¿Qué ocurre cuando una IA propone una teoría científica inesperada?

• Francisco María
• Colaboro en diferentes medios y diarios digitales, blogs temáticos, desarrollo de páginas Web, redacción de guías y manuales didácticos, textos promocionales, campañas publicitarias y de marketing, artículos de opinión, relatos y guiones, y proyectos empresariales de todo tipo que requieran de textos con un contenido de calidad, bien documentado y revisado, así como a la curación y depuración de textos. Estoy en permanente crecimiento personal y profesional, y abierto a nuevas colaboraciones.
• • 28/06/2026 11:15
  • Actualizado: 28/06/2026 11:15

La Inteligencia Artificial no deja de evolucionar y de sorprender en muchos casos a los científicos. En determinados contextos, algunos modelos son capaces de sugerir explicaciones alternativas para fenómenos conocidos o plantear relaciones que nadie había considerado con anterioridad.

Ese escenario abre una cuestión fascinante y en algunos casos parece obligar a replantear el método tradicional del proceso científico.

La inteligencia artificial introduce un elemento nuevo en esa dinámica. Puede generar miles de hipótesis en cuestión de minutos, comparar millones de combinaciones de variables y explorar espacios matemáticos que serían prácticamente inaccesibles para un equipo humano. Esa capacidad no implica que sus conclusiones sean ciertas, pero sí aumenta considerablemente el número de posibilidades que merece la pena investigar.

Cómo es la dinámica de la IA

Conviene entender cómo llega una IA a plantear una hipótesis. A diferencia de un científico, no experimenta curiosidad ni busca responder preguntas porque le resulten intelectualmente estimulantes. Su funcionamiento consiste en analizar enormes volúmenes de información y detectar relaciones estadísticas, estructuras repetidas o anomalías que destacan dentro del conjunto de datos. Cuando esas relaciones parecen consistentes, el sistema puede proponer una explicación provisional.

Aquí aparece una diferencia importante. Un investigador suele construir una teoría apoyándose en conocimientos previos, intuición, experiencia de laboratorio y comprensión del contexto. La inteligencia artificial no posee ese tipo de comprensión. Puede encontrar conexiones sorprendentes sin saber realmente qué significan desde un punto de vista físico, biológico o químico.

Esa aparente limitación, curiosamente, también representa una ventaja.

Los científicos desarrollan inevitablemente ciertos sesgos. Todos los especialistas trabajan dentro de marcos conceptuales que condicionan su manera de interpretar la realidad. La IA no comparte necesariamente esas limitaciones culturales o académicas. Puede relacionar variables que ningún experto uniría porque la tradición científica las considera independientes.

Ejemplos en áreas concretas

En investigación biomédica ya existen ejemplos interesantes. Algoritmos entrenados con millones de publicaciones han identificado posibles usos terapéuticos para medicamentos diseñados originalmente con otro propósito. En algunos casos, esas predicciones terminaron siendo confirmadas mediante estudios posteriores. El algoritmo no descubrió un nuevo principio biológico por sí solo, pero sí señaló un camino que nadie había explorado con suficiente profundidad.

Algo parecido ocurre en química y ciencia de materiales. Sistemas de aprendizaje automático han propuesto estructuras moleculares con propiedades prometedoras para fabricar baterías, superconductores o nuevos catalizadores. Después corresponde a los laboratorios sintetizar esos materiales y comprobar si realmente funcionan.

La situación cambia cuando la IA no solo identifica patrones útiles, sino que plantea una explicación completamente nueva para un fenómeno conocido.

Imaginemos que un modelo matemático encuentra una regularidad desconocida en el comportamiento de determinadas partículas o detecta una relación inesperada entre variables climáticas. El algoritmo podría sugerir una teoría capaz de explicar esos resultados. ¿Basta con que las ecuaciones encajen? Evidentemente no.

La ciencia nunca ha funcionado mediante autoridad. Tampoco debería hacerlo cuando el supuesto autor es una máquina.

Hipótesis y teorías

Toda hipótesis necesita superar el mismo filtro: debe formular predicciones verificables. Si esas predicciones se cumplen repetidamente mediante experimentos independientes, la comunidad científica empezará a tomarla en serio. Si fallan, la teoría quedará descartada, con independencia de que la haya propuesto un investigador premiado o una inteligencia artificial.

Ese principio protege el método científico frente al entusiasmo excesivo.

No conviene olvidar que los modelos actuales también producen errores. En ocasiones encuentran patrones completamente reales desde el punto de vista estadístico que, sin embargo, carecen de significado físico. Es un fenómeno conocido como correlación espuria. Dos variables pueden evolucionar juntas durante años sin que exista una relación causal entre ambas.

Los investigadores conocen muy bien ese riesgo.

Por ese motivo, una hipótesis generada mediante inteligencia artificial suele convertirse únicamente en el punto de partida. A partir de ahí comienza el verdadero trabajo científico: diseñar experimentos, recopilar nuevas evidencias, reproducir resultados y comprobar si la explicación resiste cuando cambian las condiciones.

La explicación del proceso

Existe otro aspecto especialmente interesante. Muchas IA son capaces de producir respuestas muy eficaces, pero no siempre explican de forma transparente cómo han llegado hasta ellas. Este problema, conocido como el de la «caja negra», genera cierto recelo en disciplinas donde comprender el mecanismo resulta tan importante como obtener el resultado.

Un médico difícilmente aceptaría administrar un tratamiento únicamente porque un algoritmo afirma que funcionará. Necesita saber por qué, cuáles son las bases biológicas y qué evidencia experimental lo respalda. En física sucede exactamente igual. Una ecuación brillante pierde buena parte de su valor si nadie puede interpretar el proceso que la sustenta.

La explicabilidad se ha convertido, por tanto, en uno de los grandes retos de la inteligencia artificial aplicada a la investigación científica.

También empiezan a surgir preguntas sobre la autoría intelectual. Si una IA propone una hipótesis que termina revolucionando una disciplina, ¿quién merece el reconocimiento? La máquina no posee creatividad consciente ni intención de descubrir nada. Detrás existen investigadores que diseñaron el modelo, equipos que prepararon los datos y científicos que verificaron experimentalmente cada predicción.

Quizá la pregunta más interesante no sea si una IA podrá formular una teoría revolucionaria. Es perfectamente posible que ocurra en algún momento. La cuestión realmente importante es cómo reaccionará la comunidad científica cuando esa teoría desafíe décadas de conocimiento establecido.