Investigación en IA: artigos clave e mellores ferramentas para investigadores (+ boas prácticas)

A investigación en intelixencia artificial (IA) abrangue dúas áreas: os resultados publicados polos investigadores en IA e a aplicación práctica da IA para axudar na investigación en distintos ámbitos.

A primeira sección deste artigo é unha cronoloxía dos principais fitos da investigación en IA. Tamén inclúe os artigos recentes máis importantes e un repaso das institucións que están na vangarda do campo.

A segunda é unha guía paso a paso para usar a IA de forma eficaz como ferramenta de investigación, cunha clasificación das mellores ferramentas e unha análise honesta das súas vantaxes e inconvenientes.

Cronoloxía dos principais artigos e fitos da investigación en IA

É practicamente imposible recompilar todos os artigos de investigación en IA importantes publicados ata agora. O campo creceu a un ritmo sen precedentes na última década. Segundo o informe AI Index de 2026 da Universidade de Stanford, publicáronse 257.890 traballos sobre IA en todo o mundo só en 2024.

Ampliar

Con todo, hai varios fitos históricos fundamentais, así como unha serie de publicacións recentes moi importantes.

Unha cronoloxía concisa: 12 artigos fundamentais da investigación en IA

• 1943: McCulloch e Pitts publican «A Logical Calculus of the Ideas Immanent in Nervous Activity», no que presentan o primeiro modelo matemático do funcionamento dun sistema nervioso. O modelo trata as neuronas como funcións que reciben entradas e producen saídas segundo regras lóxicas.
• 1950: Alan Turing publica «Computing Machinery and Intelligence» na revista Mind. O artigo introduce o xogo da imitación (coñecido habitualmente como test de Turing) como unha forma de definir a intelixencia das máquinas.
• 1956: O Dartmouth Summer Research Project, o «obradoiro de Dartmouth», establece formalmente a intelixencia artificial como campo de investigación. A proposta orixinal de 1955 reproduciuse na AI Magazine en 2006.
• 1958: Frank Rosenblatt publica «The perceptron: a probabilistic model for information storage and organization in the brain». Nel presenta un modelo de aprendizaxe fundamental baseado nun «sistema nervioso hipotético chamado perceptrón».
• 1986: Rumelhart, Hinton e Williams publican «Learning representations by back-propagating errors» en Nature. Describen un método algorítmico chamado retropropagación para adestrar redes neuronais multicapa. O método perfeccionou o modo de axustar os parámetros.
• 1997: Hochreiter e Schmidhuber publican «Long Short-Term Memory» en Neural Computation. O artigo describe unha arquitectura de rede neuronal que permite que a rede conserve a información durante períodos moito máis longos.
• 2009: Un grupo de investigadores publica «ImageNet: A large-scale hierarchical image database», que presenta formalmente ImageNet, unha base de datos de millóns de imaxes etiquetadas para adestrar e avaliar sistemas de IA.
• 2014: Ian Goodfellow e os seus colaboradores publican «Generative Adversarial Nets». O artigo describe un marco que permite aos sistemas de IA xerar contido realista, en especial imaxes.
• 2016: Investigadores de DeepMind publican «Mastering the game of Go with deep neural networks and tree search» en Nature. AlphaGo, o sistema de intelixencia artificial presentado no artigo, chega a vencer a Lee Sedol, un dos mellores xogadores profesionais de go.
• 2017: Investigadores de Google publican «Attention Is All You Need», que expón a arquitectura transformer na que se basean hoxe a maioría dos grandes modelos de linguaxe modernos.
• 2020: Investigadores de OpenAI publican «Language Models Are Few-Shot Learners». Demostran que escalar os modelos de linguaxe (aumentar o tamaño dos compoñentes fundamentais sen cambiar o código) mellora a súa capacidade para realizar eficazmente unha gran variedade de tarefas.
• 2022: OpenAI lanza ChatGPT o 30 de novembro e leva a IA xenerativa conversacional a un uso xeneralizado.

Seis avances recentes importantes na investigación en IA (2025–2026)

• 2025: Investigadores de DeepSeek publican «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning». O artigo demostra que poden xurdir capacidades de razoamento avanzadas a partir da aprendizaxe por reforzo (RL).
• 2025: Un grupo de investigadores publica «s1: Simple Test-Time Scaling». O artigo mostra que é posible mellorar o rendemento no razoamento con recursos de adestramento relativamente modestos.
• 2025: Investigadores de Google DeepMind publican «AlphaEvolve: A coding agent for scientific and algorithmic discovery». AlphaEvolve é un sistema baseado en Gemini que desenvolve e mellora de forma autónoma algoritmos complexos.
• 2025: Google DeepMind anuncia Genie 3, un modelo do mundo capaz de xerar contornos virtuais navegables.
• 2026: Investigadores de Google DeepMind publican «Advancing regulatory variant effect prediction with AlphaGenome» en Nature. O artigo presenta AlphaGenome, un modelo de IA que predí como afectan os cambios nas secuencias de ADN ao funcionamento dos xenes, e que se espera que teña importantes aplicacións médicas.
• 2026: Un grupo de investigadores publica «Accelerating scientific discovery with Co-Scientist» en Nature. O artigo presenta un sistema de IA multiaxente que pode xerar e perfeccionar hipóteses científicas para axudar os científicos a «descubrir novo coñecemento orixinal».

Panorámica das principais institucións de investigación en IA

A produción científica repártese entre unha ampla variedade de organizacións empresariais e públicas. Os institutos de investigación especializados, moitos deles vinculados a universidades de primeiro nivel, achegan unha gran parte da nova investigación. Con todo, as empresas e os seus laboratorios de IA tamén desempeñan un papel importante.

Ata que punto está estendido o uso da IA como ferramenta de investigación?

Tanto os chatbots de IA máis populares (Perplexity, ChatGPT, Claude etc.) como as plataformas especializadas construídas arredor dos principais modelos úsanse amplamente en moitas disciplinas nas que a investigación ten un gran peso.

Un amplo estudo de Microsoft sobre 5,5 millóns de sesións de Copilot revelou unha gran variedade de tarefas relacionadas coa investigación nos ámbitos do descubrimento, a síntese e a análise.

Estas son as catro principais formas en que os profesionais usan a IA para investigar:

• Recuperación de información: descubrimento nas fases iniciais (preguntas xerais); busca de investigación relevante; axuda con preguntas técnicas.
• Análise: resumo de contidos; agregación, interpretación e presentación de datos.
• Toma de decisións e estratexia: uso da IA para comparar opcións (como software); busca de información de apoio para tomar decisións.
• Avaliación e diagnóstico: recompilación de evidencias sobre un sistema ou programa no que hai que resolver problemas.

Ten en conta que estas tarefas non se limitan ao ámbito académico. Xornalistas, investigadores de mercado, avogados, analistas financeiros, profesionais sanitarios e outros son exemplos de profesionais que usan a IA habitualmente para investigar.

Vantaxes e inconvenientes de usar a IA na investigación

Aínda que non hai dúbida de que a IA está amplamente adoptada como ferramenta de investigación, existe un serio debate sobre as súas vantaxes e inconvenientes. Boa parte das críticas centráronse no problema, aparentemente insuperable, das alucinacións.

Dado que a investigación adoita ser unha tarefa na que hai moito en xogo, é importante que os profesionais de todo tipo entendan en que destacan as ferramentas de investigación con IA e en que se quedan curtas.

Vantaxes

• As tarefas de investigación repetitivas, como a selección de bibliografía e a limpeza de datos, pódense automatizar total ou parcialmente.
• As persoas non especialistas poden acceder a información técnica allea ao seu ámbito.
• Os investigadores poden probar rapidamente hipóteses nas fases iniciais da investigación executando simulacións con IA.
• A IA é útil para cuestionar suposicións e presentar alternativas baseadas en evidencias mesmo fronte a posturas ben elaboradas.

Inconvenientes

• As alucinacións seguen sendo un problema importante, e as salvagardas non o resolven por completo.
• Os matices da información poden ser moi importantes na investigación de alto nivel, e os LLM adoitan simplificar en exceso temas complexos.
• Demostrouse que a dependencia excesiva da IA mina o pensamento crítico e as capacidades de análise independente.
• Aínda que a IA é un bo agregador, non é exhaustiva e pode pasar por alto fontes de información e estudos importantes.

Exemplo da IA como ferramenta de investigación coa función de busca académica de Perplexity

Vexamos como podería ser un fluxo de investigación básico. Perplexity é unha ferramenta moi apreciada polos investigadores porque dá acceso a varios modelos de terceiros, cada un cos seus propios puntos fortes, ademais de ferramentas de investigación web e académica en profundidade.

Ampliar

Neste exemplo, pídolle a GPT 6.1-Sol que me axude cun estudo de mercado para o lanzamento dun produto orientado á xeración Z. Ofréceme un resumo da investigación recente, xunto cunha ligazón ás fontes e un indicador de fiabilidade.

Ampliar

Despois pídolle que xere un gráfico das preferencias de márketing da xeración Z con datos que obtén da web. Tamén teño a opción de cargar os meus propios datos se quero.

Ampliar

Estes resultados requiren revisión e verificación de datos. Con todo, este sinxelo exemplo mostra como un proceso que facilmente podería levar varias horas se pode reducir a minutos.

A mellor IA para investigar: as principais ferramentas para investigadores

As ferramentas de investigación con IA pódense dividir en dúas grandes categorías: chatbots de uso xeral con funcións de investigación e plataformas especializadas en axudar coa investigación académica.

A maioría dos profesionais que realizan investigación non académica descubrirán que unha ferramenta de IA de uso xeral é a que mellor se lles axusta. No ámbito académico, os principais provedores son moi semellantes entre si. A ferramenta que escollas dependerá probablemente do alcance da tarefa e das túas preferencias en canto a pequenas funcionalidades.

Ferramentas de IA de uso xeral

• Perplexity: Ofrece acceso a múltiples modelos de provedores terceiros e integracións cun amplo conxunto de servizos externos. Entre as súas funcións figuran a investigación académica, a Investigación profunda, a atribución de fontes e a análise de datos.
• ChatGPT, Claude e Gemini: Como principais ferramentas de IA de uso xeneralizado con funcións profesionais e empresariais, todas elas ofrecen un conxunto similar de ferramentas de investigación. Entre as súas funcións están a busca na web, a investigación profunda, a análise de documentos, a análise de datos e as capacidades multimodais. Tamén ofrecen integracións con aplicacións e servizos externos.

Ferramentas de investigación especializadas

• Semantic Scholar: Trátase dun motor de busca académico gratuíto desenvolvido polo Allen Institute for AI (Ai2). É moi semellante a Google Scholar, pero incorpora máis funcións de IA. É a fonte subxacente de literatura académica de moitas ferramentas de IA, aínda que non é unha ferramenta especializada en si mesma.
• Elicit e SciSpace: Estas ferramentas axudan na fase de descubrimento da investigación académica e recibiron eloxios polas súas funcións de cribado e síntese. Os investigadores utilízanas para extraer información estruturada e resumir resultados de grandes conxuntos de estudos. SciSpace está dispoñible como integración con ChatGPT.
• ResearchRabbit e Connected Papers: Ambas son ferramentas de revisión bibliográfica moi valoradas polas súas funcións de mapeamento visual. Están deseñadas para proxectos a máis longo prazo e revisións bibliográficas nas que a prioridade é atopar investigacións similares e mapear as relacións entre artigos. Requiren moita intervención e supervisión humana.
• Scite e Consensus: Ferramentas como ResearchRabbit e Connected Papers están orientadas a descubrir literatura relevante e elaborar unha visión xeral dunha área temática. Scite e Consensus, pola súa banda, céntranse nunha avaliación concreta: axudan os usuarios a determinar se unha afirmación específica está respaldada ou non polas probas dispoñibles actualmente. Adoitan incluír funcións máis amplas de revisión bibliográfica, pero estas non son o seu obxectivo principal.

Como usar a IA como ferramenta de investigación: un marco de 7 pasos

Ampliar

A clave para usar a IA de forma eficaz como ferramenta de investigación é abordala como un complemento dos teus procesos actuais, e non como un substituto deles. Tamén é importante ter en conta as restricións legais, especialmente cando se soben datos sensibles.

1. Calcula o tempo de investigación previsto

Planifica o teu proceso de investigación cos métodos convencionais. Despois, pregúntate en que puntos podería a IA encargarse das tarefas de descubrimento, síntese e análise.

Calcula o tempo que levará redactar as indicacións e verificar os resultados. A IA pode aforrar facilmente horas ou días en revisións bibliográficas extensas. Pero, para preguntas máis pequenas e concretas, a vantaxe fronte a unha busca manual é escasa.

2. Escolle as ferramentas axeitadas (especializadas ou de uso xeral)

Determina se unha plataforma de investigación especializada ofrece algunha vantaxe fronte a un asistente de uso xeral como Perplexity. Presta atención ás funcións de investigación concretas e á cobertura no teu ámbito.

Se optas por unha ferramenta especializada, escolle unha deseñada para as túas tarefas concretas. Por exemplo, ferramentas como Elicit admiten revisións bibliográficas estruturadas, mentres que Scite analiza como se citan os artigos académicos.

3. Comproba que os termos e condicións dunha ferramenta permiten o uso que pretendes darlle

Hai dúas cousas ás que prestar atención ao revisar os termos e condicións dun provedor. En primeiro lugar, o uso dos teus datos e se se manteñen ou non totalmente confidenciais. En segundo lugar, as condicións relativas á propiedade dos resultados.

Non deas por feito que un plan de pago garante automaticamente a confidencialidade dos datos ou uns dereitos de uso sen restricións.

4. Comproba se existen restricións legais sobre os teus datos

Incluirán as túas entradas datos sensibles, documentos protexidos por dereitos de autor, información empresarial confidencial ou resultados inéditos?

É importante comprobar que podes proporcionarllos a un LLM. Pode haber diversas restricións, desde a normativa sobre datos da túa xurisdición ata a política interna da empresa. Quizais necesites saber como almacena os datos un determinado provedor de ferramentas e durante canto tempo. Pode ser necesario usar unha plataforma empresarial aprobada.

5. Segue as boas prácticas ao redactar indicacións

Elaborar boas indicacións de investigación ten a súa arte. Formula con claridade a túa pregunta de investigación, achega o contexto relevante e define o formato da resposta. Para tarefas de investigación complexas, quizais teñas que dividir a pregunta en varias subindicacións.

Pide referencias claras de todas as fontes utilizadas, aínda que non aparezan sinaladas na resposta. Isto é importante, xa que unha resposta xerada por IA pode non incluír citas de todas as fontes empregadas.

6. Verifica todos os datos, as afirmacións técnicas e a información actual

É fundamental contrastar as afirmacións coas fontes orixinais. Estas poden ser artigos científicos, investigacións orixinais, estatísticas oficiais ou documentación técnica. Presta especial atención aos datos numéricos, as datas, as citas e a información que dependa do momento e poida estar desactualizada.

Cando investigues, non deas por suposto que unha afirmación é correcta só porque cite unha fonte, nin sequera que esa fonte exista. En investigacións complexas, é nesta fase cando comprobas que os matices das afirmacións e dos resumos son correctos.

7. Declara o teu uso da IA

Consulta os requisitos de declaración da túa empresa, institución académica ou organismo profesional pertinente. Neles atoparás información sobre ata que punto debes declarar o uso da IA.

Os ámbitos con normativas e códigos de boas prácticas estritos adoitan esixir unha declaración máis detallada. Garda rexistros das actividades realizadas con axuda da IA (as plataformas adoitan conservar un rexistro de auditoría).

É ético usar a IA para investigar e que vén despois?

A asistencia á investigación converteuse nun dos principais casos de uso da IA, e é doado entender por que. Pode xestionar grandes volumes de información complexa, automatizar tarefas repetitivas que levan moito tempo e actuar como compañeira de reflexión para ideas e hipóteses en fase inicial.

Con todo, seguen existindo problemas. En particular, o uso ético da IA na investigación é actualmente un dos debates máis activos e controvertidos entre as institucións académicas.

As taxas de alucinación dependen da complexidade do tema, e moitos dos principais enxeñeiros consideran as alucinacións un problema difícil que non se pode resolver por completo. Ademais, sábese que o uso da IA deteriora as capacidades de pensamento, que son de suma importancia para os profesionais que se dedican á investigación complexa.

As organizacións tamén poden prohibir o uso da IA por motivos de privacidade e propiedade intelectual ou por preocupacións relacionadas cos datos sensibles. Ademais, a declaración segue sendo importante para que os revisores e colegas poidan entender como se utilizou a IA no proceso de investigación.

A IA seguirá integrándose cada vez máis na vida cotiá, tanto no ámbito privado como no público. Por iso, é moi probable que xurdan normas máis claras sobre a integridade e a atribución na investigación, e que estas sigan evolucionando e gañando matices.