Una fotografía de la Tierra brillando en el espacio profundo, con el horizonte lleno de cráteres de la Luna extendiéndose en primer plano, llamó la atención de muchas personas en abril de 2026. Los astronautas capturaron la imagen mientras estaban en la misión Artemis II de la NASA y, al igual que la famosa imagen “Earthris” del Apolo 8, la imagen inmediatamente llamó la atención de muchos como real e inspiradora.
Pero cuando casi cualquier persona puede crear una imagen visualmente similar en segundos a partir de un mensaje de texto usando inteligencia artificial, ¿cómo decide la gente qué imagen es real?
La proliferación de imágenes científicas generadas por IA en espacios públicos no es sólo un problema de desinformación. Como investigador que estudia la comunicación científica visual y la confianza pública, creo que esto también está contribuyendo a la crisis de confianza en la ciencia en la era de la inteligencia artificial, y las herramientas en las que los científicos han confiado durante mucho tiempo para establecer la credibilidad visual están perdiendo su impacto.
Las imágenes generadas por IA se están infiltrando en la ciencia
Las herramientas de inteligencia artificial ya están cambiando la forma en que se crean, comparten y publican imágenes científicas.
Los investigadores los utilizan para generar ilustraciones, crear datos sintéticos, editar imágenes de laboratorio y producir materiales para educación e información pública.
Si bien la inteligencia artificial puede ayudar a los científicos a comunicar ideas complicadas de manera más creativa y efectiva, estas mismas herramientas están desdibujando las líneas entre ilustración, mejora y fabricación.
En 2024, dos artículos fueron retractados tras la publicación de figuras generadas por IA con estructuras biológicamente imposibles. En abril de 2026, el New England Journal of Medicine se retractó del artículo tras revelar que el cuadro clínico había sido manipulado por IA. Estos son sólo los casos que han llamado la atención del público y probablemente sean sólo la punta del iceberg. Los investigadores han advertido que las imágenes generadas por IA representan una amenaza creciente para campos que dependen en gran medida de evidencia visual, como la ciencia de materiales.
Los editores académicos están empezando a adoptar herramientas de descubrimiento de IA. Sin embargo, los sistemas diseñados para detectar imágenes falsas casi siempre quedarán atrás de los sistemas diseñados para crearlas. Muchos detectores sólo pueden identificar los patrones de imágenes para los que están entrenados. A medida que surgen nuevos modelos de IA, los desarrolladores deben adquirir constantemente nuevos datos y volver a capacitar a los detectores para mantenerse al día.
La mayor preocupación son las imágenes de apariencia realista que distorsionan sutilmente los detalles científicos sin dejar de ser lo suficientemente creíbles como para pasar la inspección inicial.
Cree en las imágenes científicas
Durante décadas, las imágenes científicas tuvieron autoridad en parte porque eran difíciles de producir. Hacer imágenes microscópicas, mapas climáticos y fotografías espaciales requirió equipos costosos, recursos institucionales y experiencia especializada. La mayoría de la gente suponía que esas imágenes representaban observaciones verdaderas porque muy pocas personas podrían haberlas hecho.
La investigación en comunicación científica, incluida la mía, sugiere que las personas evalúan imágenes científicas utilizando varios atajos mentales. ¿La imagen parece técnicamente sofisticada? ¿Proviene de una institución de confianza? ¿Coincide con lo que ya creo? La IA generativa socava estas tres heurísticas o atajos mentales.
Hoy en día, cualquiera puede crear una imagen elegante y de aspecto científico a partir de una consulta de texto. Las imágenes también se separan de su fuente original cuando circulan en línea. Cuando la calidad visual y la atribución institucional se convierten en señales poco fiables para juzgar la credibilidad de las imágenes científicas, la gente tiende a confiar en algo más: sus creencias previas.
Esta imagen de la Tierra tomada por la misión Artemis II en abril de 2026 es muy real. ¿Todos creen eso? NASA
Como resultado, las imágenes científicas auténticas que desafían las creencias existentes ahora pueden descartarse como generadas por IA, mientras que las imágenes ficticias que las confirman se aceptan fácilmente como evidencia. De esta manera, la IA puede mejorar el razonamiento motivado, es decir, la tendencia de las personas a aceptar aquello con lo que ya están de acuerdo y cuestionar lo que no.
Este cambio es importante porque las representaciones visuales han servido durante mucho tiempo como evidencia de afirmaciones científicas. El público no experto confía en las imágenes no sólo para ver lo que los científicos han descubierto, sino también para desarrollar una conexión emocional y percibir credibilidad en la ciencia que se presenta.
Si el público deja de confiar por completo en la evidencia visual, la ciencia pierde una de sus herramientas más poderosas para la comunicación pública.
Transparencia, no restricciones
Las herramientas de inteligencia artificial ofrecen ventajas reales para que los investigadores comuniquen su trabajo a audiencias diversas. El desafío es utilizar estas herramientas sin transmitir silenciosamente el déficit de credibilidad de la inteligencia artificial a la ciencia que las imágenes deben transmitir.
Una forma práctica de avanzar es que los investigadores traten la procedencia de la imagen (de dónde vino la imagen y cómo se creó) con la misma seriedad que ya aplican a la procedencia de los datos.
Los científicos divulgan habitualmente fuentes de financiación, metodologías de estudio y conflictos de intereses. Es posible que ahora sean necesarios estándares similares para las imágenes científicas. ¿Se utilizó IA para generar o modificar esta imagen? ¿Es observación directa, simulación o ilustración? ¿Qué representa exactamente la imagen y cómo se verifica? ¿Pueden otros investigadores replicarlo?
Una imagen científica particularmente inexacta de una rata publicada en una revista se ha vuelto viral.
Mis colegas y yo hemos descubierto que la familiaridad con la IA influye significativamente en la forma en que juzgan la credibilidad de las imágenes generadas por la IA. Aquellos familiarizados con las herramientas de IA eran más propensos a ver la divulgación de la IA como una señal de transparencia, y algunos calificaron el contenido generado por IA claramente etiquetado como más creíble que el contenido sin etiquetar.
La transparencia brinda al público el contexto necesario para evaluar lo que ve, pero puede que no resuelva todas las disputas sobre cómo se crean las imágenes. El uso responsable de imágenes científicas generadas por IA requerirá honestidad, respeto por las normas profesionales y el desarrollo colectivo de estándares basados en evidencia en todos los campos.
Por qué las imágenes auténticas siguen siendo poderosas
La fotografía original de 1968 del “Salida de la Tierra” del Apolo 8 tiene un impacto emocional significativo. Así como imágenes de Artemisa II de 2026.
Lo que los hace significativos no es sólo su belleza. Es su conexión rastreable con la realidad científica. Cuando la gente mira estas fotografías de los planetas, también sabe que detrás de las imágenes hay astronautas, cámaras físicas, misiones documentadas y observaciones verificables. En este sentido, la autenticidad es la relación documentada entre la imagen y el mundo.
En la era de la inteligencia artificial generativa, las instituciones científicas ya no pueden dar por sentado que el público creerá automáticamente en sus representaciones visuales. La confianza ahora depende de la transparencia, la documentación y la comunicación clara sobre cómo se crea la evidencia visual.
Sin directrices y estándares, la ciencia corre el riesgo de entrar en un mundo donde cada imagen puede ser cuestionada y ninguna imagen conlleva credibilidad inherente.
Descubre más desde USA TODAY NEWS INDEPENDENT PRESS US
Suscríbete y recibe las últimas entradas en tu correo electrónico.
Spanish 