El 89% de los artículos biomédicos deja huellas de IA, no una confesión
El 20 de agosto de 2026, el análisis publicado por Nature destacó un preprint que estima que el 89% de los artículos biomédicos en inglés de diciembre de 2025 incluidos en una muestra de PubMed Central mostraba señales de escritura asistida por modelos de lenguaje; la revista subrayó que la cifra supera ampliamente estimaciones anteriores y que el trabajo aún no había sido revisado por pares.
La cifra no demuestra que cada documento señalado fuera escrito por una IA. Es una estimación de prevalencia obtenida a partir de cambios colectivos en el vocabulario: identifica un exceso compatible con alguna intervención de un gran modelo de lenguaje, o LLM, pero no clasifica artículos individuales ni determina cuánto texto habría sido modificado.
De dónde sale exactamente el 89%
El preprint de Lena Holzwarth, Rita González-Márquez y Dmitry Kobak, depositado el 11 de agosto de 2026, calcula una prevalencia del 19% para los textos completos de 2023, del 52% para 2024 y del 77% para 2025, con un máximo mensual del 89% en diciembre de 2025; al comparar fragmentos de 255 palabras, la estimación de ese mes fue del 68% en discusión y del 32% en métodos.
La unidad afectada es el artículo, no cada palabra ni cada párrafo. Si una intervención localizada deja una señal en alguna de sus secciones, el documento puede contribuir a la prevalencia estimada aunque el resto del texto no muestre el mismo patrón. Por eso, interpretar la cifra como proporción de contenido generado multiplicaría el alcance real de la medición.
La longitud también importa. Al unir introducción, métodos, resultados y discusión, aumenta la oportunidad de encontrar vocabulario marcador; los fragmentos de igual extensión permiten comparar secciones con menos influencia de ese factor. La diferencia entre discusión y métodos sugiere una distribución desigual de las señales, no una medida directa de quién redactó cada parte.
Cómo funciona el método de palabras marcadoras
Una revisión metodológica de Phys.org describe un corpus de 1.194.287 trabajos biomédicos en inglés publicados entre 2017 y 2025, un conjunto de 379 palabras marcadoras y una comparación entre las frecuencias de 2018–2022 y las de 2023–2025; también recoge una validación con 100.000 textos simulados, en la que el error absoluto quedó por debajo de 0,02.
El procedimiento comienza calculando, para cada marcador o conjunto de marcadores, qué fracción de documentos contiene al menos una aparición. Se ajusta después una tendencia con el periodo anterior a la adopción generalizada de los LLM y se prolonga como escenario contrafactual: una estimación de cómo habría evolucionado ese vocabulario sin asistencia automática.
La distancia entre la frecuencia observada y la esperada alimenta un estimador de prevalencia. El método prueba distintos conjuntos de palabras, descarta configuraciones con demasiada incertidumbre y conserva el límite inferior más alto entre las opciones aceptables. Así intenta capturar intervenciones que un simple recuento del exceso bruto dejaría fuera.
Palabras como these, potential, delves, exacerbating o invaluable son vocabulario inglés normal. Una aparición aislada no funciona como firma: la información surge cuando muchas de esas palabras cambian de frecuencia de forma sistemática en un corpus amplio. El resultado se parece más a una estimación epidemiológica de prevalencia que a una prueba forense aplicada a un manuscrito.
Qué corpus representa y qué deja fuera
La muestra procede del subconjunto abierto de PubMed Central y exige textos en inglés con una estructura reconocible de introducción, métodos, resultados y discusión, o secciones equivalentes. Ese diseño permite comparar partes del artículo, pero excluye publicaciones cerradas, documentos en otros idiomas y trabajos que no siguen esa organización.
La base tampoco equivale exactamente a toda la producción biomédica revisada por pares. Incluye una pequeña presencia de prepublicaciones y puede conservar más de una versión de un mismo trabajo cuando el repositorio recibe tanto el manuscrito preliminar como su publicación posterior. La cifra, por tanto, describe el corpus seleccionado y no toda la literatura científica mundial.
Las comparaciones con estudios anteriores requieren la misma cautela. Analizar resúmenes no ofrece la misma oportunidad de detectar una intervención que examinar textos completos; tampoco son equivalentes un detector documental, una brecha de frecuencia y un estimador construido con conjuntos de marcadores. Una cifra superior puede reflejar mayor adopción de LLM, mayor sensibilidad metodológica o ambas cosas.
Límites, falsos positivos y estado de prepublicación
El supuesto decisivo es que la tendencia lingüística anterior a la difusión de los LLM representa bien el vocabulario humano que habría aparecido después. Si los científicos incorporan expresiones popularizadas por los modelos tras leerlas repetidamente, incluso sin usar una herramienta para editar sus manuscritos, parte del exceso puede atribuirse erróneamente a asistencia automática.
También puede ocurrir lo contrario. Quien evita deliberadamente términos asociados a los modelos reduce la señal aunque haya utilizado uno. Ambos efectos dificultan separar la intervención directa de la evolución natural —o estratégicamente modificada— del lenguaje académico.
El análisis no accede a historiales de edición, borradores, registros de plataformas ni declaraciones de los autores. Tampoco identifica la herramienta empleada o distingue entre traducción, corrección gramatical, reformulación de un pasaje y generación extensa. Mucho menos permite inferir que los datos, resultados o referencias de un artículo hayan sido fabricados.
El estado actual de la historia es, por ello, provisional: hay un corpus definido, un método explícito, código y datos que pueden someterse a escrutinio, pero falta revisión por pares y validación en otros repositorios, idiomas y patrones de escritura. La señal agregada respalda la hipótesis de una asistencia con LLM muy extendida; no constituye una confesión ni un certificado de autoría para ningún artículo concreto.
Lee también:
Suscríbete a nuestro boletín
Reciba las últimas noticias sobre Web3, IA y criptomonedas directamente en su bandeja de entrada.