Autora: Adriana Beltrán-Ostos. Médica especialista en medicina interna y reumatología, Universidad Militar Nueva Granada. Reumatóloga riesgo de fractura CAYRE, Magíster en epidemiología clínica. Estudiante de doctorado en epidemiología clínica, Pontificia Universidad Javeriana. Grupo de inmunología celular y molecular INMUBO, Universidad El Bosque. Miembro fundador de AIpocrates. coordinadora del grupo AI-Rheumanet-PANLAR, coordinadora unidad de innovación PANLAR.
Hay algo que ocurre después de muchos años haciendo investigación: uno empieza a mirar el mundo formulando preguntas.
Una observación durante la consulta, un resultado que no encaja, un comportamiento inesperado en una base de datos, una conversación con un colega. Casi cualquier cosa puede convertirse en una pregunta, y una pregunta, eventualmente, en una hipótesis.
David Sackett se refería a la investigación como una actividad creativa dentro de la atención en salud. Siempre me ha gustado esa manera de entenderla porque, para quienes hemos dedicado una parte importante de nuestra vida a investigar, la investigación termina siendo precisamente eso: una forma de pensar.
He vivido ese proceso desde lugares muy distintos. Primero como estudiante de medicina y luego de posgrado, haciendo trabajos de investigación y tesis; después como asesora metodológica, evaluadora de proyectos y publicaciones científicas, investigadora clínica, directora de centros de investigación de hospitales universitarios, presidenta de un comité de ética, investigadora en evaluación de tecnologías en salud y fundadora de un centro de innovación. Hoy vuelvo a vivirlo desde un lugar que creía haber dejado atrás: nuevamente como estudiante, esta vez de doctorado.
Y en medio de ese recorrido también nació AIpocrates.
Por eso, al cumplirse cinco años de esta comunidad, inevitablemente pienso en cuánto ha cambiado nuestra manera de investigar.
Antes de que todo cambiara
No ocurrió de un día para otro.
La investigación siempre había estado acompañada por tecnología. Durante años utilizamos hojas de cálculo, gestores bibliográficos y programas estadísticos como SPSS, Stata y posteriormente R. Python permanecía más cerca de los grupos de ingeniería, ciencia de datos y algunos estadísticos que de la práctica cotidiana de muchos investigadores clínicos.
Pero buena parte del proceso seguía siendo intensamente manual.
Quienes hicimos investigación en esa época recordamos las horas destinadas a depurar bases de datos, revisar referencias, construir tablas, programar análisis o realizar una revisión sistemática que podía tomar meses entre la búsqueda, la eliminación de duplicados, el tamizaje y la extracción de información.
Había además otra dificultad menos visible: hablábamos idiomas diferentes.
Clínicos, epidemiólogos, bioestadísticos, ingenieros, bioinformáticos y científicos de datos podíamos estar interesados en el mismo problema y, sin embargo, tardar mucho tiempo en construir un lenguaje común.
Entonces llegó la inteligencia artificial generativa a nuestras manos.
Y la velocidad cambió.
De repente, pudimos hacer cosas que antes parecían lejanas
Hoy existen herramientas capaces de apoyar múltiples fases de una investigación: búsqueda de la literatura, asistir en procesos de selección y clasificación de documentos, apoyar programación, depuración y análisis de datos, trabajar con información estructurada y no estructurada, producir visualizaciones, facilitar traducciones y contribuir a la redacción científica.
Para quienes investigamos desde América Latina hay un aspecto particularmente importante: algunas barreras técnicas y lingüísticas se han hecho más pequeñas.
Una idea puede transformarse más rápidamente en un protocolo. Un clínico puede aproximarse a lenguajes de programación que antes parecían inaccesibles. Equipos con formaciones muy diferentes pueden comunicarse mejor. Podemos trabajar con fuentes de información más diversas y formular análisis que hace algunos años requerían infraestructura, tiempo y capacidades técnicas considerablemente mayores.
Pero velocidad no significa necesariamente mejor ciencia.
Y allí empieza la parte de esta historia que más me interesa.
La IA no hizo desaparecer la incertidumbre
Podemos analizar millones de observaciones. Podemos entrenar algoritmos complejos. Podemos obtener predicciones extraordinariamente precisas dentro de determinados conjuntos de datos.
Pero las preguntas fundamentales continúan allí.
¿De dónde provienen los datos?
¿Cómo fueron generados?
¿Qué población representan?
¿Quién quedó por fuera?
¿Qué sesgos introdujo el proceso que produjo esos datos?
¿El desempeño observado corresponde a validación interna o se mantiene cuando el modelo se extrapola a otra población?
¿Estamos estimando una asociación, construyendo una predicción o intentando hacer una inferencia causal?
La inteligencia artificial no elimina estas preguntas. Tampoco elimina la incertidumbre estadística.
La escala, incluso, puede producir una peligrosa sensación de certeza. En bases de datos muy grandes podemos obtener errores estándar muy pequeños e intervalos de confianza estrechos mientras permanecen intactas fuentes importantes de sesgo. Más datos reducen determinadas formas de incertidumbre aleatoria; no corrigen automáticamente sesgo de selección, confusión, errores de medición ni problemas de validez externa.
Un algoritmo entrenado con datos que contienen inequidades históricas puede aprenderlas y reproducirlas. Y si ese algoritmo se utiliza después para apoyar decisiones clínicas, puede hacerlo a una escala que nosotros nunca hubiéramos alcanzado individualmente.
Por eso el razonamiento epidemiológico y estadístico no se vuelve menos importante con la IA.
Se vuelve más importante.
Hay algo, sin embargo, que me preocupa todavía más
Es lo que ocurre con nosotros.
Investigar nunca fue solamente ejecutar correctamente una metodología. Antes del protocolo, de la base de datos, del modelo estadístico y del manuscrito existe un proceso cognitivo mucho más difícil de enseñar y de medir.
Observar.
Leer profundamente.
Relacionar conocimientos aparentemente distantes.
Tolerar no entender.
Equivocarse.
Volver a pensar.
Y finalmente formular una pregunta que realmente valga la pena responder.
Ese proceso tiene fricción.
Durante mucho tiempo pensé que una de las grandes virtudes de la inteligencia artificial era precisamente eliminarla. Hoy me pregunto si debemos eliminar toda esa fricción.
Porque una parte importante del pensamiento científico se construye justamente allí.
Cuando una herramienta puede resumir en segundos los artículos que antes necesitábamos leer durante horas, proponer hipótesis, escribir código, sugerir interpretaciones y producir un texto perfectamente articulado, aparece una tentación comprensible: delegar progresivamente el esfuerzo intelectual.
Y esa delegación tiene un límite difícil de reconocer.
Podemos utilizar la IA para mejorar una idea. El problema aparece cuando dejamos que reemplace el proceso necesario para construirla.
El “¿y qué?” todavía nos pertenece
La fase de ideación probablemente sea uno de los mejores ejemplos.
Identificar una brecha de conocimiento no consiste simplemente en encontrar algo que todavía no haya sido publicado.
Una pregunta puede ser inédita y, sin embargo, irrelevante.
Las buenas preguntas nacen también del conocimiento profundo de un problema, de años siguiendo una línea de investigación, de comprender el contexto, de conocer a los pacientes, de reconocer contradicciones en la evidencia y de discutir con investigadores jóvenes y sénior que observan el mismo fenómeno desde perspectivas diferentes.
Es el “¿y qué?” que tantas veces hemos escuchado al profesor Roselli.
¿Qué cambia si respondo esta pregunta?
¿Qué aporta al conocimiento?
¿A quién le importa la respuesta?
¿Puede modificar nuestra comprensión de una enfermedad, una decisión clínica, una política o la vida de un paciente?
Hasta ahora, ninguna herramienta me ha convencido de que podamos delegar completamente ese juicio.
Algo semejante ocurre con la discusión de un manuscrito. Para mí sigue siendo una de las secciones más difíciles de escribir porque no consiste en repetir los resultados ni en enumerar estudios previos. Exige interpretarlos, confrontarlos con el conocimiento existente, reconocer sus limitaciones, establecer hasta dónde podemos hacer inferencias y explicar cuál es, finalmente, la contribución del estudio.
Allí aparece la voz intelectual del investigador.
Y esa voz necesita haberse formado.
Cinco años después, la pregunta es diferente
Cuando nació AIpocrates hablábamos mucho de acercar la inteligencia artificial a la salud.
Cinco años después, la pregunta ya no es si vamos a utilizarla.
La estamos utilizando.
La pregunta ahora es qué parte de nuestro trabajo estamos dispuestos a delegar y cuál debemos proteger.
Porque junto con las oportunidades aparecen dilemas que ya no son hipotéticos: privacidad y posible reidentificación de datos, sesgos algorítmicos, representatividad, transparencia, reproducibilidad, gobernanza, responsabilidad sobre los resultados, alucinaciones de los modelos generativos y riesgo de automatizar decisiones que nunca debieron dejar de ser examinadas críticamente.
En investigación en salud esto adquiere una dimensión adicional: detrás de los datos existen personas.
Por eso necesitamos algo más que investigadores capaces de utilizar inteligencia artificial. Necesitamos investigadores capaces de cuestionarla.
Personas que comprendan suficientemente bien epidemiología, estadística, metodología, ética y el contexto clínico para saber cuándo una respuesta aparentemente impecable puede estar equivocada.
Tal vez investigar siga siendo exactamente lo mismo
Paradójicamente, después de cinco años pensando en inteligencia artificial, he vuelto al comienzo.
Al método científico.
Observar un fenómeno. Formular una hipótesis. Diseñar una manera rigurosa de contrastarla. Cuantificar honestamente la incertidumbre. Someter nuestras explicaciones a la posibilidad de estar equivocadas. Permitir que otros las reproduzcan, las cuestionen y eventualmente las refuten.
Las herramientas han cambiado extraordinariamente.
Nuestra responsabilidad no.
Entonces, ¿cómo formamos investigadores en la era de la IA?
Esta reflexión me lleva inevitablemente a una última pregunta: ¿cómo vamos a formar a los próximos investigadores?
Probablemente este sea uno de los mayores desafíos que tenemos quienes participamos en la formación universitaria, en los posgrados y en los semilleros de investigación. Porque los estudiantes están utilizando la inteligencia artificial precisamente para algunas de las tareas cognitivamente más exigentes de la investigación: leer, analizar, sintetizar, evaluar, argumentar y crear.
Y no creo que la respuesta sea prohibirla.
Sería contradictorio formar investigadores para un mundo en el que la inteligencia artificial estará presente y pedirles que aprendan a investigar como si no existiera. Pero tampoco creo que debamos permitir que la eficiencia se convierta inadvertidamente en sustitución del pensamiento.
Tal vez necesitemos hacer exactamente lo contrario: introducir deliberadamente algunos espacios de fricción cognitiva.
Las llamadas Cognitive Forcing Functions (CFF) parten precisamente de esta idea: crear condiciones que obliguen a detenerse, cuestionar una respuesta automática y mantener al ser humano como agente principal de la decisión. Trasladadas a la formación científica, podrían ayudarnos a preservar algunos de los procesos cognitivos que no queremos delegar.
Antes de pedirle a una herramienta que sintetice la literatura, por ejemplo, un investigador en formación debería haber leído las fuentes fundamentales, construido su propia representación del problema e identificado inicialmente las controversias y posibles brechas de conocimiento. Después podrá utilizar la IA para ampliar, contrastar o cuestionar ese mapa. Pero tendría que volver a las fuentes y preguntarse: ¿qué matiz desapareció?, ¿qué discrepancia metodológica fue simplificada?, ¿qué argumento importante quedó oculto dentro de una síntesis aparentemente perfecta?
Algo semejante podría ocurrir con la escritura científica. Primero pensar, argumentar y escribir; después utilizar la IA para cuestionar la estructura, encontrar inconsistencias o mejorar la claridad. Incluso podríamos pedir al estudiante que deje registro de qué recomendaciones aceptó, cuáles rechazó y, sobre todo, por qué. El valor educativo ya no estaría únicamente en entregar un manuscrito impecablemente escrito, sino en poder reconstruir las decisiones intelectuales que permitieron llegar hasta él.
En metodología podríamos ir todavía más lejos. En lugar de utilizar un modelo que confirme nuestras decisiones, podríamos convertirlo deliberadamente en un sparring partner: pedirle que cuestione la pregunta de investigación, la selección de la población, las definiciones de exposición y desenlace, las fuentes de sesgo, las decisiones analíticas, la interpretación de los resultados y sus implicaciones éticas. Pero la responsabilidad de defender cada decisión seguiría siendo del investigador.
Y quizás también tengamos que cambiar la manera de evaluar.
Si únicamente evaluamos el producto final, cada vez será más difícil saber cuánto del proceso intelectual pertenece realmente al estudiante. Las defensas orales, las discusiones metodológicas, los ejercicios en los que sea necesario explicar cómo se construyó una decisión y la investigación sobre problemas reales y contextualizados pueden recuperar importancia. No se trataría de demostrar que alguien puede trabajar sin inteligencia artificial, sino de comprobar algo mucho más importante: que comprende aquello que hizo con ella y que podría cuestionarla cuando se equivoca.
Incluso valdría la pena incorporar una práctica sencilla: registrar durante un proyecto qué tareas fueron realizadas por el investigador, cuáles fueron apoyadas por IA y cuáles fueron delegadas. No necesariamente como un mecanismo de vigilancia, sino de metacognición. Hacernos periódicamente una pregunta incómoda: ¿esta herramienta está aumentando mi capacidad o estoy dejando de ejercitarla?
Quizás debamos proteger especialmente algunos momentos: la formulación inicial de la pregunta, la lectura profunda de los trabajos fundamentales, la construcción del argumento, las decisiones metodológicas críticas, la interpretación de los resultados y la defensa de las inferencias que hacemos a partir de ellos.
No porque la inteligencia artificial no pueda participar en estas tareas, sino precisamente porque son las que forman a un investigador.
La investigación siempre ha requerido algo que hoy corremos el riesgo de considerar ineficiente: detenerse frente a un problema que no entendemos, tolerar la incertidumbre, equivocarnos, regresar a los datos, discutir con otros, cambiar una hipótesis y volver a empezar.
Esa dificultad no siempre es un obstáculo que debamos automatizar. A veces es allí donde estamos aprendiendo a pensar.
Porque quizás la mayor amenaza no sea que la inteligencia artificial llegue a investigar mejor que nosotros.
Quizás sea que, fascinados por todo lo que puede hacer por nosotros, dejemos poco a poco de ejercitar aquello que nos convirtió en investigadores: la curiosidad, la capacidad de vivir con la incertidumbre, el pensamiento crítico y la necesidad profundamente humana de hacernos una buena pregunta.
Por eso, después de cinco años viendo crecer a AIpocrates y observando cómo estas herramientas han transformado nuestra manera de investigar, mi preocupación ya no es si debemos utilizar inteligencia artificial. Creo que esa discusión quedó atrás.
La pregunta que me parece mucho más importante es cómo utilizarla sin renunciar al esfuerzo intelectual que nos forma como investigadores.
Quiero una generación de investigadores que utilice todas las herramientas disponibles. Que programe mejor, analice más información, encuentre conexiones que antes no podíamos ver, trabaje con otras disciplinas y produzca ciencia de mayor calidad.
Pero también quiero que pueda cerrar el computador, ponerse frente a una pregunta difícil y pensar.
Porque podemos automatizar muchas partes de la investigación.
Lo que no deberíamos automatizar es la formación de una mente científica.
Referencias
Jose B, Cherian J, Verghis AM, Varghise SM, S M and Joseph S (2025) The cognitive paradox of AI in education: between enhancement and erosion. Front. Psychol. 16:1550621. doi: 10.3389/fpsyg.2025.1550621.
Burns M, Winthrop R, Luther N, Venetis E, Karim R. A new direction for students in an AI world: Prosper, prepare, protect [Internet]. Washington (DC): Brookings Institution; 2026 Jan 14
Artificial intelligence-related health research: ethics review and oversight. Geneva: World Health Organization; 2026.
Rodríguez Malagón N. De la incertidumbre a la toma de decisiones en clínica. Serie de Conferencias Fundadores, Departamento de Epidemiología Clínica y Bioestadística, Pontificia universidad javeriana. 10 de agosto de 2026. Disponible en: YouTube https://youtu.be/C333RUF9NHU?utm_source=chatgpt.com
Lozano JM. Aprender cómo, no solo qué pensar. Papel de la investigación durante la educación en salud [conferencia en Internet]. Serie de Conferencias Fundadores, Departamento de Epidemiología Clínica y Bioestadística; Pontificia universidad javeriana. . 2026 YouTube. Disponible en: https://youtu.be/07Wl9qj1Euw
aipocrates.blog 