00:17¡Avanzamos con más de la ciencia, tecnología e innovación al servicio de nuestros pueblos
00:22del sur global! Esto es Atomun. Las herramientas de Deep Research permiten a los investigadores
00:29chatear directamente con repositorios masivos de PDFs mediante plataformas como Notebook, LM o SciSpace
00:39para extraer metodologías y fórmulas ocultas en segundos. Al mismo tiempo, sistemas como Research Rabbit
00:48mapean redes interconectadas que revelan enlaces conceptuales que al ojo humano le tomaría años
00:56detectar convirtiéndose a la IA en el copiloto definitivo de la mente científica. Sobre los
01:03alcances de la IA en el campo de la investigación científica, centramos la bitácora cognitiva de la
01:10semana. Acá el material, viajeros y viajeras del saber.
01:22Hoy, los algoritmos pueden procesar en minutos volúmenes de información que a un equipo humano
01:27le tomaría años examinar. Plataformas como Research Rabbit o Notebook, LM permiten conectar
01:34investigaciones, detectar patrones y encontrar relaciones que pueden pasar desapercibidas entre
01:40miles de documentos. Pero más velocidad no significa, por sí sola, más ciencia. La inteligencia artificial
01:47puede ayudar a explorar el conocimiento, pero también puede reproducir errores, sesgos o
01:53conclusiones mal interpretadas. Por ello, el desafío no es reemplazar la curiosidad humana, sino amplificarla,
02:00preguntar mejor, contrastar al algoritmo y decidir qué significan realmente sus hallazgos. En la era de la
02:06inteligencia artificial, el científico ya no será quien procese más datos, sino quien sepa hacer las
02:12preguntas correctas y cuestionar las respuestas de la máquina. La IA está transformando la
02:18investigación al combinar análisis predictivo y modelos generativos capaces de explorar enormes
02:23volúmenes de información, detectar patrones y proponer nuevas hipótesis. Pero la velocidad no
02:29garantiza la verdad. El reto está en contrastar, interpretar y dar sentido a lo que el algoritmo
02:35descubre. Es así, la inteligencia artificial está muy programada para dar respuestas, que encima
02:41llevan el discurso de gente muy inteligente, así que no suena inteligente. Están las palabras de
02:47Einstein, están las palabras de Newton, están las palabras de Martin Luther King. Sin embargo,
02:54la inteligencia artificial lo que no hace es inferir reglas, encontrar los patrones.
03:01La investigación científica entra en una nueva etapa. El laboratorio, entonces, ya no es solo
03:07un espacio físico, también es un entorno digital de co-creación, donde científicos y sistemas de IA
03:13exploran hipótesis a una escala antes impensable. Pero esta revolución plantea una pregunta clave.
03:19¿Quién conduce el descubrimiento? Si el algoritmo procesa los datos, encuentra patrones y sugiere
03:26respuestas. El papel humano pasa a ser aún más decisivo, cuestionar, contrastar y determinar qué
03:32significa cada hallazgo. Porque el mayor riesgo no es que la máquina piense por los humanos, sino que
03:38los humanos dejen de pensar qué preguntarle. Si en 2022 los grandes modelos de lenguaje llegaron
03:44al gran público como una novedad tecnológica, entre 2024 y 2025 surgieron sistemas capaces de
03:50razonar en varios pasos y afrontar tareas cada vez más complejas. Para la ciencia, el cambio es
03:56significativo. La IA ya puede analizar grandes volúmenes de información, formular hipótesis y
04:02acelerar procesos que antes se requerían horas o jornadas de trabajo. Pero su valor no está solo
04:08en la velocidad. Hoy las herramientas se evalúan por su capacidad de razonamiento, precisión y manejo
04:13de contextos complejos. ¿Cuáles son y para qué sirve cada una? Revisemos algunas de sus aplicaciones
04:19en la investigación científica. OpenAI 0103, referentes para tareas que requieren pasos
04:32lógicos, como derivar fórmulas o analizar sistemas complejos. Cloud 3.5 Sonet, procesa libros, bases de
04:45datos o grandes repositorios de código. Ofrece una redacción más natural y menos mecánica.
04:54DeepSeq R1, gana terreno por su razonamiento abierto y eficiencia en matemáticas y programación
05:00científica. Research Rabbit, mapea redes de citas, encuentra artículos similares y visualiza conexiones
05:11bibliográficas que Google Scholar no muestra. Notebook LM, permite cargar PDFs, sitios web y notas de
05:24investigación para crear un asistente que responde basándose en esas fuentes, facilitando el análisis
05:30documental y reduciendo el riesgo de alucinaciones. Elicit. Utiliza agentes de IA para revisar cientos
05:43de documentos, extraer y sintetizar hallazgos y comparar metodologías o resultados.
05:52Cursor. Editor de código con IA que permite crear scripts en Python o mediante lenguaje natural,
05:59facilitando la limpieza de grandes datasets y la automatización del análisis estadístico.
06:09Perplecity Eye, buscador con IA que consulta con fuentes en tiempo real, incluido RSIP y facilita
06:16la elaboración rápida y verificable de estados del arte. Para el investigador contemporáneo,
06:23los sistemas de razonamiento autónomo ya no son solo una herramienta. Plantean un nuevo desafío,
06:28cómo incorporarlo sin comprometer la integridad de los datos ni la ética del descubrimiento. Porque
06:33la ciencia del futuro no solo necesitará algoritmos más potentes, sino investigadores capaces de saber
06:39cuándo confiar en ellos y cuándo cuestionarlos. Hoy se tiene más información que nunca, pero eso no
06:45significa tener más conocimiento. Entre una respuesta generada y una evidencia científica,
06:50existe un paso irrenunciable, verificarla, contrastarla y entenderla. Por eso el futuro
06:55de la ciencia no dependerá solo de máquinas capaces de pensar más rápido, sino de humanos
07:00capaces de seguir pensando críticamente. La inteligencia artificial ha hecho más accesible
07:06la escritura científica, pero también plantea un nuevo problema. Una redacción impecable no garantiza
07:12una investigación de calidad. Los algoritmos pueden ayudar a organizar, resumir y redactar
07:18artículos en menos tiempo. Pero si la producción crece sin el mismo rigor en la validación, la ciencia
07:23corre el riesgo de quedar sepultada entre información difícil de filtrar, porque en la ciencia una frase
07:29perfectamente escrita no demuestra una verdad. La evidencia sí.
07:37El verdadero cuello de botella de la ciencia ha sido hackeado. En la era del Big Data, los científicos
07:44ya no tienen que perder meses depurando códigos o diseñando gráficos a mano. Hoy, entornos avanzados
07:51como Cursor o GitHub Copilot generan análisis estadísticos y visualizaciones dinámicas en
07:59cuestión de segundos. Al delegar la carpintería programática a la inteligencia artificial,
08:04los investigadores recuperan su rol más humano y disruptivo, encender el pensamiento crítico,
08:11interpretar la data y conceptualizar el futuro. Momento de una nueva pausa en Atomun. Pero antes,
08:19les invito a viajar en la data.
08:29La soberanía del juicio humano es el derecho y la responsabilidad de mantener el control sobre
08:35las decisiones, incluso cuando intervienen sistemas automatizados. La inteligencia artificial puede
08:41procesar datos a una velocidad inédita, detectar patrones y proponer respuestas, pero no puede
08:47convertirse en el árbitro final de la verdad. Por ello, el investigador del futuro no será un
08:52simple usuario de la IA. Deberá saber preguntar, contrastar y cuestionar lo que la máquina produce.
08:58El reto no es competir con la velocidad de los algoritmos, sino conservar la capacidad humana de
09:04darle contexto, sentido y propósito a los datos, porque cuando la inteligencia artificial propone,
09:09el juicio humano todavía debe decidir.
