Quién decide qué conocimiento vemos: de Google a la inteligencia artificial
Nunca habíamos tenido acceso a tanta información y, precisamente por ello, nunca había resultado tan necesaria alguna forma de selección. Buscadores, índices académicos, sistemas de recomendación y asistentes de inteligencia artificial ocupan hoy una posición cada vez más importante entre el conocimiento existente y el conocimiento que efectivamente llegamos a conocer. El problema ya no consiste solamente en distinguir lo verdadero de lo falso: antes debemos preguntarnos por qué unas fuentes consiguen llegar hasta nosotros y otras permanecen invisibles.
El 1 de octubre, Isidro F. Aguillo, responsable del Laboratorio de Cibermetría del Instituto de Políticas y Bienes Públicos del CSIC, formuló en Madrid una pregunta de apariencia sencilla durante una conferencia significativamente titulada ¿Qué ciencia vemos en Internet? Visibilidad, popularidad y calidad en la era de Google y la inteligencia artificial: ¿aquello que encontramos mediante Google representa realmente la ciencia que se produce? El interrogante se vuelve todavía más pertinente cuando los buscadores dejan de ser la última instancia visible de la consulta y aparece entre ellos y el lector una segunda maquinaria capaz no solo de localizar documentos, sino de seleccionarlos, jerarquizarlos y sintetizarlos hasta convertir centenares de páginas en unos cuantos párrafos.
La cuestión podría parecer estrictamente tecnológica, pero pertenece a una tradición intelectual mucho más antigua. Ningún ser humano puede leer todo cuanto se escribe sobre una materia. Tampoco puede saber de antemano dónde se encuentra cada idea que podría resultarle útil. Todo sistema de conocimiento necesita, por tanto, mecanismos que permitan reducir una realidad inmensa hasta hacerla manejable. Durante siglos esa función recayó sobre bibliotecarios, editores, profesores, críticos, repertorios bibliográficos, catálogos y revistas especializadas. La revolución digital no abolió esa intermediación. La transformó y, en ciertos aspectos, la hizo menos visible.
Una biblioteca infinita también necesita un bibliotecario
La gran promesa de Internet consistió en derribar una parte extraordinaria de las barreras materiales que separaban al lector del conocimiento. Una investigación publicada en otro país, una tesis almacenada por una universidad distante o un artículo perteneciente a una disciplina muy especializada podían, al menos en principio, quedar al alcance de cualquiera con conexión a la Red. Pero la abundancia creó inmediatamente otro problema: cuando existen millones de documentos potencialmente relevantes, disponer de acceso a todos equivale a no poder examinar casi ninguno.
La selección dejó entonces de producirse principalmente antes de la publicación y comenzó a efectuarse también después de ella. El buscador decide qué resultados aparecen primero. Una base bibliográfica establece qué revistas, documentos y metadatos incorpora. Un índice de citas cuenta determinados vínculos entre trabajos y no otros. Un sistema de recomendación estima qué contenido puede resultar relevante para un usuario. Cada una de estas herramientas resuelve un problema auténtico: sin algún mecanismo de clasificación, una masa prácticamente ilimitada de documentos sería intelectualmente inutilizable.
Eso no convierte la clasificación en neutral. Tampoco significa que exista una voluntad oculta tras cada resultado. Significa algo mucho más elemental: cualquier mecanismo que ordena necesariamente aplica criterios, y esos criterios producen consecuencias sobre aquello que resulta visible.
Por eso conviene distinguir varios conceptos que en el lenguaje cotidiano aparecen continuamente mezclados. Relevancia no es popularidad. Popularidad no es autoridad. Autoridad no es número de citas. Número de citas no es calidad científica. Posicionamiento en un buscador tampoco constituye una medida directa de verdad. Cada indicador captura algo diferente y puede resultar útil para una finalidad concreta, pero ninguno reproduce por sí solo el valor intelectual de una obra.
Una investigación excelente puede publicarse en un ámbito poco visible, carecer durante años de muchas citas o quedar fuera de determinadas bases. Otra puede recibir una enorme atención porque aborda un asunto de moda, porque introduce un método utilizado posteriormente por miles de trabajos o incluso porque genera una controversia considerable. Ser citado significa, en sentido estricto, haber sido citado. Toda interpretación adicional exige contexto.
Distintas bases, distintos mapas de la ciencia
La mejor manera de comprender el problema consiste en observar qué ocurre cuando varias infraestructuras académicas intentan representar un mismo universo científico. Si existiera una ventana perfectamente transparente hacia la producción intelectual, cabría esperar que todas ellas devolvieran aproximadamente la misma imagen. Los estudios comparativos muestran una realidad más compleja.
Una investigación publicada en 2025 en Journal of Informetrics examinó una muestra aleatoria de más de 115.000 DOI y comparó los recuentos de citas y referencias disponibles en diversas bases gratuitas, entre ellas Google Scholar y Semantic Scholar. Sus autores encontraron diferencias sistemáticas. Los buscadores académicos tendían a mostrar más citas gracias a una cobertura mayor, pero también por incorporar copias disponibles en la Web; Google Scholar, además, puede agrupar distintas versiones de un mismo documento de una forma que modifica los recuentos, mientras Semantic Scholar presentaba dificultades específicas al incorporar referencias procedentes de versiones externas. Todas las bases estudiadas mostraban, además, problemas para indexar adecuadamente referencias procedentes de libros y capítulos.
La conclusión importante no es decidir cuál de esas herramientas «ve la ciencia verdadera». Cada una ha sido construida con coberturas, fuentes y procedimientos distintos. Precisamente por ello muestran partes distintas del mismo territorio.
Algo semejante sucede con OpenAlex, Web of Science y Scopus. Un estudio de Scientometrics publicado en 2025 comparó un corpus común de 16,8 millones de publicaciones recientes presentes en las tres bases y encontró que OpenAlex ofrecía una cobertura de referencias comparable a las dos plataformas comerciales dentro de ese conjunto, aunque existían diferencias en determinados metadatos y revistas. Los autores advertían además de una dificultad metodológica fundamental: ni siquiera existe un corpus externo perfecto que pueda emplearse como patrón absoluto para medir qué base contiene «toda» la literatura relevante.
La importancia de estas diferencias aumenta cuando los datos dejan de emplearse solamente para buscar artículos y comienzan a utilizarse para valorar investigadores e instituciones. Un trabajo de Scientometrics de 2026 comparó OpenAlex, Web of Science y Scopus en una población definida de universidades y profesores italianos. Los resultados mostraron una fuerte concordancia en productividad, pero solo una correspondencia moderada en las medidas de impacto; alrededor del 30% de los investigadores cambiaba al menos un cuartil cuando OpenAlex sustituía a Web of Science o Scopus en aquel análisis concreto.
La base elegida no inventa necesariamente el prestigio de un científico. Pero puede modificar el conjunto de publicaciones y citas desde el que ese prestigio se cuantifica. El mapa no crea el territorio; tampoco lo reproduce sin mediaciones.
La inteligencia artificial añade una puerta más
Los asistentes generativos introducen una diferencia importante porque pueden ocultar al usuario una parte mucho mayor del proceso. Ante una consulta tradicional, el buscador presenta una página de resultados y deja al lector una decisión posterior: abrir el primero, comparar varios, desplazarse hasta otra página o reformular la pregunta. La jerarquía condiciona enormemente esa conducta, pero todavía es visible.
Un sistema de inteligencia artificial con recuperación documental puede efectuar varias operaciones antes de que el lector reciba una sola frase. Primero busca dentro de un corpus; después estima qué documentos o fragmentos guardan mayor relación con la consulta; puede reordenarlos; selecciona algunos; y finalmente utiliza ese subconjunto para elaborar una síntesis. El usuario observa el resultado final, pero no necesariamente las decenas, centenares o miles de candidatos que quedaron fuera.
OpenScholar constituye un ejemplo especialmente revelador de las posibilidades de este modelo. Publicado en Nature en febrero de 2026, el sistema fue diseñado específicamente para sintetizar literatura científica mediante recuperación documental. Su infraestructura contiene unos 45 millones de trabajos científicos y 236 millones de representaciones de pasajes; ante una pregunta, utiliza recuperadores especializados y sistemas de reordenación para escoger material relevante y generar una respuesta acompañada de referencias. Los autores construyeron además un banco de pruebas multidisciplinar y mostraron que el sistema podía superar a varios modelos generales en determinadas tareas de síntesis científica.
Lo intelectualmente interesante se encuentra tanto en los buenos resultados como en el mecanismo que los produce. Cuando los investigadores eliminaron componentes del sistema —el reordenamiento de resultados, el proceso de retroalimentación o la verificación final de citas—, empeoraron la corrección y la precisión de las referencias; la pérdida más importante aparecía al eliminar el reranking. Es decir: para construir una buena respuesta no bastaba con que el conocimiento existiera en el corpus. Era decisivo seleccionar bien qué conocimiento llegaba hasta el modelo.
La promesa de poder leer lo que antes era inabarcable
Sería un error interpretar todo proceso de intermediación como una amenaza. La intermediación existe porque resuelve un problema real y creciente: ningún investigador puede acompañar por sí solo el ritmo de publicación de la ciencia contemporánea.
OpenScholar muestra hasta qué punto una herramienta especializada puede ampliar nuestras capacidades. En las evaluaciones descritas en Nature, sus sistemas produjeron respuestas respaldadas por referencias con resultados superiores a diversos modelos sin recuperación y, en algunas comparaciones realizadas por expertos, fueron preferidos a síntesis humanas elaboradas para el banco de pruebas. Los propios autores, prudentemente, no sostienen que la revisión científica pueda automatizarse por completo y señalan limitaciones del tamaño de algunas evaluaciones humanas.
La posibilidad es, pese a ello, formidable. Una tecnología capaz de localizar información en millones de trabajos, superar barreras terminológicas, condensar literatura distribuida entre especialidades y ofrecer al lector una primera síntesis puede reducir radicalmente el coste intelectual de entrar en una materia nueva. El investigador que antes necesitaba días para identificar la arquitectura básica de una controversia podría obtener en minutos una cartografía inicial desde la que comenzar a leer.
La inteligencia artificial puede reducir barreras de tiempo, volumen documental, especialización e incluso idioma. Pero precisamente porque puede convertirse en una puerta extraordinariamente eficiente hacia el conocimiento, adquiere importancia saber cómo está construida esa puerta.
Cuando seleccionar bien se vuelve tan importante como responder bien
Los mismos experimentos de OpenScholar ayudan a comprender el riesgo. Los autores comprobaron que un modelo general sin recuperación documental podía producir referencias inexistentes con enorme frecuencia cuando se le pedía citar literatura reciente; la incorporación de una infraestructura documental, de mecanismos de selección y de verificación reducía drásticamente ese problema. La lección no es simplemente que unos modelos sean mejores que otros. Es que una respuesta fluida resulta insuficiente si no podemos reconstruir de qué documentos procede.
Existe además otra cuestión, todavía más amplia: los sistemas de inteligencia artificial no solo pueden cambiar cómo encontramos investigaciones, sino también las áreas hacia las que se dirige la propia actividad científica.
Un estudio publicado en Nature en enero de 2026 analizó 41,3 millones de artículos de ciencias naturales e identificó trabajos en los que se empleaban herramientas de inteligencia artificial. Los investigadores encontraron que los científicos asociados a investigación aumentada por IA publicaban más trabajos, recibían más citas y alcanzaban antes determinadas posiciones de liderazgo científico. Al mismo tiempo, el análisis halló una reducción del 4,63% en el volumen colectivo de temas estudiados y un descenso del 22% en la interacción posterior entre científicos dentro de las medidas empleadas por el trabajo. Los autores interpretaron el patrón como una tendencia de la investigación asistida por IA hacia áreas con mayor abundancia de datos.
Conviene no convertir ese resultado en una ley general sobre la ciencia. Es el resultado de un estudio concreto, construido mediante una metodología específica para identificar investigación aumentada por inteligencia artificial. No demuestra que toda utilización futura de IA reduzca inevitablemente la diversidad del conocimiento. Sí plantea una posibilidad digna de consideración: una herramienta puede incrementar extraordinariamente la productividad individual y, al mismo tiempo, modificar los incentivos colectivos hacia problemas para los cuales existen mejores datos y métodos automatizables.
También empiezan a aparecer indicios sobre la selección de referencias. Un preprint de 2025 —y, por tanto, evidencia preliminar todavía no sometida al mismo grado de consolidación que un artículo revisado por pares— analizó 274.951 referencias generadas por GPT-4o para 10.000 trabajos. Sus autores encontraron una preferencia sistemática por artículos ya muy citados, un patrón que interpretan como una posible amplificación del conocido «efecto Mateo»: aquello que ya ha recibido mucha atención obtiene mayores oportunidades de recibir todavía más.
Un segundo preprint, publicado en septiembre de 2026 y basado en más de 63.000 contextos de citación de trabajos de procesamiento del lenguaje natural, informa asimismo de una mayor propensión de varios modelos a citar trabajos populares y antiguos que la observada en las referencias humanas de su muestra. También encontró diferencias en la manera de utilizar las citas. Son resultados recientes y pendientes de revisión por pares; deben servir para formular preguntas, no para declarar resuelto el comportamiento de los sistemas generativos.
Verdad, conocimiento y visibilidad
En el fondo aparece una distinción filosófica elemental que la tecnología digital obliga a recuperar. Una proposición puede ser verdadera sin que nadie la conozca. Puede ser conocida por unos investigadores y resultar inaccesible para el resto del mundo. Puede estar perfectamente accesible en Internet y permanecer, sin embargo, enterrada en la página cincuenta de un buscador, ausente de una base de datos o fuera del corpus utilizado por un asistente.
Lo verdadero, lo conocido, lo accesible y lo visible no son categorías equivalentes.
Esta diferencia importa porque las sociedades no actúan sobre todo aquello que es verdadero: actúan sobre aquello que consiguen incorporar a sus procesos de decisión. Una investigación rigurosa que nadie encuentra puede tener, para la conversación pública o incluso para otra comunidad científica, consecuencias parecidas a las de una investigación inexistente. La visibilidad no transforma una afirmación en verdadera, pero condiciona la posibilidad de que sea examinada, discutida, refutada, utilizada y finalmente incorporada al conocimiento compartido.
La intermediación algorítmica no inventó este problema. Un bibliotecario también seleccionaba; una revista podía rechazar un artículo; una universidad decidía qué autores entraban en un programa; una editorial determinaba qué libros permanecían disponibles. La diferencia contemporánea es de escala, velocidad y opacidad. Un algoritmo puede efectuar millones de selecciones individualizadas en el tiempo que antes requería una sola decisión humana y, en el caso de la inteligencia artificial generativa, puede además entregar el resultado sin mostrar claramente todas las etapas intermedias.
Esto obliga a revisar qué significa estar alfabetizado en una sociedad inundada de conocimiento. Durante los primeros años de Internet parecía suficiente aprender a buscar: elegir palabras adecuadas, distinguir una página fiable de otra dudosa, comprobar quién publicaba una información. En la era de los asistentes generativos, esa competencia continúa siendo necesaria, pero ya no basta.
La pregunta decisiva se desplaza un nivel hacia atrás.
Cuando una herramienta responde, debemos preguntarnos no solamente si la respuesta parece correcta, sino de qué universo documental procede; qué criterios han llevado determinadas fuentes hasta la síntesis; si existen referencias que permitan reconstruir el razonamiento; qué tipo de trabajos puede contener la base utilizada; y qué literatura relevante podría haber quedado fuera.
Los algoritmos no determinan por sí mismos qué es verdadero. Un resultado situado en primer lugar no adquiere por ello validez científica, del mismo modo que un artículo invisible no deja de ser correcto por carecer de citas. Pero buscadores, índices bibliográficos, sistemas de recomendación y modelos de inteligencia artificial participan cada vez más en una etapa anterior y decisiva: determinar qué parte del conocimiento existente llega efectivamente hasta nosotros.
Quizá por eso la alfabetización intelectual del futuro no consista únicamente en aprender a encontrar información, sino en aprender a interrogar la arquitectura mediante la cual la encontramos. Ante una respuesta extraordinariamente convincente, la pregunta más exigente puede no ser solo «¿es verdad?», sino también otra, previa y menos intuitiva: ¿qué fuentes está viendo esta herramienta y cuáles podría estar dejando fuera?
Bibliografía y lecturas recomendadas
Aguillo, Isidro F., ¿Qué ciencia vemos en Internet? Visibilidad, popularidad y calidad en la era de Google y la inteligencia artificial, conferencia del ciclo «Prometeo en el jardín», CCHS-CSIC, 1 de octubre de 2026.
Asai, Akari et al., «Synthesizing scientific literature with retrieval-augmented language models», Nature, 650, 857-863, 2026.
Culbert, Jack H. et al., «Reference coverage analysis of OpenAlex compared to Web of Science and Scopus», Scientometrics, 130, 2475-2492, 2025.
Abramo, Giovanni; Cicero, Tindaro y D’Angelo, Ciriaco Andrea, «Data source effects in research performance assessment of individuals and institutions: comparing OpenAlex with established bibliographic databases», Scientometrics, 131, 2026.
Delgado-Quirós, Lorena y Ortega, José Luis, «Citation counts and inclusion of references in seven free-access scholarly databases: A comparative analysis», Journal of Informetrics, 19(1), 101618, 2025.
Hao, Qianyue et al., «Artificial intelligence tools expand scientists’ impact but contract science’s focus», Nature, 649, 1237-1243, 2026.
Algaba, Andres et al., «How Deep Do Large Language Models Internalize Scientific Literature and Citation Practices?», arXiv, 2025.
Liu, Yixuan et al., «Citing Less Critically: LLMs Reshape the Rhetoric and Reach of Scientific Citation», arXiv, septiembre de 2026.
Comentarios