Fábricas de artículos: IA y fraude científico

Una investigación científica puede tardar meses o años. Formular una pregunta pertinente, diseñar un método, obtener autorizaciones, recopilar datos, analizarlos, discutir sus límites y someter el manuscrito a revisión exige tiempo, criterio y responsabilidad. Una fábrica de artículos intenta reemplazar ese proceso por otro mucho más breve: producir una apariencia de ciencia que pueda comprarse, firmarse y publicarse. Estas operaciones no nacieron con ChatGPT ni con la inteligencia artificial generativa. Ya existían empresas que ofrecían manuscritos terminados, posiciones en la lista de autores, traducción, selección de revistas y acompañamiento hasta la indexación. La novedad es que la IA permite abaratar y acelerar varias etapas: generar variantes de un texto, reformular títulos y resúmenes, fabricar referencias plausibles, responder observaciones editoriales o producir imágenes que aparentan resultados experimentales. El riesgo, por tanto, no es simplemente que una máquina “escriba papers”. Es que un mercado organizado pueda escalar el fraude más rápido que los controles diseñados para revisar manuscritos individuales. Enfrentarlo requiere mirar la cadena completa y, sobre todo, los incentivos que la vuelven rentable. Una fábrica no vende solo un texto El informe sobre paper mills de COPE y STM define estas operaciones como procesos pagados que presentan manuscritos preparados en nombre de investigadores o venden lugares de autoría. Su oferta puede parecer, al comienzo, un servicio legítimo de edición o traducción. La frontera se cruza cuando promete una publicación garantizada, comercializa contribuciones inexistentes o fabrica evidencia. Pensar únicamente en el documento final oculta la dimensión del negocio. Una fábrica puede intervenir en distintos puntos: escoger un tema con posibilidades de aceptación; producir o reciclar texto, datos, tablas e imágenes; vender posiciones en la autoría y afiliaciones; seleccionar revistas y adaptar formalmente el envío; sugerir revisores o intervenir en una revisión falsa; contestar observaciones de editores; organizar citas para elevar métricas; reemplazar títulos o resúmenes para reducir similitudes visibles. Esto explica por qué el fraude industrial no siempre se presenta como un artículo torpe. Puede llegar acompañado de archivos completos, respuestas rápidas y una apariencia profesional. La dificultad está en que cada elemento, revisado por separado, puede parecer posible; el patrón emerge al conectar autores, imágenes, metadatos, secuencias de envío, cuentas de correo, contribuciones declaradas y relaciones de citación. La IA reduce el costo de producir plausibilidad El volumen Nuevas perspectivas sobre ética e integridad académica en la docencia y la investigación universitaria , publicado por UNESCO IESALC en 2026, describe una evolución desde el fraude artesanal hacia formas digitales, mercantilizadas y algorítmicas. La IA no inventa la motivación ni la oportunidad, pero puede multiplicar ambas. Antes, producir numerosas versiones de un manuscrito exigía equipos capaces de escribir, traducir, editar y responder a distintas revistas. Ahora es posible automatizar una parte de esas tareas. También se pueden generar variaciones suficientes para evitar coincidencias literales, crear imágenes sintéticas, fabricar referencias con formato correcto o elaborar una respuesta extensa ante una consulta editorial. Sin embargo, automatizar no significa garantizar coherencia científica. Los modelos pueden inventar fuentes, confundir métodos, repetir patrones, producir imágenes anatómicamente imposibles o sostener conclusiones que los datos no respaldan. Algunas huellas son evidentes: frases propias de una conversación con un chatbot que quedan dentro del texto o de la revisión. Retraction Watch mantiene una lista de ejemplos con rastros visibles de escritura generada en artículos, revisiones y respuestas a revisores. Esas huellas sirven como alerta, no como veredicto. Un texto asistido por IA no es automáticamente fraudulento, así como una redacción impecable no demuestra honestidad. La pregunta decisiva sigue siendo humana: ¿quién hizo la contribución intelectual, de dónde provienen los datos, qué decisiones metodológicas se tomaron, cómo se verificaron los resultados y qué se declaró con transparencia? Cuando el control artículo por artículo queda pequeño La escala cambia la naturaleza del problema. En una investigación acotada descrita por COPE y STM, dos revistas recibieron 3.440 manuscritos durante dos años y 1.950 fueron considerados probablemente fabricados; las autorías declaradas correspondían a más de 70 países. Esa proporción no representa a toda la publicación científica ni permite acusar a regiones completas. Sí muestra lo que ocurre cuando determinadas revistas son atacadas sistemáticamente: la revisión ordinaria puede quedar desbordada. Ya en 2021, una investigación publicada por Nature describía cómo editores detectaban títulos, gráficos e imágenes sorprendentemente similares en manuscritos sin autores ni instituciones comunes. El problema no terminaba al rechazar un envío. La misma estructura podía reaparecer en otro artículo o trasladarse a otra revista. Por eso, los controles aislados tienen límites. Un revisor experto puede detectar una inconsistencia disciplinar, pero no necesariamente sabe que la misma figura apareció en otros envíos. Una institución puede investigar a una persona, pero carecer de acceso a señales observadas por editoriales. Una revista puede retractar un artículo y, aun así, dejar intacta la red que vendió autorías, produjo datos y coordinó citas. La detección necesita combinar criterio científico y análisis de patrones. Ninguna señal aislada debería bastar para sancionar: una imagen parecida puede tener una explicación legítima; una frase extraña puede provenir de traducción; un resultado improbable puede ser verdadero. Pero varias anomalías convergentes justifican una revisión más profunda y la preservación de evidencia. El mercado crece donde publicar se convierte en moneda Sería cómodo presentar las fábricas como agentes externos que contaminan instituciones sanas. El diagnóstico quedaría incompleto. Estos negocios encuentran demanda cuando el número de publicaciones, el cuartil de una revista o una métrica de citación se transforman en atajos para decidir contratación, promoción, incentivos, acreditación o financiamiento. Los indicadores son necesarios, pero dejan de orientar cuando sustituyen el juicio. Si una organización recompensa volumen sin examinar contribuciones, datos, calidad y prácticas abiertas, crea una oportunidad que otros pueden explotar. La presión no excusa a quien compra una autoría o fabrica resultados. Sí obliga a revisar por qué una promesa evidentemente incompatible con la investigación —“publicación garantizada”— encuentra clientes. Para las instituciones de educación superior de Chile y América Latina, el riesgo tiene una dimensión adicional. La competencia global por visibilidad puede impulsar decisiones apresuradas, especialmente entre investigadores jóvenes, equipos con poco apoyo editorial o programas de posgrado que usan métricas rígidas. La respuesta no debe ser reducir estándares, sino acompañar mejor: formación en publicación, asesoría bibliotecaria, revisión de revistas, apoyo metodológico, protección para denunciantes y criterios de evaluación que reconozcan calidad, apertura, colaboración e impacto, no solo cantidad. Seis capacidades institucionales para responder Una estrategia seria necesita ir más allá de comprar un detector. Al menos seis capacidades resultan necesarias. 1. Revisar los incentivos Las instituciones deben auditar cómo usan publicaciones y citas en concursos, promoción, cargas académicas, premios y evaluación de posgrados. Un indicador puede informar una decisión, pero no reemplazar la revisión cualitativa de contribuciones y calidad. 2. Verificar autoría y contribuciones No basta solicitar una declaración formal. Ante señales de riesgo, conviene comprobar qué hizo cada autor, qué vínculo tiene con la afiliación declarada y quién puede responder por el método, los datos y el análisis. La trazabilidad debe ser proporcional al riesgo, no una carga indiscriminada para toda investigación. 3. Exigir procedencia de datos e imágenes Protocolos, aprobaciones éticas, registros de laboratorio, código, datos subyacentes y versiones de figuras permiten reconstruir el proceso. No todo puede abrirse públicamente, especialmente cuando existen datos sensibles, pero sí debe conservarse de manera segura y estar disponible para una revisión autorizada. 4. Conectar señales dispersas Bibliotecas, direcciones de investigación, comités de ética, programas de posgrado y unidades de calidad suelen observar partes distintas del problema. Necesitan un canal común para recibir alertas, consultar especialistas, preservar antecedentes y escalar casos. También se requiere cooperación con revistas, editoriales, financiadores e indexadores. 5. Investigar con garantías Una sospecha no equivale a culpabilidad. Los procedimientos deben definir responsabilidades, confidencialidad, protección frente a represalias, derecho a responder, manejo de conflictos de interés y criterios para corregir o retractar. La rapidez importa, pero no justifica acusaciones automáticas basadas en una herramienta. 6. Aprender después del caso La respuesta no termina con una sanción o retractación. La institución debe identificar qué incentivo, vacío de supervisión o debilidad formativa permitió el incidente; comunicar aprendizajes sin vulnerar derechos; y comprobar si las medidas adoptadas reducen el riesgo. Defender la ciencia sin convertirla en vigilancia permanente La investigación necesita confianza, pero no confianza ciega. También necesita control, pero no una sospecha generalizada sobre cada investigador ni sobre países completos. Las fábricas de artículos prosperan precisamente porque imitan señales de legitimidad. Combatirlas exige verificar mejor sin destruir las condiciones de colaboración, apertura y creatividad que permiten producir conocimiento. La IA vuelve urgente este equilibrio. Puede ayudar a encontrar patrones, revisar imágenes o comparar metadatos, pero también puede producir falsos positivos y ser utilizada por quienes fabrican contenidos. La respuesta sostenible combina tecnología, juicio experto, cooperación y debido proceso. Una fábrica puede generar un manuscrito plausible en poco tiempo. No puede reemplazar una cultura científica que valore preguntas relevantes, métodos transparentes, datos trazables, autorías responsables y capacidad para corregirse. Allí se juega la diferencia entre acumular publicaciones y producir conocimiento digno de confianza. Si te interesa seguir analizando los desafíos que están transformando la docencia, la investigación y la gestión institucional, regístrate gratis en InnovacionAcademica.org y participa en una comunidad que busca convertir evidencia y reflexión en mejores decisiones educativas. Fuentes consultadas UNESCO IESALC (2026), Nuevas perspectivas sobre ética e integridad académica en la docencia y la investigación universitaria . COPE y STM (2022), Paper Mills – Research report . Nature (2021), The fight against fake-paper factories that churn out sham science . Retraction Watch, Papers and peer reviews with evidence of ChatGPT writing .