Investigació en IA: articles clau i millors eines per a investigadors (+ bones pràctiques)

La investigació en intel·ligència artificial (IA) abasta dos àmbits: les troballes publicades pels investigadors en IA i l'aplicació pràctica de la IA per ajudar en la investigació en diferents camps.

La primera secció d'aquest article presenta una cronologia de les principals fites de la investigació en IA. També inclou els articles recents més importants i un resum de les institucions capdavanteres en aquest camp.

La segona és una guia pas a pas per utilitzar la IA de manera eficaç com a eina d'investigació, amb una classificació de les millors eines i una anàlisi honesta dels avantatges i els inconvenients.

Cronologia dels principals articles i fites de la investigació en IA

És pràcticament impossible recollir tots els articles d'investigació en IA importants publicats fins ara. El camp ha crescut a un ritme sense precedents durant l'última dècada. Segons l'informe AI Index de 2026 de la Universitat de Stanford, només el 2024 es van publicar 257.890 treballs sobre IA a tot el món.

Amplia

Tanmateix, hi ha diverses fites fundacionals històriques, a més d'una sèrie de publicacions recents molt importants.

Una cronologia concisa: 12 articles fonamentals de la investigació en IA

• 1943: McCulloch i Pitts publiquen «A Logical Calculus of the Ideas Immanent in Nervous Activity», en què presenten el primer model matemàtic del funcionament d'un sistema nerviós. El model tracta les neurones com a funcions que reben entrades i produeixen sortides segons regles lògiques.
• 1950: Alan Turing publica «Computing Machinery and Intelligence» a la revista Mind. L'article presenta el joc de la imitació (conegut habitualment com a test de Turing) com una manera de definir la intel·ligència de les màquines.
• 1956: El Dartmouth Summer Research Project, conegut com el «taller de Dartmouth», estableix formalment la intel·ligència artificial com a camp d'investigació. La proposta original de 1955 es va reproduir a AI Magazine el 2006.
• 1958: Frank Rosenblatt publica «The perceptron: a probabilistic model for information storage and organization in the brain». Hi presenta un model d'aprenentatge fonamental basat en un «sistema nerviós hipotètic anomenat perceptró».
• 1986: Rumelhart, Hinton i Williams publiquen «Learning representations by back-propagating errors» a Nature. Hi descriuen un mètode algorísmic anomenat retropropagació per entrenar xarxes neuronals multicapa. El mètode va perfeccionar la manera d'ajustar els paràmetres.
• 1997: Hochreiter i Schmidhuber publiquen «Long Short-Term Memory» a Neural Computation. L'article descriu una arquitectura de xarxa neuronal que permet a la xarxa retenir informació durant períodes molt més llargs.
• 2009: Un grup d'investigadors publica «ImageNet: A large-scale hierarchical image database», en què presenta formalment ImageNet, una base de dades de milions d'imatges etiquetades per entrenar i avaluar sistemes d'IA.
• 2014: Ian Goodfellow i els seus col·laboradors publiquen «Generative Adversarial Nets». L'article descriu un marc que permet als sistemes d'IA generar contingut realista, especialment imatges.
• 2016: Investigadors de DeepMind publiquen «Mastering the game of Go with deep neural networks and tree search» a Nature. AlphaGo, el sistema d'intel·ligència artificial que presenta l'article, acaba derrotant Lee Sedol, un dels millors jugadors professionals de go.
• 2017: Investigadors de Google publiquen «Attention Is All You Need», que presenta l'arquitectura transformer en què es basen avui la majoria dels grans models de llenguatge moderns.
• 2020: Investigadors d'OpenAI publiquen «Language Models Are Few-Shot Learners». Hi demostren que escalar els models de llenguatge (augmentar la mida dels components fonamentals sense canviar el codi) millora la seva capacitat per dur a terme de manera eficaç tot un ventall de tasques.
• 2022: OpenAI llança ChatGPT el 30 de novembre i porta la IA generativa conversacional a un ús generalitzat.

Sis avenços recents importants en la investigació en IA (2025–2026)

• 2025: Investigadors de DeepSeek publiquen «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning». L'article demostra que les capacitats de raonament avançat poden sorgir de l'aprenentatge per reforç (RL).
• 2025: Un grup d'investigadors publica «s1: Simple Test-Time Scaling». L'article mostra que és possible millorar el rendiment del raonament amb recursos d'entrenament relativament modestos.
• 2025: Investigadors de Google DeepMind publiquen «AlphaEvolve: A coding agent for scientific and algorithmic discovery». AlphaEvolve és un sistema basat en Gemini que desenvolupa i millora algorismes complexos de manera autònoma.
• 2025: Google DeepMind anuncia Genie 3, un model del món capaç de generar entorns virtuals navegables.
• 2026: Investigadors de Google DeepMind publiquen «Advancing regulatory variant effect prediction with AlphaGenome» a Nature. L'article presenta AlphaGenome, un model d'IA que prediu com els canvis en les seqüències d'ADN afecten el funcionament dels gens, i s'espera que tingui aplicacions mèdiques importants.
• 2026: Un grup d'investigadors publica «Accelerating scientific discovery with Co-Scientist» a Nature. L'article presenta un sistema d'IA multiagent que pot generar i perfeccionar hipòtesis científiques per ajudar els científics a «descobrir coneixement nou i original».

Panorama de les principals institucions d'investigació en IA

Els resultats de la investigació es reparteixen entre una àmplia varietat d'organitzacions empresarials i públiques. Els instituts d'investigació especialitzats, molts dels quals estan vinculats a universitats de primer nivell, generen una gran part de la investigació nova. Tanmateix, les empreses i els seus laboratoris d'IA també hi tenen un paper important.

Fins a quin punt està estès l'ús de la IA com a eina d'investigació?

Tant els xatbots d'IA més populars (Perplexity, ChatGPT, Claude, etc.) com les plataformes especialitzades creades a partir dels principals models s'utilitzen àmpliament en moltes disciplines en què la investigació té un gran pes.

Un estudi a gran escala de Microsoft sobre 5,5 milions de sessions de Copilot va revelar tot un ventall de tasques relacionades amb la investigació en els àmbits del descobriment, la síntesi i l'anàlisi.

Aquestes són les quatre maneres principals en què els professionals utilitzen la IA per investigar:

• Recuperació d'informació: descobriment en fases inicials (preguntes generals); cerca d'investigacions rellevants; ajuda amb preguntes tècniques.
• Anàlisi: resum de continguts; agregació, interpretació i presentació de dades.
• Presa de decisions i estratègia: ús de la IA per comparar opcions (com ara programari); cerca d'informació de suport per facilitar les decisions.
• Avaluació i diagnòstic: recopilació de proves sobre un sistema o programa que presenta problemes que cal resoldre.

Tingueu en compte que aquestes tasques no es limiten al món acadèmic. Periodistes, investigadors de mercat, advocats, analistes financers, professionals sanitaris i molts altres són exemples de professionals que utilitzen la IA habitualment per investigar.

Avantatges i inconvenients d'utilitzar la IA en la investigació

Tot i que no hi ha dubte que la IA s'ha adoptat àmpliament com a eina d'investigació, hi ha hagut un debat seriós sobre els seus avantatges i inconvenients. Bona part de les crítiques s'han centrat en el problema, aparentment insuperable, de les al·lucinacions.

Atès que la investigació sovint és una tasca en què hi ha molt en joc, és important que els professionals de tot tipus entenguin en què destaquen les eines d'investigació amb IA i en què es queden curtes.

Avantatges

• Les tasques d'investigació repetitives, com el cribratge bibliogràfic i la neteja de dades, es poden automatitzar parcialment o totalment.
• Les persones no especialistes poden accedir a informació tècnica que queda fora del seu àmbit.
• Els investigadors poden posar a prova ràpidament hipòtesis d'investigació en fases inicials executant simulacions amb IA.
• La IA és útil per qüestionar suposicions i presentar alternatives basades en proves fins i tot a posicions ben elaborades.

Inconvenients

• Les al·lucinacions continuen sent un problema important, i les salvaguardes no el resolen del tot.
• Els matisos de la informació poden ser molt importants en la investigació de nivell avançat, i els LLM sovint simplifiquen en excés temes complexos.
• S'ha demostrat que dependre en excés de la IA erosiona el pensament crític i les habilitats d'anàlisi independent.
• Tot i que la IA és un bon agregador, no és exhaustiva i pot passar per alt fonts d'informació i estudis importants.

Exemple de la IA com a eina d'investigació amb la funció de cerca acadèmica de Perplexity

Vegem com podria ser un flux d'investigació bàsic. Perplexity és una de les eines preferides pels investigadors perquè dona accés a diversos models de tercers, cadascun amb els seus punts forts, a més d'eines d'investigació web i acadèmica en profunditat.

Amplia

En aquest exemple, demano a GPT 6.1-Sol que m'ajudi amb un estudi de mercat per al llançament d'un producte adreçat a la generació Z. Em proporciona un resum de les investigacions recents, juntament amb un enllaç a les fonts i un indicador de fiabilitat.

Amplia

A continuació, li demano que generi un gràfic de les preferències de màrqueting de la generació Z a partir de dades que obté del web. També tinc l'opció de pujar les meves pròpies dades si vull.

Amplia

Aquests resultats requereixen revisió i verificació de dades. Tot i això, aquest exemple senzill demostra com un procés que fàcilment podria haver durat diverses hores es pot reduir a minuts.

La millor IA per investigar: les eines principals per a investigadors

Les eines d'investigació amb IA es poden dividir en dues grans categories: xatbots d'ús general amb funcions d'investigació i plataformes especialitzades per ajudar en la investigació acadèmica.

La majoria dels professionals que fan investigació no acadèmica veuran que una eina d'IA d'ús general és la que millor s'adapta a les seves necessitats. Per als acadèmics, hi ha grans similituds entre els principals proveïdors. L'eina que trieu dependrà probablement de l'abast de la tasca i de les preferències pel que fa a funcions concretes.

Eines d'IA d'ús general

• Perplexity: ofereix accés a diversos models de proveïdors tercers i integracions amb un ampli ventall de serveis externs. Entre les funcions hi ha la investigació acadèmica, la investigació profunda, l'atribució de fonts i l'anàlisi de dades.
• ChatGPT, Claude i Gemini: com a principals eines d'IA generalistes amb funcions professionals i empresarials, totes ofereixen un conjunt similar d'eines d'investigació. Entre les funcions hi ha la cerca web, la investigació profunda, l'anàlisi de documents, l'anàlisi de dades i les capacitats multimodals. També ofereixen integracions amb aplicacions i serveis externs.

Eines d'investigació especialitzades

• Semantic Scholar: és un cercador acadèmic gratuït desenvolupat per l'Allen Institute for AI (Ai2). És molt semblant a Google Scholar, però incorpora més funcions d'IA. És la font subjacent de literatura acadèmica de moltes eines d'IA, però no és una eina especialitzada en si mateixa.
• Elicit i SciSpace: aquestes eines ajuden en la fase de descobriment de la investigació acadèmica i han rebut elogis per les seves funcions de cribratge i síntesi. Els investigadors les fan servir per extreure informació estructurada i resumir els resultats de grans conjunts d'estudis. SciSpace està disponible com a integració amb ChatGPT.
• ResearchRabbit i Connected Papers: totes dues són eines de revisió bibliogràfica molt valorades per les seves funcions de mapatge visual. Estan pensades per a projectes a més llarg termini i revisions bibliogràfiques en què la prioritat és trobar investigacions similars i cartografiar les relacions entre articles. Requereixen molta intervenció i supervisió humanes.
• Scite i Consensus: eines com ResearchRabbit i Connected Papers s'orienten a descobrir literatura rellevant i a obtenir una visió general d'un àmbit temàtic. Scite i Consensus, en canvi, se centren en una avaluació concreta: ajuden els usuaris a determinar si una afirmació específica està avalada per l'evidència actual. Sovint inclouen funcions més àmplies de revisió bibliogràfica, però no són el seu objectiu principal.

Com utilitzar la IA com a eina d'investigació: un marc de 7 passos

Amplia

La clau per utilitzar la IA de manera eficaç com a eina d'investigació és plantejar-la com un complement dels processos que ja teniu, i no com un substitut. També és important tenir en compte les restriccions legals, sobretot quan es pengen dades sensibles.

1. Calculeu el temps d'investigació previst

Planifiqueu el procés d'investigació amb mètodes convencionals. Després, plantegeu-vos en quins punts la IA podria encarregar-se de les tasques de descobriment, síntesi i anàlisi.

Calculeu el temps que caldrà per redactar les indicacions i verificar els resultats. La IA pot estalviar fàcilment hores o dies en revisions bibliogràfiques extenses. En canvi, per a preguntes més petites i concretes, ofereix poc avantatge respecte a una cerca manual.

2. Trieu les eines adequades (especialitzades o d'ús general)

Determineu si una plataforma d'investigació especialitzada ofereix algun avantatge respecte a un assistent d'ús general com Perplexity. Fixeu-vos en les funcions d'investigació concretes i en la cobertura del vostre àmbit.

Si opteu per una eina especialitzada, trieu-ne una que estigui dissenyada per a les vostres tasques concretes. Per exemple, eines com Elicit donen suport a revisions bibliogràfiques estructurades, mentre que Scite analitza com se citen els articles acadèmics.

3. Verifiqueu que els termes i condicions d'una eina permeten l'ús que en voleu fer

Quan reviseu els termes i condicions d'un proveïdor, cal parar atenció a dues coses. En primer lloc, l'ús que es fa de les vostres dades i si es mantenen totalment confidencials. En segon lloc, les condicions sobre la propietat dels resultats.

No doneu per fet que un pla de pagament garanteixi automàticament la confidencialitat de les dades o uns drets d'ús il·limitats.

4. Comproveu si hi ha restriccions legals sobre les vostres dades

La informació que introduïu inclourà dades sensibles, documents protegits per drets d'autor, informació empresarial confidencial o resultats inèdits?

És important comprovar que podeu proporcionar aquesta informació a un LLM. Hi pot haver diverses restriccions, des de la normativa de protecció de dades de la vostra jurisdicció fins a les polítiques internes de l'empresa. Potser haureu d'esbrinar com emmagatzema les dades un proveïdor concret i durant quant de temps. Pot ser necessari utilitzar una plataforma empresarial aprovada.

5. Seguiu les bones pràctiques quan redacteu les indicacions

Elaborar bones indicacions d'investigació té el seu art. Formuleu clarament la pregunta d'investigació, proporcioneu el context rellevant i definiu el format del resultat. En tasques d'investigació complexes, potser haureu de dividir la pregunta en subindicacions.

Demaneu referències clares a totes les fonts utilitzades, encara que no s'indiquin al resultat. És important, perquè una resposta generada per IA pot no incloure les cites de totes les fonts utilitzades.

6. Verifiqueu totes les dades, les afirmacions tècniques i la informació d'actualitat

És essencial contrastar les afirmacions amb les fonts originals, que poden ser articles científics, investigacions originals, estadístiques oficials o documentació tècnica. Pareu especial atenció a les dades numèriques, les dates, les cites i la informació que depèn del moment i que podria estar desactualitzada.

Quan investigueu, no doneu per fet que, pel fet que se citi una font, l'afirmació resultant sigui correcta, ni tan sols que la font existeixi. En investigacions complexes, aquesta és la fase en què cal verificar que els matisos de les afirmacions i els resums són correctes.

7. Declareu l'ús de la IA

Consulteu els requisits de declaració de la vostra empresa, institució acadèmica o col·legi professional corresponent. Hi trobareu detalls sobre fins a quin punt heu de declarar l'ús de la IA.

Els àmbits amb normatives i codis de bones pràctiques estrictes solen exigir una declaració més detallada. Conserveu registres de les activitats assistides per IA (normalment, les plataformes en guarden un registre d'auditoria).

És ètic utilitzar la IA per investigar, i què ens depara el futur?

L'assistència en la investigació s'ha convertit en un dels principals usos de la IA, i és fàcil entendre per què. Pot gestionar grans volums d'informació complexa, automatitzar tasques repetitives que requereixen molt de temps i fer de company de reflexió per a idees i hipòtesis en fase inicial.

Tanmateix, encara hi ha problemes. En concret, l'ús ètic de la IA en la investigació és actualment un dels debats més actius i controvertits entre les institucions acadèmiques.

Les taxes d'al·lucinació depenen de la complexitat del tema, i molts enginyers destacats les consideren un problema difícil que no es pot resoldre del tot. A més, se sap que l'ús de la IA erosiona les capacitats de raonament, que són de vital importància per als professionals que es dediquen a investigacions complexes.

Les organitzacions també poden prohibir l'ús de la IA per motius de privadesa i de propietat intel·lectual, o per preocupacions relacionades amb les dades sensibles. I la declaració continua sent important perquè els revisors i els col·legues puguin entendre com s'ha utilitzat la IA en el procés d'investigació.

La IA no farà sinó consolidar-se com una part habitual de la vida quotidiana, tant en l'àmbit privat com en el públic. Per tant, és molt probable que les normes sobre la integritat de la investigació i l'atribució continuïn evolucionant i es tornin més clares i matisades.