Durante décadas, el inglés ha actuado como una barrera invisible pero tangible en el mundo científico. Mientras investigadores estadounidenses y británicos publican sus hallazgos con la fluidez natural de quien escribe en su lengua materna, científicos de Corea del Sur, Arabia Saudita, China o Italia han debido enfrentar un obstáculo adicional: traducir no solo sus ideas, sino también el estilo, los matices y las convenciones del inglés académico. Esta asimetría lingüística ha generado costos ocultos: tiempo invertido en aprender a escribir como un angloparlante, recursos destinados a contratar editores profesionales, e incluso sesgo en las revisiones por pares que penalizan la escritura de quienes no dominan el idioma como nativos.
Ahora, un cambio tecnológico está comenzando a reescribir estas reglas. La llegada de ChatGPT a finales de 2022 marcó el inicio de una era donde la inteligencia artificial generativa, accesible y económica, promete reducir las desventajas que enfrentan los autores no angloparlantes. Un nuevo estudio analiza 5,65 millones de artículos científicos publicados entre 2021 y 2024 para responder una pregunta fundamental: ¿está la IA generativa funcionando realmente como un igualador lingüístico en la ciencia global?
La investigación, conducida por Dragan Filimonovic y Christian Rutzer de la Universidad de Basilea, junto con Jeffrey Macher de Georgetown University y Rolf Weder, también de Basilea, aporta la primera evidencia a gran escala de que la respuesta es afirmativa. Utilizando técnicas avanzadas de procesamiento de lenguaje natural, el equipo midió qué tan similares son los textos producidos por científicos de países no angloparlantes al estándar de escritura académica estadounidense. Los resultados revelan una convergencia significativa y creciente en los artículos asistidos por IA generativa tras el lanzamiento de ChatGPT, especialmente entre equipos de investigación que trabajan exclusivamente en países lingüísticamente distantes del inglés.
Este fenómeno no es menor. Representa una transformación en la comunicación científica global que podría democratizar el acceso a las publicaciones de alto impacto, reducir inequidades estructurales y ampliar la diversidad de voces en la producción de conocimiento. Pero también plantea interrogantes sobre homogeneización estilística, transparencia en el uso de estas herramientas y el futuro de las normas editoriales.
El contexto: décadas de desigualdad lingüística
Para comprender la magnitud del cambio que está ocurriendo, es necesario reconocer primero la profundidad del problema histórico. El inglés no solo es la lengua franca de la ciencia moderna, sino que su dominio ha creado ventajas estructurales para quienes lo hablan nativamente. Estudios previos documentan cómo investigadores de países no angloparlantes enfrentan mayores cargas de trabajo al escribir manuscritos, revisiones más severas que critican su estilo antes que su contenido, y menores tasas de aceptación en revistas prestigiosas.
Muchos científicos latinoamericanos, asiáticos, europeos del este y africanos han invertido años aprendiendo no solo inglés, sino el registro específico del inglés académico: ese conjunto de convenciones estilísticas, estructuras retóricas y vocabulario técnico que caracteriza a las publicaciones en Nature, Science o The Lancet. Algunos han pasado temporadas en universidades estadounidenses o británicas precisamente para absorber ese estilo. Otros contratan editores profesionales, cuyos servicios pueden costar cientos o miles de dólares por manuscrito.
Esta situación genera una injusticia sistémica: el mérito científico de una investigación puede quedar opacado por deficiencias percibidas en la redacción, incluso cuando el contenido es sólido. Revisores han rechazado manuscritos con comentarios como "redacción incómoda, reformular" sin señalar problemas sustantivos. La ironía es evidente: el idioma, que debería ser un vehículo para transmitir ideas, se convierte en un filtro que excluye contribuciones valiosas.
La revolución silenciosa de los modelos de lenguaje
ChatGPT, lanzado por OpenAI en noviembre de 2022, representó un punto de inflexión. Basado en un modelo de lenguaje de gran escala entrenado con vastas cantidades de texto, el sistema ofrece capacidades inéditas para asistir en tareas de escritura: desde corregir gramática hasta reformular párrafos completos, pasando por sugerir vocabulario más preciso o adaptar el tono a contextos académicos. A diferencia de traductores automáticos previos, estos modelos captan matices semánticos y estilísticos, produciendo texto que suena natural y fluido.
La adopción de estas herramientas en el ámbito científico ha sido rápida, aunque desigual. Investigaciones recientes identifican un "vocabulario excesivo" de términos estilísticos que han proliferado desde 2023 en publicaciones científicas: palabras como "delve" (profundizar), "intricate" (intrincado), "pivotal" (fundamental) o "unveil" (develar) aparecen con frecuencias anormalmente altas, sugiriendo el uso generalizado de asistentes de IA. Sin embargo, hasta ahora no existía evidencia clara de si este uso estaba reduciendo o amplificando las diferencias lingüísticas entre autores angloparlantes y no angloparlantes.
Metodología: midiendo la similitud lingüística a escala masiva
El estudio de Filimonovic y sus colegas aborda esta pregunta con un enfoque metodológico sofisticado. Partiendo de la base de datos Scopus, analizaron todos los artículos científicos en inglés publicados entre 2021 y 2024 que incluían al menos un autor afiliado a instituciones en países no angloparlantes. El corpus final comprende 5,65 millones de publicaciones, abarcando campos que van desde ingeniería hasta ciencias sociales.
Para identificar qué artículos fueron asistidos por IA generativa, los investigadores emplearon una estrategia basada en marcadores léxicos: rastrearon la aparición de 65 términos cuya frecuencia aumentó notablemente tras el lanzamiento de ChatGPT. Estos términos no son simplemente vocabulario técnico, sino palabras estilísticas características del output de modelos de lenguaje. Para evitar falsos positivos, aplicaron filtros específicos por campo científico, identificando solo aquellos términos cuya frecuencia se cuadruplicó o más entre 2021 y 2024 dentro de cada disciplina.
La medición de similitud lingüística constituye el núcleo técnico del análisis. Aquí es donde entra SciBERT, un modelo de lenguaje de la familia BERT diseñado específicamente para texto científico. SciBERT genera representaciones vectoriales de textos en un espacio semántico de alta dimensionalidad, donde la proximidad refleja similitud tanto lingüística como temática. Para cada publicación de autores no estadounidenses, los investigadores calcularon su similitud promedio con todos los artículos "puramente estadounidenses" del mismo campo y año, produciendo así una métrica continua que oscila entre 0 y 1.
Esta aproximación tiene ventajas significativas sobre medidas tradicionales de legibilidad o complejidad textual. Mientras que métricas como el índice Flesch miden cuán fácil es leer un texto, la similitud basada en embeddings captura qué tan parecido es ese texto al estándar angloparlante, considerando no solo estructura sintáctica sino también elección de vocabulario, construcciones retóricas y convenciones disciplinarias.
Los patrones globales de adopción
Los datos revelan una geografía claramente definida de la adopción de IA generativa. Países como India, Corea del Sur y Arabia Saudita muestran tasas de adopción superiores al veinte por ciento en 2024, mientras que naciones europeas como Alemania y Suecia, junto con países de habla inglesa, presentan cifras notablemente menores. Esta distribución no es aleatoria: existe una correlación inversa fuerte y estadísticamente significativa entre la proximidad lingüística al inglés estadounidense y la proporción de publicaciones asistidas por IA.
El Índice de Lenguaje Común, empleado para cuantificar distancia lingüística, considera tres componentes: la probabilidad de que dos individuos de distintos países compartan lengua materna, la presencia de idiomas oficiales comunes, y la similitud entre vocabularios básicos. Países con CLI bajo respecto al inglés estadounidense muestran mayor adopción de herramientas de IA en todos los dominios científicos analizados.
Este patrón se mantiene incluso al desagregar por disciplinas. En ingeniería y tecnología, donde la adopción es más alta en términos absolutos, la relación inversa entre distancia lingüística y uso de IA persiste. Lo mismo ocurre en ciencias físicas, ciencias de la vida y ciencias sociales, aunque con niveles de adopción distintos. La consistencia de esta relación a través de campos sugiere que los investigadores recurren a IA generativa principalmente para superar barreras idiomáticas, más que para generar contenido científico per se.
Convergencia estilística: la evidencia cuantitativa
El hallazgo central del estudio emerge al comparar la evolución temporal de la similitud lingüística entre publicaciones asistidas y no asistidas por IA. Antes de 2023, ambos grupos presentaban trayectorias paralelas, sin diferencias sistemáticas. A partir de 2023, coincidiendo con la difusión masiva de ChatGPT, las publicaciones identificadas como asistidas por IA comienzan a converger significativamente hacia el estándar estadounidense.
Los números son modestos en términos absolutos pero conceptualmente importantes. En 2023, las publicaciones asistidas por IA muestran un incremento de 0,15 por ciento en similitud respecto al año base 2022. En 2024, este efecto alcanza 0,4 por ciento. Dado que la similitud promedio ya supera el 82 por ciento, estos movimientos representan avances sustanciales en un espacio donde las mejoras marginales son difíciles de lograr.
Crucialmente, el diseño metodológico del estudio incorpora efectos fijos por país, campo, revista, año y combinaciones revista-año. Esto significa que las comparaciones se realizan dentro del mismo contexto editorial y temporal, controlando por cambios en composición temática o preferencias editoriales. La convergencia observada no puede atribuirse, por tanto, a que ciertos temas se volvieran más populares o a que determinadas revistas modificaran sus estándares.
El análisis por disciplinas revela matices interesantes. Ingeniería y tecnología, el campo con mayor adopción de IA, muestra también la convergencia más pronunciada: un incremento de 0,5 por ciento en 2024. Ciencias físicas y ciencias de la vida exhiben aumentos de 0,4 por ciento, mientras que ciencias sociales presentan el menor avance con 0,2 por ciento. Estas diferencias pueden reflejar variaciones en convenciones estilísticas disciplinarias, en la sofisticación técnica requerida del lenguaje, o en la apertura de comunidades académicas específicas al uso de herramientas tecnológicas.
Dónde la IA genera mayor impacto
Si la IA generativa actúa verdaderamente como igualador lingüístico, su efecto debería ser más pronunciado donde las barreras son mayores. El estudio pone a prueba esta hipótesis mediante análisis de subgrupos cuidadosamente diseñados.
Un primer contraste separa equipos de coautoría doméstica, donde todos los autores pertenecen al mismo país, de equipos internacionales con representación de múltiples naciones. Los resultados son claros: la convergencia es notablemente mayor en equipos domésticos. La explicación es intuitiva. Colaboraciones internacionales suelen incorporar experticia complementaria, incluido potencialmente soporte lingüístico de colegas angloparlantes. Equipos domésticos de países no angloparlantes carecen de este recurso, enfrentando la carga completa de la traducción y adaptación estilística. Para ellos, la IA representa una ayuda desproporcionadamente valiosa.
La segunda comparación, dentro de equipos domésticos, distingue países lingüísticamente cercanos al inglés de aquellos más distantes. Nuevamente, el patrón confirma la hipótesis: países lejanos del inglés experimentan convergencia significativamente mayor. Corea del Sur, China o Arabia Saudita, cuyos idiomas nativos difieren estructuralmente del inglés, obtienen beneficios superiores a Suecia o Alemania, donde el inglés es más accesible por proximidad histórica y educativa.
Una tercera distinción, aplicada a colaboraciones internacionales, contrasta equipos que incluyen al menos un coautor de país angloparlante con aquellos sin tal representación. Consistente con lo anterior, la convergencia es más fuerte cuando no hay presencia de hablantes nativos. La IA parece actuar como sustituto parcial de la experticia humana en inglés académico.
Finalmente, el análisis separa publicaciones según el factor de impacto de las revistas. Aquí surge un hallazgo revelador: la convergencia es más prevalente en revistas de menor impacto que en las de élite. Una interpretación plausible es que manuscritos enviados a revistas de alto prestigio ya atraviesan procesos exhaustivos de edición profesional, alcanzando un techo estilístico difícil de superar. En contraste, revistas de impacto moderado, donde los recursos editoriales son más limitados, representan terreno fértil para que la IA generativa marque diferencia.
Implicaciones para el ecosistema científico global
Los autores del estudio enmarcan sus hallazgos en teorías de comercio internacional, una analogía conceptual fértil. Al igual que la reducción de barreras comerciales permite a empresas de países en desarrollo competir en mercados globales, la disminución de fricciones lingüísticas podría permitir a científicos no angloparlantes acceder a espacios de publicación previamente vedados.
Los beneficiarios más inmediatos serían investigadores que, poseyendo ideas valiosas, han visto limitada su visibilidad internacional por deficiencias percibidas en su escritura. Con herramientas de IA, estos científicos podrían pulir manuscritos hasta estándares competitivos, aumentando tasas de aceptación y citación. Este efecto no es trivial: estudios muestran que artículos en inglés reciben exponencialmente más citas que aquellos en otros idiomas, perpetuando ciclos de visibilidad desigual.
Pero la analogía comercial sugiere también dinámicas competitivas. Si más autores no angloparlantes acceden a revistas de alto impacto, la competencia por espacios limitados se intensifica. Investigadores angloparlantes, especialmente aquellos con contribuciones marginalmente competitivas, podrían experimentar mayores dificultades para publicar. Esto podría inducir respuestas estratégicas: algunos podrían reducir su producción, mientras otros elevarían la calidad y originalidad de su trabajo, beneficiando al sistema en su conjunto.
A nivel macro, la democratización lingüística podría enriquecer el reservorio global de ideas. Así como el acceso a insumos intermediarios importados mejora productividad industrial, la incorporación de perspectivas antes excluidas por barreras idiomáticas podría catalizar innovación científica. La diversidad cognitiva y metodológica asociada a diferentes tradiciones intelectuales nacionales representa un activo subutilizado.
Además, existe evidencia creciente de que la ciencia enfrenta una desaceleración en descubrimientos disruptivos. Las tasas de generación de ideas verdaderamente novedas han caído, posiblemente debido a la concentración de recursos y atención en élites anglosajonas. Ampliar la participación global podría contrarrestar esta tendencia, introduciendo enfoques y preguntas que desafíen paradigmas establecidos.
Riesgos y debates abiertos
No todo es celebración. La convergencia lingüística documentada también plantea preocupaciones legítimas. Una crítica recurrente es que la IA generativa podría homogeneizar el estilo científico, erosionando diversidad retórica y convenciones locales que, lejos de ser deficiencias, representan riqueza cultural e intelectual. Si todos los textos comienzan a sonar como fueron escritos por el mismo modelo entrenado predominantemente en corpus anglosajón, se pierde la pluralidad de voces que enriquece el discurso académico.
El estudio reconoce explícitamente esta limitación. Medir similitud a un benchmark estadounidense captura movimiento hacia un estándar dominante, no necesariamente hacia mejor ciencia. Es concebible que la convergencia refleje conformidad con normas arbitrarias más que mejoras sustantivas en claridad comunicativa.
Otro desafío es la transparencia. Actualmente, pocos autores declaran explícitamente el uso de IA en sus manuscritos. Esta opacidad genera problemas de confianza: revisores y editores no saben si están evaluando la escritura original del autor o el output refinado de un modelo. Además, detectores automáticos de texto generado por IA han demostrado sesgos, marcando desproporcionadamente escritura de no nativos como "producida por máquinas", lo que ironicamente penalizaría a quienes la herramienta busca ayudar.
Existen también riesgos relacionados con acceso inequitativo. Si bien ChatGPT es relativamente económico, instituciones en países de menores ingresos podrían carecer de recursos para suscripciones premium o capacitación adecuada. Esto crearía una nueva capa de desigualdad: entre quienes pueden aprovechar IA avanzada y quienes no. Las ganancias de equidad lingüística podrían verse contrarrestadas por brechas en acceso tecnológico.
Hacia políticas editoriales informadas
Los autores del estudio proponen orientaciones para revistas, revisores y financiadores de ciencia. Reconociendo que prohibir el uso de IA es tanto impráctico como potencialmente injusto, sugieren tres pilares para una política responsable.
En primer lugar, transparencia sin fricción. Las revistas podrían implementar declaraciones simples donde autores indiquen qué herramientas usaron, para qué tareas específicas, y quién verificó el contenido final. Esto preserva confianza sin desincentivar uso legítimo. Modelos de declaración ya existen en contextos como conflictos de interés financiero; extenderlos a asistencia tecnológica es factible.
En segundo lugar, acceso equitativo. Organismos de financiamiento y universidades deberían subsidiar herramientas de IA y capacitación para instituciones subfinanciadas, especialmente en el Sur Global. Programas piloto podrían ofrecer licencias compartidas y talleres sobre uso responsable, maximizando beneficios donde son más necesarios.
En tercer lugar, orientación editorial renovada. Revisores deben recibir instrucciones explícitas de que asistencia lingüística declarada no debe pesar en evaluaciones de mérito científico. El objetivo es distinguir claridad estilística de contribución intelectual, juzgando manuscritos por sus ideas, métodos y evidencia, no por elegancia retórica. Esto requiere cambio cultural en comunidades acostumbradas a asociar calidad científica con pulimento idiomático.
Resistir la IA mediante detectores automatizados sería contraproducente. Estos sistemas, además de sesgados, son fácilmente burlables con ajustes simples en prompts. Políticas punitivas basadas en detección técnica arriesgan amplificar inequidades que se busca resolver.
Limitaciones y horizontes futuros
Los investigadores son transparentes sobre las limitaciones de su trabajo. La identificación de artículos asistidos por IA depende de marcadores léxicos en títulos y resúmenes, lo cual subestima adopción real si autores usan IA en secciones internas sin afectar esas partes visibles. Herramientas de estilometría de texto completo y detectores validados mejorarían precisión.
Además, clasificar autores según afiliación institucional asume que todos los miembros de instituciones en países no angloparlantes enfrentan barreras lingüísticas similares, ignorando variabilidad individual. Académicos bilingües o con formación internacional pueden no requerir asistencia, introduciendo ruido en las mediciones.
Otra limitación es el diseño observacional del estudio. Si bien los controles estadísticos son robustos, establecer causalidad definitiva requeriría experimentos naturales, como implementaciones institucionales escalonadas de acceso a IA, o mandatos editoriales de divulgación que permitan rastrear efectos individuales.
Finalmente, comprender matices de campo, comportamientos de divulgación y la interacción entre edición humana y asistencia automatizada demanda investigación cualitativa complementaria. Entrevistas con autores, editores y revisores iluminarían cómo estas herramientas se integran en prácticas reales de escritura científica.
Tecnología, lenguaje y democracia científica
El estudio de Filimonovic, Rutzer, Macher y Weder aporta evidencia empírica rigurosa de un fenómeno emergente que muchos intuían pero pocos habían cuantificado. La IA generativa no es solo otra herramienta tecnológica en la caja de recursos del científico moderno; es un agente de cambio estructural que está redistribuyendo capital simbólico en el campo científico global.
La metáfora del "igualador lingüístico" captura bien esta dinámica. Durante generaciones, el dominio del inglés académico funcionó como mecanismo de exclusión, concentrando prestigio y recursos en centros angloparlantes mientras relegaba contribuciones periféricas. La tecnología ofrece ahora una ruta para erosionar esa jerarquía, no eliminando el inglés como lingua franca, sino bajando dramáticamente los costos de participación para quienes no lo hablan nativamente.
Pero como toda transformación tecnológica profunda, esta trae consigo tensiones y disyuntivas. Homogeneización versus diversidad, transparencia versus privacidad, acceso universal versus nuevas brechas digitales. Navegar estas tensiones requerirá sabiduría colectiva, experimentación institucional y voluntad política.
Lo que está en juego no es menor: la configuración futura del sistema global de producción de conocimiento. Un sistema más inclusivo, donde talento e ideas prevalezcan sobre accidentes geográficos o lingüísticos, promete avances científicos más rápidos y soluciones a problemas globales más efectivas. Realizar ese potencial dependerá de las elecciones que investigadores, editores y responsables de políticas hagan en los años venideros.
La IA generativa no resolverá por sí sola las profundas desigualdades que estructuran la ciencia contemporánea. Pero constituye una herramienta poderosa que, empleada reflexivamente y complementada con inversiones en acceso equitativo, capacitación y normas editoriales justas, puede contribuir a construir un ecosistema científico verdaderamente global. La evidencia presentada en este estudio sugiere que esa transformación ya comenzó.
Referencias
Filimonovic, D., Rutzer, C., Macher, J. T., & Weder, R. (2025). Generative AI as a Linguistic Equalizer in Global Science. arXiv:2511.11687v1 [cs.CY]. University of Basel y Georgetown University.
Beltagy, I., Lo, K., & Cohan, A. (2019). SciBERT: A pretrained language model for scientific text. arXiv preprint arXiv:1903.10676.
Amano, T., González-Varo, J. P., & Sutherland, W. J. (2016). Languages are still a major barrier to global science. PLoS Biology, 14(12), e2000933.
Kobak, D., González-Márquez, R., Horváat, E.-Á., & Lause, J. (2025). Delving into LLM-assisted writing in biomedical publications through excess vocabulary. Science Advances, 11(27).
Hanauer, D. I., Sheridan, C. L., & Englander, K. (2019). Linguistic injustice in the writing of research articles in English as a second language: Data from Taiwanese and Mexican researchers. Written Communication, 36(1), 136-154.
Melitz, J., & Toubal, F. (2014). Native language, spoken language, translation and trade. Journal of International Economics, 93(2), 351-363.
Liang, W., et al. (2024). Monitoring AI-Modified Content at Scale: A Case Study on the Impact of ChatGPT on AI Conference Peer Reviews. Proceedings of Machine Learning Research, 235, 29575-29620.
Montgomery, S. L. (2013). Does science need a global language?: English and the future of research. University of Chicago Press.
Scopus Database. Elsevier. The Scopus Content Coverage Guide (2023).
Melitz, M. J. (2003). The impact of trade on intra-industry reallocations and aggregate industry productivity. Econometrica, 71(6), 1695-1725.
