Usos de la Inteligencia Artificial en Investigación Académica

Introducción (jueves 10-09-2026, 10:00–12:40)

Lecturas:

Accelerating Scientific Research with Gemini: Case Studies and Common Techniques
First Proof
An AI Tsunami is about to Hit Science
Will artificial intelligence soon escape human control? (The Economist)
Coding Agents in the Social Sciences (Lyttelton, Massenkoff & Wilmers, 2026)
Encuesta a 1.260 científicos sociales cuantitativos sobre la adopción de agentes de programación (como Claude Code) en la investigación académica. Aunque los chatbots de IA ya tienen amplia adopción (81%), los agentes de programación —herramientas autónomas que escriben y ejecutan código de análisis— solo los usa regularmente el 20%. La adopción es desigual: lideran economistas (39%) y cientistas políticos (25%), mientras que salud pública, educación y comunicaciones quedan rezagados (4-6%); los investigadores en etapas tempranas la adoptan más que los profesores titulares, y se observan brechas por género y por prestigio institucional. El uso dominante es generar código de análisis (97% de los usuarios), por sobre editar código o escribir prosa. Quienes los usan reportan más working papers (~75% más) y más postulaciones a fondos, pero sin aumento medible en envíos a revistas, lo que sugiere una aceleración de las etapas tempranas del pipeline de investigación más que ganancias integrales de productividad.

Generación de hipótesis con IA: el «AI co-scientist» (jueves 17-09-2026, 10:00–12:40)

Lecturas:

Towards an AI Co-Scientist (Gottweis et al., 2025)
Accelerating scientific breakthroughs with an AI co-scientist (Google Research — implementación de la herramienta de generación de hipótesis).

Actividad: Todos los alumnos leen el paper. Un alumno asignado lo lee en profundidad y lo presenta al resto de la clase para motivar la discusión.

Descubrimiento computacional: IA que escribe software empírico de nivel experto (jueves 24-09-2026, 10:00–12:40)

Lecturas:

An AI system to help scientists write expert-level empirical software (Nature, 2026)

Actividad: Todos los alumnos leen el paper. Un alumno asignado lo lee en profundidad y lo presenta al resto de la clase para motivar la discusión.

Agentes de programación y pipelines de investigación: Claude Code, Codex y Clo-Author (jueves 01-10-2026, 10:00–12:40)

Herramientas:

Claude Code (Anthropic)
Codex (OpenAI)
Clo-Author, scaffold de código abierto para investigación empírica, creado por Hugo Sant'Anna (UAB). Guía de uso.

Contenidos:

Pares adversariales worker-critic: cada agente creador es evaluado por un crítico independiente que asigna un puntaje, pero no puede editar archivos; el creador no puede evaluarse a sí mismo y los desacuerdos persistentes escalan al investigador.
Quality gates con puntuación ponderada: la estrategia de identificación, la teoría, el código, la literatura, los datos y la revisión reciben pesos y umbrales explícitos antes de permitir commits, pull requests o una entrega final.
Orquestación mediante grafos de dependencias: cada agente declara los insumos que requiere y los productos que genera. El orquestador valida dependencias, ejecuta tareas independientes en paralelo y permite reingresar en una etapa específica sin reiniciar todo el proceso.
Peer review simulado: un editor realiza una revisión inicial y asigna árbitros ciegos con distintas disposiciones intelectuales. Los comentarios se clasifican según sean fatales, abordables o cuestiones de gusto y se dirigen al agente correspondiente.

Actividad: A partir de una idea de paper, los alumnos diseñan un pipeline mínimo con cuatro productos —mapa de literatura, memo de identificación, script de análisis y borrador—, asignan un creador y un crítico a cada producto, especifican sus dependencias y definen reglas de escalamiento humano. Luego simulan un comentario de árbitro y lo enrutan únicamente al agente responsable.

Discusión de cierre: Clo-Author es un scaffold, no un autor. Su interés es incorporar al flujo de trabajo con LLM parte de la estructura social de la ciencia —separación entre creación y crítica, revisión ciega, umbrales de calidad, trazabilidad y veto humano—. El investigador conserva la responsabilidad por la evidencia, la interpretación, la divulgación del uso de IA y la decisión sobre qué se entrega o publica.