decidir cómo usamos estas herramientas

La autora propone que empecemos a definir nuestras propias reglas frente al uso de la IA. A nivel institucional, sugiere actualizar planes de estudio, fomentar la colaboración interdisciplinaria y diseñar métricas nuevas para evaluar el rendimiento de modelos. A nivel individual, plantea una pregunta incómoda: ¿estamos usando estas herramientas para potenciar nuestra capacidad crítica, o para delegar el pensamiento?

Aunque los grandes modelos como los LLM pueden ser muy útiles, también pueden debilitar habilidades fundamentales como la escritura, la programación o la argumentación. Según David, deberíamos plantearnos límites personales: por ejemplo, usar la IA para reformular frases, pero no para generar textos enteros. El objetivo no es rechazar la tecnología, sino no perder el control sobre cómo la usamos y qué efectos tiene en nosotros.

Una invitación a pensar distinto

El texto cierra con una reflexión que resume el espíritu del artículo: “Los físicos que utilizan IA en su investigación representan ciudadanos informados sobre IA que deberían hablar sobre sus implicaciones tanto dentro como fuera de la física”. Es una frase clave, porque trasciende el ámbito científico. En un momento en el que la IA está reconfigurando múltiples dimensiones de la vida, entender cómo funciona y cómo nos afecta ya no es una opción técnica, sino una cuestión de ciudadanía.

En el fondo, la advertencia de Claire David no es sobre la tecnología en sí, sino sobre nuestra relación con ella. La inteligencia artificial está aquí para quedarse, pero no debería quedarse con todo. Si no prestamos atención, podríamos acabar aceptando decisiones, verdades o maneras de ver el mundo que no entendemos del todo. La ciencia, como la vida, merece algo mejor que eso.