La inteligencia artificial ya forma parte del día a día de la ciencia. Ayuda a escribir código, resumir literatura científica, preparar textos, explorar datos o automatizar tareas que hasta hace poco requerían mucho más tiempo. Pero su impacto va más allá de la productividad. ¿Cómo cambiará el trabajo en los laboratorios? ¿Qué competencias deberán adquirir las personas que se inician en la carrera científica? Y, sobre todo, ¿cuál es el papel de las instituciones para que esta transición sea responsable, segura e inclusiva?
A raíz de la mesa redonda ‘Will AI change your career? The impact of AI on science jobs’ — en el marco del Career Month organizado por los centros del Parque de Investigación Biomédica de Barcelona (PRBB) e Intervals — conversamos con David Brena, moderador de la sesión, sobre cómo estas tecnologías pueden transformar la manera de trabajar en ciencia. Para Brena, la cuestión no es solo qué puede hacer la IA, sino cómo incorporarla sin perder pensamiento crítico, conocimiento experto ni capacidad de decisión.
La charla contó con la participación de Natàlia Dave, Head of Strategy and Funding (SaF) en el Centro de Regulación Genómica (CRG) y representante de EU-LIFE en la ERA Action: AI in Science, Marta Lloret, Associate Director, Culture, Capability, Comms & Change en AstraZeneca y Alejandro Torres-Sánchez, Group Leader en la sede de Barcelona del Laboratorio Europeo de Biología Molecular (EMBL Barcelona). Tres ponentes cuyas trayectorias aportaron perspectivas diferentes sobre la IA: la estrategia institucional y política europea en ciencia, la formación, la industria, la investigación computacional y la práctica científica.
David Brena es senior scientific project manager en SaF del CRG, y está involucrado en iniciativas de estrategia institucional, talento y transformación, incluyendo el desarrollo de capacidades en inteligencia artificial, aprendizaje y adopción de nuevas herramientas. Sus reflexiones sirven como punto de partida para poner en contexto las aportaciones de los ponentes y las preguntas del público durante la sesión.
Aunque, tal y como reconoció David Brena al inicio de la sesión, el título de la charla tenía un punto dramático, para él la cuestión va más allá de si la IA eliminará puestos de trabajo o no: se trata de entender cómo cambiará la manera de trabajar en ciencia. “No creo que sustituya a las personas, pero sí que afectará a cómo vivimos la ciencia desde casi cualquier perspectiva”, explica. Un impacto que cree que se verá reflejado en todos los perfiles que contribuyen a la investigación: personal investigador, técnico, gestores de proyectos, personal administrativo y equipos de apoyo, entre otros.
Durante la charla, esta idea se amplió con una reflexión compartida por los ponentes: el impacto de la IA no dependerá solo de qué tareas pueda automatizar, sino de qué lugar ocuparán las capacidades humanas en este nuevo escenario. Natàlia Dave apuntó al riesgo de perder criterio si dejamos de enfrentarnos a tareas mentalmente exigentes, mientras que Marta Lloret defendió la necesidad de encontrar un nuevo equilibrio entre lo que puede aportar la IA y lo que sigue dependiendo de las personas.
La pregunta no es si la IA eliminará puestos de trabajo, sino cómo cambiará la manera de trabajar en ciencia.
Aprender a usar la IA sin dejar de pensar
Una de las ideas que apareció con fuerza durante la sesión es que no basta con saber que estas herramientas existen o haberlas probado. El reto es aprender a usarlas con criterio: entender cuándo tiene sentido recurrir a ellas, cómo darles contexto, cómo verificar los resultados y qué partes del proceso no deberían delegarse fácilmente.
Brena insiste en la importancia de no dar por buenos los resultados de la IA sin revisarlos, ya que estas herramientas pueden generar respuestas que suenan convincentes, pero que no siempre son correctas. Por eso, el pensamiento crítico sigue siendo esencial. La IA puede ayudar a preparar una primera versión, generar ideas o proponer caminos, pero la responsabilidad de validar, interpretar y decidir sigue recayendo en las personas.
El criterio científico también se construye desde la experiencia, la práctica y los errores.
Este punto es especialmente relevante para quienes empiezan una carrera científica. El uso temprano de estas herramientas no implica un problema en sí mismo, pero sí transforma la manera de aprender, de formular preguntas y de construir conocimiento. Por eso, más que desaconsejar su uso, el reto está en acompañarlo con una formación más consciente y crítica. Según Brena, el desafío es transmitir criterios de calidad: cómo saber si una respuesta es buena, si un código es correcto, si un análisis tiene sentido o si una fuente es fiable.
Esta preocupación también apareció entre el público de la charla: si cada vez automatizamos más partes del trabajo científico, ¿cómo aprenderán las nuevas generaciones a hacer ciencia? El debate apuntó que la IA puede acompañar el aprendizaje, pero que el criterio científico también se construye desde la experiencia directa, la práctica y el error.
Nuevas formas de trabajar en ciencia
La IA no solo puede cambiar la manera de aprender, sino también cómo se organizan las tareas dentro de la investigación. En los laboratorios, la automatización y los sistemas basados en IA podrían modificar el papel de perfiles técnicos e investigadores. En ámbitos más computacionales, las herramientas generativas ya están cambiando la manera de programar, analizar datos o visualizar resultados.
Torres-Sánchez aportó la mirada del día a día de un grupo de investigación. Aunque la IA no es una tecnología central en su laboratorio, sí se ha incorporado como herramienta de apoyo en tareas como la escritura, la traducción, la preparación de propuestas, el trabajo con modelos matemáticos o la programación. Según explicó, algunas tareas de programación que antes podían requerir semanas ahora pueden resolverse en pocas horas.
Esta capacidad de acompañar procesos técnicos también puede reducir la barrera de entrada a tareas que antes requerían conocimientos más especializados. Brena compara este cambio con lo que supuso YouTube para aprender a hacer cosas nuevas: si los tutoriales ya rompieron muchas barreras, la IA puede reducirlas todavía más, ya que ofrece una ayuda personalizada y adaptada al problema concreto de cada persona.
La automatización de procesos o las tareas no elimina la necesidad del conocimiento experto.
Pero eso no elimina el valor del conocimiento experto. Para interpretar los resultados, detectar errores o decidir si una solución tiene sentido, sigue siendo imprescindible entender el problema científico de fondo. La IA puede acelerar procesos, pero el criterio humano es clave para decidir qué preguntas vale la pena hacerse, valorar los resultados y entender sus implicaciones.
La discusión también llevó a reflexionar sobre el papel de los perfiles más júnior. Torres-Sánchez recordó que los y las estudiantes de doctorado son trabajadoras, pero también están en una etapa formativa. Por eso, el reto no es solo decidir qué puede hacer la IA, sino qué experiencias siguen siendo necesarias para formarse en la carrera científica.
El papel de las instituciones
La IA también puede cambiar la manera en que se organizan las instituciones científicas. Brena defiende que la adopción de estas herramientas no puede depender solo de la iniciativa individual de personas curiosas o más tecnófilas. Las instituciones deben ser las encargadas de decidir qué modelos se pueden utilizar, con qué datos y en qué condiciones.
Además, esta transición no avanzará igual para todo el mundo. Habrá personas que incorporen estas herramientas rápidamente a su día a día y otras que necesiten más tiempo, más formación o más garantías antes de modificar procesos que ya funcionan. Para Brena, ahí está una de las responsabilidades de las instituciones: no sólo facilitar el acceso a nuevas tecnologías, sino acompañar el cambio sin convertirlo en una carga más sobre el trabajo existente.
En este sentido, las instituciones del ámbito científico ya empiezan a tomar medidas, elaborando guías de uso, ofreciendo licencias profesionales, promoviendo formaciones internas o abriendo espacios para probar herramientas de manera segura.
Decidir cómo trabajar con datos sensibles, resultados no publicados o información interna será cada vez más importante.
Dave explicó que esta transición ya forma parte de las estrategias de algunos centros, como el propio CRG. También mencionó el trabajo de EU-LIFE, una alianza europea de centros de investigación con sede en el PRBB que está contribuyendo a la elaboración de guías vivas sobre el uso ético de la IA en el marco de la ERA Action dedicada al AI in Science. Esta iniciativa europea busca coordinar estrategias, capacidades y buenas prácticas para integrar la inteligencia artificial de forma responsable en la investigación, con la idea de que las guías puedan ir actualizándose a medida que las herramientas evolucionen y surjan nuevos retos.
Un acompañamiento al personal científico que también pasa por decidir cómo trabajar con datos sensibles, resultados no publicados o información interna. Así pues, la calidad de los datos, la confidencialidad, la reproducibilidad o el acceso controlado a la información y la soberanía y gobernanza de los datos serán cada vez más importantes a la hora de incorporar la IA a la investigación.
Qué competencias necesitaremos
Cuando Brena preguntó durante la sesión qué deberíamos aprender, probar o evitar delegar en la IA, las respuestas fueron más allá de una lista de herramientas. No señalaron una única competencia técnica, sino una combinación de curiosidad, criterio y capacidad de adaptación.
Lloret destacó la importancia de mantener la curiosidad, experimentar con las herramientas y entender dónde pueden ayudar, pero también conocer sus límites. Lo que no deberíamos delegar fácilmente, defendió, es el juicio humano y el pensamiento crítico. Dave puso el acento en otras competencias que pueden ganar peso en este nuevo contexto: la imaginación, la ética, la creatividad y, especialmente, la comunicación con otras personas. Y Torres-Sánchez insistió en que, aunque cambien las herramientas, seguirá haciendo falta criterio experto y dominio en el campo de estudio para interpretar preguntas científicas concretas, valorar las respuestas o detectar cuándo algo no encaja.
La IA puede ayudar, pero el criterio para decidir e interpretar debe seguir siendo humano.
Más allá de perfiles concretos, el debate apuntó a una idea común: la IA no solo exigirá competencias técnicas, sino también criterio. Saber formular buenas preguntas, entender los límites de las herramientas, evaluar resultados y mantener una mirada crítica serán habilidades cada vez más importantes para cualquier persona que trabaje en investigación.
En este sentido, la IA también podría tener un efecto menos evidente: si muchas personas utilizan las mismas herramientas y modelos, la forma de escribir, pensar o plantear preguntas puede volverse más homogénea. Por eso, el valor de la diversidad de perfiles, disciplinas y formas de mirar la ciencia podría ser todavía más importante en los próximos años.
Una transición que todavía podemos decidir
Más que ofrecer una respuesta cerrada, la charla sirvió para abrir una conversación que probablemente marcará el futuro de la investigación. La IA puede automatizar procesos, acelerar tareas y ampliar capacidades, pero la pregunta de fondo sigue siendo profundamente humana: cómo queremos trabajar, aprender y hacer ciencia a partir de ahora.
La clave, según Brena, es no esperar a que el cambio llegue sin haberlo pensado antes. “Estamos a tiempo”, dice. A tiempo de decidir cómo incorporar estas herramientas, cómo formar a las personas que las utilizarán y qué papel queremos que siga teniendo la mirada humana en la ciencia.
