Imagina el escenario límite: un sistema híbrido que combina modelos de Anthropic y OpenAI llega a un hallazgo científico de magnitud histórica, digamos, una vía terapéutica contra el cáncer. El modelo de OpenAI genera el 90 por ciento del razonamiento que lleva al hallazgo. Nadie lo menciona en un inicio. Anthropic publica el paper y lo difunde como un logro de su propio modelo. ¿Quién tiene razón para reclamar el mérito? La respuesta incómoda es que, hoy, no existe una regla de la industria que resuelva esto. El vacío no es un descuido menor: es estructural.
Lo que sí existe
La ciencia humana sí tiene marcos de atribución. El más usado es CRediT (Contributor Roles Taxonomy), que desglosa una investigación en catorce roles distintos (conceptualización, curación de datos, análisis formal, redacción, etc.) y que instituciones como el NIH usan activamente para resolver disputas de autoría <cite index=»1-1″>como herramienta para investigar y resolver conflictos de autoría antes y después de la publicación</cite>. Es una respuesta institucional a un problema que ya era común entre humanos: <cite index=»1-1″>una encuesta del Wellcome Trust con más de cuatro mil investigadores encontró que cuatro de cada diez habían experimentado que otros se apropiaran de su trabajo</cite>.
Las revistas científicas de mayor peso ya tienen postura sobre IA como autora, pero es una postura de exclusión, no de atribución graduada. <cite index=»6-1″>The Lancet ha sido explícito en que las herramientas de IA no cumplen los requisitos de autoría y no pueden ser acreditadas como autoras</cite>, y exige que su uso se declare, dejando la responsabilidad última en manos humanas. <cite index=»6-1″>Nature sostuvo en 2023 que los modelos de lenguaje no pueden ser acreditados como autores y que su uso debe reportarse de forma transparente en métodos o agradecimientos</cite>. El argumento de fondo, compartido por editoriales de Science y Nature, es que <cite index=»4-1″>los sistemas de IA no pueden asumir responsabilidad por afirmaciones científicas, aprobar versiones finales ni responder por errores</cite>.
Es un marco pensado para «IA como asistente de un autor humano», no para «modelo A de la empresa X colaborando con modelo B de la empresa Y dentro de un mismo pipeline». Ahí es donde el marco se queda corto.
El vacío específico: atribución entre modelos de distintas empresas
Ninguno de los marcos existentes responde a la pregunta que te haces: qué pasa cuando la contribución intelectual decisiva no viene de un humano, ni siquiera de «la IA» en abstracto, sino de un modelo propietario específico, dentro de un sistema donde compite (institucionalmente, no técnicamente) con otro modelo de otra empresa.
Lo más cercano que existe son los model cards: documentación técnica que describe qué modelo se usó, con qué parámetros, para qué tarea. Pero es autoimpuesta, no auditada por terceros, y no fue diseñada para resolver disputas de crédito entre empresas competidoras, sino para transparencia técnica hacia el usuario final. Un trabajo reciente sobre atribución de texto asistido por IA lo señala directamente: <cite index=»2-1″>los mecanismos de atribución estandarizados serán cada vez más importantes para mantener la credibilidad de la publicación académica conforme la IA participa más en el descubrimiento científico</cite>, pero reconoce que ese estándar todavía no existe de forma operativa.
Hay además un sesgo documentado en cómo las personas reparten el crédito cuando hay IA de por medio. Un estudio de IBM Research con trabajadores del conocimiento encontró que, <cite index=»3-1″>comparado con un colaborador humano, se observó un patrón consistente en el que se le asignaba menos crédito a la IA por contribuciones equivalentes</cite>. Es decir: incluso cuando la contribución del modelo es real y sustancial, hay una tendencia humana a minimizarla. Eso, aplicado al escenario que planteas, es doblemente peligroso: no solo falta la infraestructura para verificar quién hizo qué, sino que existe un sesgo psicológico previo que empuja a subestimar la aportación del modelo «ajeno» y sobrevalorar el propio.
Por qué la mentira sería difícil de sostener, pero no imposible de intentar
Un hallazgo del calibre que planteas atraería escrutinio inmediato: otros laboratorios, reguladores, la comunidad científica exigirían el pipeline completo para replicar el resultado. Ahí es donde la propia naturaleza computacional del proceso juega a favor de la verdad, a diferencia de un descubrimiento humano, un sistema de IA deja rastro de cómputo: tokens, timestamps, llamadas a API. Si OpenAI conservó sus propios registros de uso, tendría evidencia técnica para disputar la narrativa, con un incentivo comercial enorme para hacerlo.
Pero el rastro solo protege si alguien lo preserva y lo hace público. Nada obliga a esto todavía. Y mientras no exista una obligación normativa (algo como un estándar de procedencia verificable, análogo a un registro de cadena de custodia), la narrativa inicial la controla quien publica primero y con más alcance mediático, no necesariamente quien contribuyó más. Esto ya se observa en tensiones actuales de la comunidad científica de IA, donde <cite index=»10-1″>la comunidad internacional interpreta ciertas decisiones institucionales como una inserción de criterios ajenos a la revisión por pares y la difusión abierta del conocimiento</cite>, en referencia a un episodio distinto pero que ilustra el mismo problema de fondo: las reglas de juego en investigación asistida por IA se están escribiendo de manera improvisada y a menudo unilateral.
Una pista de hacia dónde va esto
Ya hay experimentos institucionales tratando de normalizar el problema desde otro ángulo, dejar que la IA sea autora y revisora declarada. La conferencia Agents4Science 2025 <cite index=»12-1″>limitó todos sus artículos a trabajos escritos y revisados por sistemas de IA</cite>, un experimento que un investigador en ciencias cognitivas calificó de interesante precisamente porque expone qué tan poco preparadas están las instituciones académicas para verificar autenticidad y atribución en ese entorno.
También hay evidencia de que la adopción de IA en ciencia ya está reconfigurando cómo se reparte el reconocimiento a nivel de campo completo. Un estudio aceptado por Nature, liderado por el sociólogo James Evans, <cite index=»9-1″>analizó más de 109 millones de artículos publicados entre 1980 y 2024</cite> y encontró que la investigación asistida por IA, aunque más prolífica, <cite index=»9-1″>cubre menos terreno temático que la investigación sin asistencia de IA</cite>. Es un dato colateral pero revelador: la concentración de temas probablemente vaya de la mano con una concentración de crédito en menos actores, los que controlan los modelos más usados.
El ángulo que vale la pena desarrollar
Ninguna revista, ningún regulador, ninguna norma internacional dice hoy qué pasa cuando el «colaborador» cuya contribución hay que evaluar es un modelo propietario de una empresa que compite con quien publica. Es, literalmente, una laguna: un vacío estructural en la topología de la producción de conocimiento, que no es neutral, porque favorece sistemáticamente a quien tiene más poder de difusión sobre quien tuvo la contribución real, sin que exista todavía ninguna institución con autoridad para arbitrar la diferencia.
