Una pregunta urgente atraviesa hoy a la universidad investigadora: si la IA generativa abarata el costo de escribir un manuscrito, ¿qué le ocurre al sistema construido sobre el supuesto de que escribir era costoso? La Fuerza de Tarea de IA de Organization Science (Gartenberg, Hasan, Murray & Pierce, 2026) documenta, con datos propios de la revista, una respuesta inquietante: el sistema produce más investigación, no mejor.
La pieza reseñada#
Gartenberg, Hasan, Murray y Pierce (2026) publicaron en abril una editorial extensa en Organization Science —una de las revistas líderes en estudios organizacionales— en su calidad de Fuerza de Tarea de IA del comité editorial. Lejos del tono especulativo habitual en este tipo de textos, el documento se sostiene sobre un análisis empírico de 6,957 manuscritos y 10,389 informes de revisión recibidos por la revista entre 2020 y 2026, procesados con la herramienta de detección Pangram. El resultado es uno de los retratos más precisos disponibles hasta ahora del impacto de la IA generativa en el ciclo de producción científica.
Hallazgos centrales#
Volumen al alza, calidad a la baja#
Desde el lanzamiento de ChatGPT en noviembre de 2022, los envíos a la revista crecieron 42%, comparado con un 20% durante el periodo equivalente de la pandemia. La mayoría de los manuscritos hoy presenta algún grado de intervención de IA. Cuando esa intervención es alta —textos con puntuación de IA superior al 70%— las tasas de rechazo en escritorio aumentan de forma significativa.
El indicador que más se deteriora es legibilidad: los manuscritos con uso sustancial de IA muestran caídas en el índice Flesch de facilidad de lectura, acompañadas de mayor jerga, complejidad sintáctica y nominalizaciones (Gartenberg et al., 2026). Contraintuitivamente, los autores de instituciones donde el inglés no es la lengua materna no obtienen ventajas editoriales al usar IA, contradiciendo la narrativa de que estas herramientas democratizarían el acceso a la publicación internacional.
El espejo: revisores que también usan IA#
Más del 30% de los informes de revisión presenta uso detectable de IA. Estos informes tienden a ser más estrechos en alcance, privilegian la teoría sobre los datos y la evidencia empírica (las tablas y los resultados del manuscrito), y —dato significativo— influyen poco en la decisión editorial final. Es decir: editores experimentados ya están aprendiendo, de manera tácita, a descontar las revisiones generadas por IA.
Incentivos institucionales como causa#
El estudio aporta evidencia de que la adopción de IA es mayor entre autores de instituciones evaluadas con métricas competitivas tipo UT-Dallas (rankings basados en conteo de publicaciones en revistas selectas). El patrón apunta a una conclusión que excede a la revista en cuestión: la IA no creó el problema del publish or perish; lo está amplificando.
Por qué importa para una universidad de docencia#
Este editorial parece, a primera vista, un asunto interno de revistas de élite. Pero su lectura desde la docencia universitaria abre tres frentes pertinentes para la conversación que sostenemos en este Observatorio.
1. El argumento «la IA democratiza la escritura» pierde sustento empírico#
Una de las defensas más recurrentes para integrar IA en la formación universitaria es que nivelará el terreno para estudiantes de contextos lingüísticamente desfavorecidos. Los datos de Gartenberg et al. (2026) sugieren que, al menos en escritura académica avanzada, eso no está ocurriendo: el uso intensivo de IA correlaciona con peores resultados editoriales también para autores no nativos del inglés. La explicación plausible es que la IA produce un estilo homogéneo y reconocible —jerga, abstracción, nominalización— que los lectores expertos identifican y devalúan. La lección pedagógica es directa: no basta con habilitar a los estudiantes a usar IA; hay que enseñarles a no escribir como IA.
2. La paradoja del incentivo: qué medimos, eso obtenemos#
El hallazgo de mayor adopción de IA en instituciones con métricas competitivas conecta con un problema que la universidad ya conocía antes de 2022: cuando un sistema premia el conteo, los actores optimizan el conteo. La IA generativa simplemente reduce el costo marginal de producir un objeto contable —un manuscrito, un informe, una asignación, una tesis—. En docencia, este patrón se repite en miniatura cada semestre: si la rúbrica premia la entrega del producto (el archivo final) y no el proceso, la IA optimiza la entrega del producto. El estudio refuerza la línea argumental sostenida en la paradoja de la descarga cognitiva y en el debate de la nueva era de la evaluación en IA: rediseñar la evaluación es condición previa, no posterior, a la integración de IA.
3. La cultura técnica crítica como antídoto#
El trabajo de Gartenberg et al. (2026) muestra a editores que aprenden a leer las huellas de la IA (jerga, abstracción, nominalización) y a descontarlas. Esa competencia —reconocer qué hizo la máquina, qué hizo la persona y qué hizo el sistema editorial— es exactamente lo que en este Observatorio hemos venido llamando, siguiendo a Simondon y a Costa, cultura técnica crítica. La buena noticia es que los expertos sí distinguen; la mala es que esa competencia, hoy, sigue siendo tácita y costosa de transmitir.
Recomendaciones de los autores y su traducción al aula#
Las recomendaciones del editorial apuntan al rediseño institucional más que a la solución técnica:
- Incentivos de publicación transparentes, con criterios (qué cuenta y cuánto pesa) que prioricen calidad sobre volumen.
- Revisión de los criterios de promoción y permanencia académica (cuántas publicaciones se exigen y en qué revistas), para destensar la presión de la métrica.
- Sostenibilidad operativa de las revistas, eventualmente mediante cuotas de envío o mecanismos de filtrado temprano.
- Transparencia obligatoria en el uso de IA, tanto por autores como por revisores.
Traducidas al plano docente, estas recomendaciones tienen análogos directos:
- Rediseñar rúbricas para que premien decisiones antes que productos (el archivo entregado): qué se delegó a la IA, qué se conservó, qué se rediscutió.
- Incluir transparencia sobre el uso de IA como requisito de cada entregable, con el mismo estatus que una referencia bibliográfica.
- Crear instancias de evaluación sin IA en momentos críticos del proceso formativo, no como castigo sino como verificación de la capacidad propia.
- Reducir la dependencia de productos contables (entregas que sólo se cuentan): menos entregables aislados, más procesos visibles.
Lo que el editorial no resuelve#
Conviene leer el documento con su propia advertencia metodológica: los datos provienen de una sola revista y de la herramienta Pangram, cuya tasa de falsos positivos no es nula. La medición del «uso de IA» es indirecta —se infiere del texto resultante, no del proceso— y captura mal usos legítimos como la edición lingüística asistida. Los autores son conscientes de esto y lo declaran, pero la conclusión cuantitativa más fuerte —«42 % más envíos, calidad a la baja»— necesita replicación en otras revistas y otras disciplinas antes de generalizarse.
Lo que sí queda firmemente establecido es el argumento estructural: cuando una tecnología abarata el lado de la oferta de un mercado regulado por incentivos de conteo, el resultado predecible es más oferta de menor calidad. Ese diagnóstico no requiere Pangram para sostenerse.
Por qué lo compartimos#
La pieza es una de las primeras en aportar datos internos —no encuestas, no autorreportes— sobre lo que la IA generativa está haciendo a la producción de conocimiento académico. Para una universidad que forma a los próximos autores, revisores y editores, la conversación que abre es ineludible: si el sistema científico está descubriendo, con dolor, que necesita rediseñar sus incentivos, la docencia universitaria tiene la oportunidad de hacerlo antes —en escala más pequeña, con menos costo y más reversibilidad.
Referencias#
Gartenberg, C., Hasan, S., Murray, A., & Pierce, L. (2026). More versus better: Artificial intelligence, incentives, and the emerging crisis in peer review [Editorial]. Organization Science, 37(3). https://doi.org/10.1287/orsc.2026.ed.v37.n3