El papel de las ciencias sociales en la era de la inteligencia artificial generativa: vigilancia epistemológica, opacidad institucional y resiliencia en tensión

The role of the social sciences in the era of generative artificial intelligence: epistemological vigilance, institutional opacity and resilience in tension

José Raúl Dubón Huezo

Sociólogo. Investigador social independiente. Universidad de El Salvador.

Resumen

Este artículo examina cómo la expansión de la inteligencia artificial (IA) generativa transforma las condiciones materiales, epistemológicas y metodológicas de producción del conocimiento científico, con énfasis en las ciencias sociales. La tesis central sostiene que la IA no sustituye al investigador social ni vuelve prescindibles a las ciencias sociales; por el contrario, redefine el trabajo científico al desplazar hacia sistemas algorítmicos buena parte de las tareas de búsqueda, clasificación y síntesis de información, e incrementa con ello la importancia de funciones propiamente humanas: la vigilancia epistemológica, la interpretación crítica, la contextualización histórica, la reflexión ética y la validación del conocimiento. El argumento se desarrolla en ocho movimientos: la mutación de las condiciones materiales de producción a la luz de la economía política de la IA; el tránsito del investigador como buscador al investigador como guardián epistemológico; la distinción entre detección de patrones y comprensión del sentido; los riesgos de violencia epistémica y colonialidad algorítmica; la crisis contemporánea de la verificación científica; la gobernanza del conocimiento a partir de la Recomendación de la UNESCO (2021); y las perspectivas para América Latina y El Salvador. Se proponen e integran dos categorías analíticas de elaboración propia —la opacidad institucional y la resiliencia en tensión— para nombrar, respectivamente, la dimensión organizacional-corporativa de la opacidad algorítmica y la persistencia tensionada de los sistemas de conocimiento periféricos bajo presión estructural. Se concluye que el futuro del trabajo científico dependerá menos de la capacidad de recopilar información y más de la capacidad de interpretarla, contextualizarla, validarla y someterla a vigilancia epistemológica.

Palabras clave: sociología del conocimiento; inteligencia artificial generativa; vigilancia epistemológica; colonialidad del saber; verificación científica; América Latina.

Abstract

This article examines how the expansion of generative artificial intelligence (AI) transforms the material, epistemological and methodological conditions of scientific knowledge production, with emphasis on the social sciences. The central thesis holds that AI neither replaces the social researcher nor renders the social sciences dispensable; rather, it redefines scientific work by displacing much of the labor of searching, classifying and synthesizing information toward algorithmic systems, thereby increasing the importance of properly human functions: epistemological vigilance, critical interpretation, historical contextualization, ethical reflection and knowledge validation. The argument unfolds in eight movements: the mutation of the material conditions of production in light of the political economy of AI; the shift from the researcher as searcher to the researcher as epistemological guardian; the distinction between pattern detection and the comprehension of meaning; the risks of epistemic violence and algorithmic coloniality; the contemporary crisis of scientific verification; knowledge governance based on the UNESCO Recommendation (2021); and the prospects for Latin America and El Salvador. Two original analytical categories are proposed and integrated —institutional opacity and resilience in tension— to name, respectively, the organizational-corporate dimension of algorithmic opacity and the strained persistence of peripheral knowledge systems under structural pressure. It is concluded that the future of scientific work will depend less on the capacity to gather information and more on the capacity to interpret, contextualize, validate it and subject it to epistemological vigilance.

Keywords: sociology of knowledge; generative artificial intelligence; epistemological vigilance; coloniality of knowledge; scientific verification; Latin America.

I. Introducción

En un lapso notablemente breve, la inteligencia artificial generativa ha pasado de ser una curiosidad técnica a constituir una presencia cotidiana en los ámbitos académicos, científicos y profesionales. Sistemas como ChatGPT, Gemini, Claude o Perplexity, junto con herramientas especializadas en la mediación del trabajo científico —Elicit, Scite, Consensus, los asistentes de investigación profunda (deep research)—, se han instalado en los flujos de trabajo de un número creciente de investigadores. La velocidad de esta adopción no tiene muchos precedentes. Una encuesta de la revista Nature a más de mil seiscientos investigadores de todo el mundo reveló que más de la mitad esperaba que las herramientas de IA fueran muy importantes o esenciales en su campo dentro de la década siguiente, y que sus beneficios percibidos —procesamiento más veloz de datos, aceleración de cálculos antes inviables, ahorro de tiempo y costos— convivían con preocupaciones igualmente extendidas sobre la dependencia del reconocimiento de patrones sin comprensión genuina, la proliferación de desinformación y el afianzamiento de sesgos (Van Noorden & Perkel, 2023).

La discusión pública sobre estos sistemas tiende a polarizarse en torno a dos preguntas recurrentes: si la IA reemplazará empleos y si los estudiantes la utilizan para redactar sus trabajos. Ambas preocupaciones son legítimas, pero comparten una limitación: operan en la superficie del fenómeno. Detrás de ellas se despliega una transformación más profunda y de mayor calado sociológico, relativa a las condiciones mismas de producción del conocimiento. La pregunta decisiva no es solamente quién escribe los textos, sino cómo se está reorganizando el conjunto de operaciones —buscar, leer, clasificar, sintetizar, validar, interpretar— que constituyen el oficio científico. Es esta reorganización, y no la mera sustitución de tareas, lo que exige una reflexión sociológica y epistemológica rigurosa.

Este artículo parte de una tesis deliberadamente contraintuitiva respecto del relato tecnoutópico dominante. Sostiene que la inteligencia artificial no sustituye al investigador social ni elimina la necesidad de las ciencias sociales; por el contrario, las redefine. Al desplazar hacia sistemas algorítmicos buena parte de las tareas de búsqueda, clasificación y síntesis de información, la IA libera —y a la vez obliga a intensificar— un conjunto de funciones que resultan irreductibles a la automatización: la vigilancia epistemológica sobre la validez de lo que se afirma, la interpretación crítica del sentido, la contextualización histórica de los fenómenos, la reflexión ética sobre las consecuencias del conocimiento y la validación de las fuentes. Dicho de otro modo: cuanto más abundante y barata se vuelve la información sintetizada por las máquinas, más valioso y escaso se torna el juicio humano capaz de evaluarla.

Esta afirmación no es meramente normativa ni descansa en un voluntarismo humanista. Encuentra apoyo empírico en la literatura científica más reciente y de mayor jerarquía. Messeri y Crockett (2024), en un análisis publicado en Nature, advierten que la incorporación acrítica de la IA en la investigación puede generar ilusiones de comprensión —la creencia de que entendemos más de lo que realmente entendemos— y favorecer monocultivos científicos que estrechan el repertorio de métodos y preguntas. Su síntesis es elocuente: la ciencia podría entrar en una fase en la que producimos más pero entendemos menos. Si ello es así, la función crítica e interpretativa de las ciencias sociales no resulta obsoleta, sino que adquiere un carácter estratégico para la salud epistémica del conocimiento en su conjunto.

El argumento se organiza en torno a varias preguntas orientadoras. ¿Cómo modifica la IA las condiciones materiales de producción del conocimiento? ¿Qué tareas tradicionalmente realizadas por investigadores están siendo transformadas? ¿Cuál será el papel del investigador social cuando el acceso y procesamiento de información estén parcialmente automatizados? ¿Qué significa ejercer vigilancia epistemológica en la era algorítmica? ¿Qué riesgos emergen en términos de sesgos, colonialidad del conocimiento y violencia epistémica? ¿Cómo pueden las ciencias sociales contribuir a la gobernanza democrática de la IA? ¿Qué desafíos específicos enfrentan América Latina y El Salvador? Para responderlas, el texto dialoga con autores clásicos de la epistemología y la teoría social —Bachelard, Bourdieu, Weber, Geertz, Habermas, Giddens— y con la literatura contemporánea sobre economía política de la IA, teoría decolonial y estudios sociales de la ciencia y la tecnología.

A lo largo del análisis se introducen y ponen a prueba dos categorías de elaboración propia. La primera, la opacidad institucional, designa la dimensión organizacional y corporativa de la opacidad de los sistemas algorítmicos: no la mera complejidad técnica de los modelos, sino la deliberada o estructural sustracción de sus lógicas de funcionamiento al escrutinio público por parte de las instituciones que los producen y controlan. La segunda, la resiliencia en tensión, nombra la capacidad de los sistemas de conocimiento periféricos —de manera ejemplar, el ecosistema latinoamericano de acceso abierto no comercial— para persistir y sostener su función de bien común bajo una presión estructural permanente que amenaza con asimilarlos o desplazarlos. Ambas categorías, se argumentará, poseen aplicabilidad teórica más allá del caso que las origina y permiten nombrar fenómenos que el vocabulario existente capta solo de manera fragmentaria.

II. La transformación de las condiciones materiales de producción del conocimiento

Toda sociología del conocimiento que se precie debe comenzar por las condiciones materiales en que el conocimiento se produce. Durante siglos, la producción científica dependió de procesos intensivos de búsqueda, lectura, clasificación y sistematización documental. El investigador era, ante todo, alguien que sabía dónde buscar, que había acumulado un capital de lecturas y que dominaba el arte de localizar, fichar y ordenar las fuentes pertinentes. Buena parte del tiempo del oficio se consumía en operaciones que hoy llamaríamos de recuperación de información: peinar catálogos, consultar bibliografías, seguir el rastro de las citas, transcribir y resumir. Este trabajo, lento y acumulativo, constituía una barrera de entrada y, a la vez, un mecanismo de formación: en el acto de buscar y clasificar, el investigador interiorizaba los marcos de su disciplina.

La reducción radical de los costos temporales

La inteligencia artificial generativa altera drásticamente esta economía temporal. Tareas que antes requerían semanas —localizar la literatura relevante sobre un problema, sintetizar el estado de una cuestión, extraer datos comparables de decenas de artículos— pueden hoy comprimirse en horas o minutos. Herramientas como Elicit permiten la extracción estructurada de datos en matrices a través de centenares de artículos; Scite clasifica cada cita según apoye, mencione o contraste la afirmación citada; Consensus y los asistentes de investigación profunda recuperan y resumen literatura con una rapidez que reconfigura la experiencia misma del trabajo intelectual. La promesa es seductora y, en parte, real: el cuello de botella de la recuperación de información se ensancha de manera espectacular.

Esta compresión temporal no es un fenómeno menor ni puramente cuantitativo. Toda disciplina científica se constituye en torno a un ritmo característico de producción, y ese ritmo modela las formas del pensamiento. La lentitud de la búsqueda documental tradicional imponía una temporalidad reflexiva: el tiempo dedicado a localizar una fuente era también tiempo de maduración de las preguntas, de reformulación de las hipótesis, de decantación de las ideas. Cuando ese tiempo se contrae hasta casi desaparecer, surge el riesgo de que la velocidad de la recuperación supere la velocidad de la comprensión, generando una desproporción entre lo que se puede acumular y lo que se puede efectivamente pensar. La aceleración de una fase del proceso de investigación no acelera proporcionalmente las demás; al contrario, puede tensionarlas, exigiendo del investigador una capacidad de procesamiento reflexivo que ninguna herramienta provee.

Conviene, sin embargo, resistir la tentación de leer este cambio como una simple ganancia de eficiencia. La analogía con la automatización industrial, aunque útil, debe manejarse con cautela. En la fábrica, la máquina sustituyó la fuerza muscular y, más tarde, ciertas operaciones de control; en el laboratorio y el gabinete, la IA no sustituye la totalidad del trabajo intelectual, sino un segmento específico de él: el más mecánico, repetitivo y codificable. Lo que se automatiza no es la comprensión, sino la recuperación; no la interpretación, sino la síntesis preliminar. Una revisión reciente de la literatura sobre la fiabilidad de la IA generativa en la síntesis bibliográfica encontró que estos sistemas igualan o superan al humano en el cribado simple de documentos, pero rinden por debajo en la síntesis matizada que requiere ponderar matices, contextos y contradicciones (Can generative AI reliably synthesise literature?, 2025). El segmento automatizable tiene, pues, un límite preciso, y ese límite coincide con la frontera de lo propiamente interpretativo.

La historia de la automatización industrial ofrece, además, una advertencia que la analogía permite recuperar. La mecanización del trabajo fabril no eliminó el trabajo humano, sino que lo desplazó, lo recalificó y, en muchos casos, lo intensificó y precarizó. El operario que dejó de ejecutar una tarea manual pasó a supervisar la máquina que la ejecutaba, en un trabajo a menudo más exigente en atención y más pobre en autonomía. Si la analogía se sostiene, cabe anticipar que la automatización de las tareas de recuperación y síntesis no liberará sin más al investigador, sino que lo reconvertirá en supervisor de procesos que no controla del todo, exigiéndole una vigilancia constante sobre productos cuya génesis le resulta opaca. La cuestión decisiva no es, entonces, si habrá trabajo intelectual, sino qué tipo de trabajo será y bajo qué condiciones se ejercerá. La sociología del trabajo tiene aquí un campo de indagación de primer orden, que el entusiasmo tecnológico tiende a clausurar prematuramente.

La IA como nueva infraestructura cognitiva

Resulta más fértil concebir la inteligencia artificial no como un sustituto del investigador, sino como una nueva infraestructura cognitiva de la investigación. Al igual que la imprenta, la biblioteca, el índice de citas o la base de datos en línea reconfiguraron en su momento las condiciones de posibilidad del trabajo científico, los sistemas generativos constituyen una capa infraestructural sobre la cual se asienta crecientemente la producción de conocimiento. Pero las infraestructuras nunca son neutrales. Determinan qué es fácil y qué es difícil, qué se vuelve visible y qué permanece en la sombra, quién accede y quién queda excluido. Pensar la IA como infraestructura obliga, por tanto, a preguntarse por su economía política: quién la posee, quién la controla, con qué recursos se sostiene y a qué intereses sirve.

La noción de infraestructura tiene, en los estudios sociales de la ciencia y la tecnología, una densidad conceptual que conviene aprovechar. Las infraestructuras se caracterizan por su tendencia a la invisibilidad: funcionan mejor cuando se las nota menos, cuando se vuelven transparentes para el usuario y se hunden en el trasfondo de la práctica cotidiana. Esa invisibilidad es, sin embargo, engañosa, pues una infraestructura que ha desaparecido de la conciencia del usuario sigue conformando sus posibilidades de acción de manera decisiva. El gran riesgo epistemológico de la IA como infraestructura cognitiva radica precisamente en esta naturalización: a medida que la mediación algorítmica se vuelve rutinaria y deja de ser objeto de reflexión, sus supuestos y sesgos se incorporan al conocimiento producido sin pasar por el filtro crítico. Recuperar la visibilidad de la infraestructura —volver a hacer extraño lo que se ha vuelto familiar— es, por ello, una tarea propia de la vigilancia epistemológica que se examinará más adelante.

La economía política de la inteligencia artificial

Aquí la contribución de Kate Crawford resulta indispensable. En Atlas of AI (2021), Crawford desmonta la imagen etérea y desmaterializada de la inteligencia artificial para mostrarla como lo que es: una tecnología de extracción. Detrás de la aparente inmaterialidad de los servicios en la nube se extiende una infraestructura planetaria intensiva en minerales, energía, agua y trabajo humano. La autora documenta el trabajo precarizado de los trabajadores fantasma —los etiquetadores de datos, los moderadores de contenido, los anotadores— cuya labor invisible sostiene la filación de objetividad y automatización de los sistemas. Su tesis es contundente: aunque los sistemas técnicos se presenten bajo un velo de objetividad, son siempre sistemas de poder. Crawford habla de una amnesia estratégica respecto de las historias materiales de la IA, una operación ideológica que borra los costos planetarios y laborales de la computación.

Esta materialidad tiene consecuencias directas para la producción de conocimiento. El entrenamiento y la operación de los grandes modelos de lenguaje requieren costos de cómputo que solo un puñado de corporaciones puede afrontar. La concentración tecnológica resultante implica que la infraestructura cognitiva de la ciencia contemporánea está mayoritariamente en manos privadas y geográficamente concentradas. La dependencia de grandes corporaciones —para el acceso a modelos, interfaces y capacidad de cómputo— introduce una vulnerabilidad estructural en el sistema científico: las condiciones de producción del conocimiento quedan subordinadas a decisiones empresariales sobre precios, disponibilidad, términos de servicio y orientación de los productos.

La gravedad de esta subordinación se aprecia al considerar su carácter asimétrico e irreversible en el corto plazo. Una universidad, un centro de investigación o un sistema científico nacional que ha reorganizado sus prácticas en torno a herramientas de IA propietarias queda expuesto a las decisiones unilaterales de los proveedores: un cambio en los términos de servicio, un aumento de precios, la discontinuación de un producto o una modificación en el comportamiento del modelo pueden alterar de un día para otro las condiciones de trabajo de comunidades enteras de investigadores. Esta dependencia es especialmente onerosa para las instituciones de los países periféricos, que carecen de capacidad para desarrollar alternativas propias y que negocian desde una posición de extrema debilidad. La infraestructura cognitiva de su ciencia queda así externalizada hacia actores sobre los que no tienen control ni influencia alguna, lo que constituye una forma contemporánea y específica de dependencia tecnológica.

Nick Srnicek, en Platform Capitalism (2017), ofrece el marco para entender esta dinámica. Las plataformas digitales operan como infraestructuras intermediarias que se benefician de efectos de red, recurren al subsidio cruzado entre servicios y tienden estructuralmente al monopolio. Los datos son, en este modelo, el recurso por excelencia: algo a extraerse, refinarse y usarse, en una analogía con el petróleo que se ha vuelto un lugar común pero que conserva su fuerza descriptiva. La IA generativa se inserta plenamente en esta lógica de plataforma: cuanto más se usa, más datos genera; cuantos más datos, mejores modelos; cuanto mejores modelos, más usuarios; y así sucesivamente, en un círculo que refuerza la posición dominante de los actores ya establecidos.

Shoshana Zuboff (2019) añade una dimensión adicional al caracterizar el capitalismo de la vigilancia como un orden económico que reclama la experiencia humana como materia prima gratuita para traducirla en datos conductuales destinados a la predicción y modificación del comportamiento. Si bien su análisis se centra en las plataformas publicitarias, su diagnóstico ilumina el modo en que la actividad académica misma —las búsquedas, las consultas, las interacciones con los asistentes de IA— se convierte en un flujo de datos capturable y monetizable. El investigador que recurre a estas herramientas no solo consume un servicio: produce, en el mismo acto, el insumo que alimenta y valoriza el sistema.

Couldry y Mejias (2019) llevan este análisis a su consecuencia teórica más radical con el concepto de colonialismo de datos, que definen como la apropiación de la vida humana de modo que los datos puedan extraerse de ella continuamente con fines de lucro. Lejos de ser una metáfora, sostienen que se trata de una nueva fase que combina la lógica extractiva del colonialismo histórico con la racionalidad abstracta del capitalismo. Este concepto ofrece un puente directo hacia la discusión sobre colonialidad del saber que se desarrollará más adelante, pues sitúa la extracción de datos en una genealogía de las relaciones de poder global.

Contra la narrativa de la sustitución

A la luz de esta economía política, conviene evaluar críticamente las afirmaciones corporativas sobre productividad, automatización y sustitución laboral. El relato dominante presenta la IA como una fuerza inexorable que automatizará el trabajo intelectual y volverá prescindibles a amplios sectores de trabajadores del conocimiento. La evidencia disponible, sin embargo, es más matizada. Como muestra Crawford, gran parte de lo que se presenta como automatización descansa en realidad sobre trabajo humano oculto y deslocalizado. Y como advierten Messeri y Crockett (2024), la incorporación de la IA puede aumentar el volumen de producción mientras erosiona la comprensión, lo que difícilmente puede calificarse de progreso científico. La narrativa de la sustitución cumple, ante todo, una función ideológica: naturaliza la concentración de poder, presenta como destino lo que es decisión y desvía la atención de la pregunta políticamente decisiva, que no es si las máquinas pensarán por nosotros, sino quién controla las máquinas que median nuestro pensamiento.

Es en este punto donde la categoría de opacidad institucional comienza a mostrar su utilidad. La opacidad de los sistemas de IA suele atribuirse a su complejidad técnica intrínseca —los modelos serían cajas negras incluso para sus creadores—. Pero esta explicación, siendo parcialmente cierta, oculta una dimensión más sociológica: buena parte de la opacidad no es técnica sino institucional. Los pesos de los modelos, los datos de entrenamiento, los criterios de filtrado, las decisiones de diseño y las políticas de uso permanecen sustraídos al escrutinio público no porque sean incomprensibles, sino porque las instituciones que los controlan tienen interés en mantenerlos opacos. La opacidad institucional es, así, una opacidad producida: un efecto de relaciones de poder y de propiedad, no una propiedad inevitable de la tecnología. Distinguir ambas dimensiones es un primer ejercicio de vigilancia epistemológica frente al discurso tecnológico dominante.

III. Del investigador como buscador al investigador como guardián epistemológico

Si las condiciones materiales de producción del conocimiento se transforman del modo descrito, también lo hace la figura misma del investigador. Durante mucho tiempo, una parte sustancial de la competencia científica consistió en saber buscar: conocer las fuentes, dominar los repertorios, orientarse en el archivo. En un contexto de abundancia informativa automatizada, esta competencia, sin desaparecer, pierde centralidad relativa. El problema ya no es acceder a la información —que fluye en cantidades antes inimaginables— sino evaluar críticamente su validez. El investigador se desplaza, así, de la función de buscador a la de guardián: alguien cuya tarea principal es la supervisión crítica de un flujo de conocimiento que ya no produce enteramente por sí mismo.

El concepto de vigilancia epistemológica

Para pensar esta nueva función conviene recuperar uno de los conceptos más fecundos de la tradición epistemológica francesa: la vigilancia epistemológica. En El oficio de sociólogo (1968), Pierre Bourdieu, Jean-Claude Chamboredon y Jean-Claude Passeron formularon este concepto como un principio rector de la práctica científica. Frente a la ilusión del saber inmediato, sostuvieron que el conocimiento científico se construye contra las prenociones, los prejuicios y las evidencias engañosas del sentido común —lo que, retomando una expresión clásica, llamaron la pensée naïve—. La vigilancia epistemológica es la actitud reflexiva y permanente mediante la cual el investigador somete a crítica sus propios instrumentos, categorías y datos, rompiendo conscientemente con las falsas evidencias y construyendo de manera deliberada el objeto científico.

El argumento de El oficio de sociólogo se articula en torno a una jerarquía de actos epistemológicos: la ruptura, la construcción y la comprobación. La ruptura con las prenociones precede lógicamente a la construcción del objeto, y esta a su vez precede a la comprobación empírica. El error positivista, según los autores, consiste en saltar directamente a la comprobación sin haber ejercido la ruptura ni la construcción, tratando los datos como si se ofrecieran por sí mismos a la observación neutral. Contra esta ilusión de la transparencia del dato, la tradición bourdieusiana insiste en que los hechos científicos se conquistan, se construyen y se comprueban, en ese orden. La vigilancia epistemológica es la disposición que mantiene activa esta jerarquía, impidiendo que la facilidad de la comprobación técnica haga olvidar el trabajo previo de ruptura y construcción. Esta advertencia, formulada hace más de medio siglo contra el empirismo estadístico, recobra una vigencia inesperada ante la IA: los datos y síntesis que los modelos ofrecen con fluidez invitan precisamente a ese salto hacia la comprobación que omite la ruptura crítica.

Esta tradición se nutre, a su vez, del pensamiento de Gaston Bachelard. En La formación del espíritu científico (1938), Bachelard desarrolló la noción de obstáculo epistemológico para designar los entorpecimientos y confusiones que se interponen en el acto de conocer, frecuentemente bajo la forma de conocimientos previos mal fundados. Su tesis es lapidaria: se conoce contra un conocimiento anterior. El espíritu científico avanza no por acumulación sino por rectificación, rompiendo con las representaciones espontáneas. Nada es dado; todo es construido, escribió. La ulterior tradición bachelardiana —en Canguilhem y Althusser— consolidaría la idea de ruptura epistemológica como discontinuidad entre el pensamiento precientífico y el científico.

Entre los obstáculos epistemológicos que Bachelard identificó, dos resultan especialmente iluminadores para el caso de la IA. El primero es lo que llamó la experiencia primera: el conocimiento inmediato y aparentemente evidente que se impone antes de toda crítica y que constituye el principal estorbo para el pensamiento científico, precisamente por su carácter seductor y su apariencia de obviedad. El segundo es el obstáculo verbal: la falsa explicación que descansa en una palabra que parece explicar pero solo nombra, en una imagen que sustituye al concepto. Las salidas de los modelos generativos combinan, peligrosamente, ambos obstáculos: ofrecen una experiencia primera de comprensión inmediata —la sensación de que la respuesta fluida resuelve la pregunta— y despliegan un dominio verbal que produce la ilusión de explicación mediante la mera articulación competente de un vocabulario. El obstáculo epistemológico bachelardiano encuentra en la prosa generativa una de sus formas contemporáneas más eficaces, justamente porque su fluidez desactiva la sospecha.

La vigilancia epistemológica en la era algorítmica

Trasladar estos conceptos al contexto de la inteligencia artificial generativa resulta extraordinariamente esclarecedor. Si la pensée naïve consistía en aceptar las prenociones del sentido común, en la era algorítmica las prenociones llegan pre-empaquetadas en las salidas fluidas y persuasivas de los modelos generativos. El obstáculo epistemológico adopta una nueva forma: ya no es solo el prejuicio interiorizado, sino la respuesta verosímil, bien redactada y aparentemente autorizada que un sistema produce a partir de regularidades estadísticas, sin garantía alguna de verdad. Cuanto más pulida y convincente es la prosa generada, mayor es su potencial como obstáculo, pues invita a la aceptación acrítica.

Ejercer vigilancia epistemológica en este contexto significa, ante todo, no confundir fluidez con validez. Implica someter las afirmaciones generadas por la IA a los mismos criterios que se aplicarían a cualquier fuente: examinar la evidencia que las respalda, verificar la trazabilidad de las fuentes citadas, evaluar la consistencia lógica y la calidad metodológica de los estudios invocados, comprobar la reproducibilidad de los resultados. La diferencia es que ahora estos criterios deben aplicarse a un flujo continuo, abundante y de origen opaco. La vigilancia deja de ser un momento puntual del proceso de investigación para convertirse en una disposición permanente, ejercida sobre cada salida del sistema.

Aquí la opacidad institucional reaparece como obstáculo de segundo orden. La vigilancia epistemológica clásica suponía que el investigador podía, en principio, rastrear el origen de una afirmación hasta sus fundamentos. Pero cuando la fuente es un modelo generativo cuyos datos de entrenamiento, criterios de ponderación y mecanismos de filtrado permanecen sustraídos al escrutinio, la trazabilidad se vuelve estructuralmente imposible. El investigador puede verificar si una cita existe, pero no puede auditar el proceso por el cual el modelo la generó ni los sesgos incorporados en ese proceso. La opacidad institucional impone, así, un límite a la vigilancia epistemológica, y reconocer ese límite es ya un acto de vigilancia: saber qué no se puede saber sobre la herramienta es parte de saber usarla críticamente.

El investigador social como supervisor crítico

De lo anterior se desprende una redefinición del papel del científico social. Si el acceso y procesamiento de información se automatizan parcialmente, la función distintiva del investigador se concentra en lo que las máquinas no pueden hacer con garantías: la supervisión crítica de los sistemas de producción automatizada de información. Esto no degrada el oficio; lo eleva. La principal competencia del científico social del futuro no será la erudición acumulativa —que las máquinas simulan con creciente eficacia— sino el juicio: la capacidad de discernir qué es válido y qué no, qué es pertinente y qué es ruido, qué afirmación resiste el escrutinio y cuál se desmorona ante la primera verificación.

Esta función de guardián tiene, además, una dimensión colectiva e institucional. La vigilancia epistemológica no puede recaer únicamente sobre el investigador individual; debe inscribirse en dispositivos institucionales —protocolos de verificación, normas de citación, mecanismos de revisión— que la sostengan y la hagan exigible. La crisis de la verificación científica que se examinará más adelante muestra con crudeza lo que ocurre cuando estos dispositivos no se adaptan al nuevo contexto. La vigilancia epistemológica, en suma, es a la vez una virtud individual y una construcción institucional, y la era de la IA exige fortalecer ambas dimensiones simultáneamente.

IV. Inteligencia artificial y detección de patrones: los límites de la automatización del sentido

Uno de los logros más celebrados de la inteligencia artificial contemporánea es su capacidad para detectar patrones, correlaciones y regularidades en grandes volúmenes de datos que escaparían a la percepción humana. En diversos campos —desde la genómica hasta la astronomía, desde la ciencia de materiales hasta el análisis de redes—, los sistemas de IA han identificado relaciones previamente no detectadas, anticipado estructuras y sugerido hipótesis. Este descubrimiento asistido por IA es real y significativo. Pero su correcta valoración exige una distinción conceptual rigurosa, particularmente relevante para las ciencias sociales: la diferencia entre detectar un patrón, explicar una causa, interpretar un sentido y comprender un significado.

Cuatro operaciones distintas

La detección de patrones es una operación estadística: identifica regularidades en la distribución de los datos. La explicación causal va más allá: postula mecanismos que producen esas regularidades. La interpretación social añade una dimensión adicional: sitúa los fenómenos en el horizonte de sentido de los actores. Y la comprensión de significados —el Verstehen de la tradición weberiana— se ocupa del sentido subjetivamente mentado por quienes actúan. Confundir estas operaciones es un error epistemológico de consecuencias graves, pues lleva a atribuir a la IA capacidades que no posee y a descuidar las funciones que las ciencias sociales están llamadas a cumplir.

Messeri y Crockett (2024) ofrecen un marco valioso para situar estas operaciones. Distinguen cuatro visiones de la IA en la ciencia, según el rol que se le atribuye: la IA como oráculo, que sintetiza y busca literatura y genera hipótesis; como sustituto, que genera o reemplaza datos; como cuantificador, que analiza datos masivos; y como árbitro, que evalúa y revisa. Su advertencia es que cada uno de estos roles, ejercido acríticamente, explota límites cognitivos humanos y favorece ilusiones de comprensión. En particular, la IA como cuantificador detecta patrones con eficacia, pero la tentación de leer esos patrones como explicaciones o interpretaciones constituye precisamente la fuente de la ilusión.

El argumento de Messeri y Crockett sobre los monocultivos científicos merece desarrollo, pues afecta de manera directa a la ecología del conocimiento. Cuando una comunidad científica converge en un conjunto reducido de herramientas de IA para formular preguntas, generar hipótesis y analizar datos, tiende a estrechar el repertorio de métodos y problemas considerados legítimos. Las preguntas que las herramientas manejan bien desplazan a las que manejan mal; los métodos que la IA facilita se vuelven dominantes sobre los que requieren un trabajo artesanal e insustituible. El resultado es una homogeneización de la práctica científica que reduce su diversidad epistémica, del mismo modo que un monocultivo agrícola reduce la biodiversidad y aumenta la vulnerabilidad sistémica. Para las ciencias sociales, este riesgo es particularmente agudo: la riqueza de la disciplina reside precisamente en su pluralismo metodológico y teórico, en la coexistencia de enfoques cuantitativos y cualitativos, comprensivos y explicativos, críticos y descriptivos. Un monocultivo metodológico inducido por la IA empobrecería ese pluralismo justamente cuando más se lo necesita para interpretar un mundo en transformación acelerada.

La sociología comprensiva de Max Weber

La tradición de la sociología comprensiva ofrece los recursos conceptuales para resistir esta confusión. Max Weber definió la sociología como una ciencia que se ocupa de la comprensión interpretativa de la acción social y, con ello, de la explicación causal de su curso y consecuencias (Weber, 1978). La clave está en la articulación entre comprensión (Verstehen) y explicación: no basta con establecer una regularidad estadística entre variables; es preciso comprender el sentido que los actores atribuyen a su acción, pues solo ese sentido convierte una conducta en acción social. Un sistema de IA puede detectar que ciertas variables covarían, pero no puede acceder al sentido subjetivamente mentado que hace inteligible esa covariación como acción humana significativa.

Esta limitación no es contingente ni superable con más datos o mejores modelos. Es constitutiva. El sentido no es un dato observable que pueda extraerse de un corpus; es una relación interpretativa que requiere la participación de un sujeto capaz de comprender. Por eso Weber insistía en que la sociología debe combinar la adecuación a nivel del sentido con la adecuación a nivel causal: una explicación sociológica es satisfactoria solo si es a la vez causalmente plausible y comprensible desde el punto de vista del actor. La IA puede contribuir a la primera dimensión; la segunda permanece como tarea irreductiblemente humana.

La descripción densa de Clifford Geertz

Clifford Geertz radicalizó esta intuición con su célebre noción de descripción densa (Geertz, 1973). Para Geertz, la cultura consiste en telarañas de significados que los seres humanos mismos han tejido, y la tarea del análisis cultural no es la de una ciencia experimental en busca de leyes, sino la de una ciencia interpretativa en busca de significaciones. La diferencia entre una descripción superficial y una densa no reside en la cantidad de datos, sino en la profundidad interpretativa: describir un guiño no es lo mismo que comprender qué significa ese guiño en un contexto cultural determinado —si es un tic, una señal, una parodia o una conspiración—. La misma conducta observable admite interpretaciones radicalmente distintas según el marco de sentido.

Aquí se revela con nitidez el límite de la detección de patrones. Un sistema de IA puede registrar el patrón motriz del guiño con precisión milimétrica, pero la determinación de su significado exige una operación interpretativa que moviliza conocimiento contextual, histórico y cultural irreductible al patrón mismo. La descripción densa es, por definición, una tarea de contextualización e interpretación que ningún reconocimiento de regularidades puede sustituir. Las ciencias sociales, en tanto ciencias interpretativas, tienen aquí su territorio propio e insustituible.

Habermas y los intereses del conocimiento

Jürgen Habermas (1971) aporta una dimensión adicional al mostrar que todo conocimiento está guiado por intereses constitutivos. Distinguió tres tipos de intereses cognitivos: el técnico, orientado al control y la predicción, propio de las ciencias empírico-analíticas; el práctico, orientado a la comprensión intersubjetiva, propio de las ciencias histórico-hermenéuticas; y el emancipatorio, orientado a la autonomía y la crítica de las relaciones de dominación, propio de las ciencias críticas. Esta distinción permite situar el aporte y los límites de la IA: los sistemas generativos se inscriben paradigmáticamente en el interés técnico —optimización, predicción, control—, pero las ciencias sociales no pueden reducirse a ese interés. La comprensión práctica y la crítica emancipatoria exigen una reflexividad que la racionalidad instrumental de la IA no contempla ni puede contemplar.

La doble hermenéutica de Anthony Giddens

Finalmente, Anthony Giddens (1984) ofrece quizá el argumento más decisivo contra la pretensión de objetivar lo social al modo de las ciencias naturales. Su concepto de doble hermenéutica señala que el mundo social, a diferencia del mundo natural, ya está preinterpretado por los actores que lo habitan. El sociólogo no estudia un objeto mudo, sino sujetos que dan sentido a su propia acción y que disponen de teorías legas sobre el mundo en que viven. Más aún: los conceptos y hallazgos de las ciencias sociales retornan al mundo social que describen y lo modifican, en un movimiento circular que no tiene equivalente en las ciencias de la naturaleza.

Esta circularidad reflexiva resulta opaca para los sistemas de IA, que operan sobre datos como si fueran registros estáticos de un mundo dado, sin captar que esos datos son ellos mismos productos de interpretaciones previas y que su análisis puede alterar el fenómeno estudiado. La doble hermenéutica implica que la comprensión del mundo social es intrínsecamente histórica, situada y reflexiva. La IA puede procesar el rastro digital de la acción social, pero no participa del horizonte de sentido compartido que hace de esa acción algo comprensible. La agencia, el sentido y el contexto histórico permanecen como dimensiones irreductibles a la automatización, y su custodia es precisamente la responsabilidad de las ciencias sociales.

En conjunto, la tradición interpretativa —de Weber a Giddens— no niega el valor de la detección de patrones; lo sitúa. Los patrones son insumos valiosos para la investigación social, pero solo adquieren significado científico cuando se integran en una interpretación que comprende el sentido, explica las causas y contextualiza históricamente. La IA amplía enormemente nuestra capacidad de detectar patrones; con ello, lejos de volver superflua la interpretación, aumenta la demanda de un trabajo interpretativo capaz de dar sentido a la avalancha de regularidades detectadas. Una vez más, la automatización de una tarea eleva el valor de la función que no puede automatizarse.

V. Riesgos epistemológicos y violencia epistémica en la era algorítmica

La inteligencia artificial generativa no es un instrumento neutral que se limite a procesar información de manera imparcial. Como todo artefacto sociotécnico, incorpora en su diseño, en sus datos de entrenamiento y en sus criterios de operación una serie de supuestos, valores y relaciones de poder. Cuando estos sistemas median crecientemente la producción de conocimiento, esos supuestos y relaciones se inscriben en el conocimiento producido, con riesgos epistemológicos de considerable gravedad. Esta sección examina críticamente esos riesgos a la luz de la teoría decolonial y los estudios feministas de la ciencia.

La premisa de que los artefactos técnicos no son neutrales tiene una larga trayectoria en los estudios sociales de la ciencia y la tecnología, y conviene asumirla con todas sus consecuencias. No se trata de afirmar que la IA sea buena o mala en abstracto, sino de reconocer que toda tecnología cristaliza decisiones —sobre qué optimizar, qué medir, qué incluir y qué excluir— que son inseparables de los intereses y las cosmovisiones de quienes la diseñan. En el caso de los sistemas generativos, estas decisiones quedan sepultadas bajo capas de complejidad técnica y de secreto corporativo, de modo que el usuario recibe un producto cuya genealogía valorativa le es invisible. La crítica que sigue no apunta, por tanto, contra la tecnología como tal, sino contra la ilusión de su neutralidad, que es precisamente el velo ideológico que impide ver las relaciones de poder inscritas en ella.

Sesgos algorítmicos y eurocentrismo digital

El más documentado de estos riesgos es el sesgo algorítmico. Los modelos generativos se entrenan sobre corpus de texto que reflejan las asimetrías del mundo del que provienen: la sobrerrepresentación de ciertos idiomas —singularmente el inglés—, de ciertas geografías —el Norte global—, de ciertas tradiciones intelectuales y de ciertos grupos sociales. El resultado es un eurocentrismo digital: los sistemas tienden a reproducir y amplificar la perspectiva dominante en sus datos, presentándola como universal y neutral. Lo que se ofrece como conocimiento general es, con frecuencia, conocimiento situado en una posición particular cuyo carácter situado ha sido borrado.

Conviene precisar el mecanismo por el cual este sesgo se produce y se vuelve difícil de corregir. Los modelos de lenguaje aprenden a predecir secuencias probables a partir de las regularidades de su corpus de entrenamiento; en consecuencia, tienden a reproducir lo más frecuente y a marginar lo más raro. Pero la frecuencia en el corpus no es un indicador de verdad ni de relevancia: refleja, ante todo, las relaciones de poder que determinan qué se publica, en qué lenguas, en qué circuitos y con qué visibilidad. Un saber producido en una lengua minoritaria, publicado en una revista regional no indexada o transmitido por vías no textuales tiene una probabilidad ínfima de incidir en el comportamiento del modelo, por valioso que sea. El sesgo algorítmico no es, pues, un defecto accidental que mejores datos corregirían sin más, sino la incorporación estructural de las asimetrías del mundo en el funcionamiento del sistema. Y la opacidad institucional agrava el problema: al no poder auditar los corpus ni los criterios de filtrado, el investigador no puede siquiera diagnosticar con precisión qué está sobrerrepresentado y qué está silenciado.

Este fenómeno conecta con una de las críticas más profundas a la objetividad científica tradicional. Donna Haraway (1988), en su influyente ensayo sobre los conocimientos situados, denunció lo que llamó el truco de dios: la pretensión de ver todo desde ninguna parte, de adoptar una mirada desencarnada y universal que oculta su propia posición. Frente a esta ilusión, Haraway propuso entender todo conocimiento como situado, parcial y encarnado, y la objetividad no como neutralidad sino como responsabilidad sobre la propia perspectiva. La IA generativa, al presentar sus salidas con un tono de autoridad impersonal y universal, ejecuta una versión tecnológica del truco de dios: oculta la parcialidad de su perspectiva bajo la apariencia de un saber sin sujeto ni lugar.

Sandra Harding profundizó esta línea con la teoría del punto de vista y la noción de objetividad fuerte: paradójicamente, un conocimiento que reconoce y examina su posición situada puede ser más objetivo que el que pretende falsamente la neutralidad, pues somete a escrutinio los supuestos que el saber dominante naturaliza. Aplicada a la IA, esta idea sugiere que la pretensión de neutralidad de los sistemas generativos no es una garantía de objetividad sino, al contrario, un obstáculo para ella: lo que no se examina no puede corregirse, y la opacidad institucional de los modelos impide precisamente ese examen.

Colonialidad del saber e invisibilización de epistemologías periféricas

La crítica decolonial latinoamericana ofrece el marco más penetrante para comprender estos riesgos. Aníbal Quijano (2000) acuñó el concepto de colonialidad del poder para designar el patrón de dominación que sobrevivió al fin del colonialismo histórico y que organiza, hasta hoy, las relaciones globales en torno a jerarquías de raza, trabajo y conocimiento. Una de sus dimensiones es la colonialidad del saber: la imposición del eurocentrismo como única perspectiva legítima de conocimiento y la consiguiente subalternización de otras formas de saber. El eurocentrismo, en la lectura de Quijano, no es solo un sesgo geográfico sino una estructura epistémica que define qué cuenta como conocimiento válido y qué queda relegado a la condición de creencia, superstición o saber local.

Walter Mignolo (2011) ha desarrollado las opciones decoloniales como respuestas a esta matriz colonial del poder, abogando por una desobediencia epistémica que desnaturalice la pretensión universal del conocimiento occidental y reivindique la pluralidad de los saberes. Boaventura de Sousa Santos (2014), por su parte, ha llamado epistemicidio a la destrucción sistemática de saberes no occidentales operada por la modernidad colonial, y ha propuesto las epistemologías del Sur y una ecología de saberes como horizonte de justicia cognitiva. Su tesis es contundente: no habrá justicia social global sin justicia cognitiva global. El pensamiento abismal de la modernidad occidental traza una línea que separa lo visible de lo invisible, lo válido de lo descartable, y relega al otro lado de esa línea a la mayoría de los saberes de la humanidad.

Trasladada a la IA, esta crítica adquiere una urgencia particular. Si los sistemas generativos se entrenan sobre corpus dominados por el conocimiento del Norte global y en lenguas hegemónicas, operan como dispositivos de reproducción y amplificación de la colonialidad del saber a una escala y velocidad sin precedentes. Las epistemologías periféricas —los saberes producidos en lenguas minoritarias, en tradiciones no occidentales, en circuitos editoriales no indexados por las grandes bases de datos— quedan estructuralmente subrepresentadas en los datos de entrenamiento y, por tanto, invisibilizadas en las salidas. El riesgo no es solo que la IA ignore estos saberes, sino que los borre activamente del horizonte de lo conocible, presentando como inexistente lo que simplemente no figura en su corpus.

Violencia epistémica y colonialidad algorítmica

Gayatri Spivak (1988) ofreció el concepto que permite nombrar la dimensión más grave de este proceso: la violencia epistémica. En su célebre interrogante sobre si el subalterno puede hablar, Spivak analizó el proyecto vasto y heterogéneo de constituir al sujeto colonial como Otro y de silenciar su voz, no mediante la represión directa sino mediante la negación de su condición de sujeto de conocimiento. La violencia epistémica no destruye cuerpos sino la capacidad misma de los subalternos de ser escuchados como productores legítimos de saber. Es una violencia que opera en el plano de las condiciones de enunciación: define quién puede hablar con autoridad y quién queda reducido a objeto del discurso ajeno.

Shakir Mohamed, Marie-Therese Png y William Isaac (2020) han trasladado de manera sistemática esta crítica al campo de la inteligencia artificial mediante el concepto de colonialidad algorítmica. Su propuesta de una previsión sociotécnica decolonial identifica distintas formas en que la IA puede reproducir patrones coloniales: la opresión algorítmica, que afianza jerarquías sociales existentes; la explotación algorítmica, que extrae valor del trabajo y los datos de poblaciones vulnerables; y la desposesión algorítmica (algorithmic dispossession), que concentra el poder de definir y decidir en manos de pocos actores. Frente a ello, proponen tácticas decoloniales: una práctica técnica crítica, un tutelaje inverso que aprenda de las comunidades afectadas, y la construcción de comunidades afectivas y políticas en torno al diseño y gobierno de estos sistemas.

El concepto de colonialismo de datos de Couldry y Mejias (2019), examinado antes, cierra el círculo: la extracción masiva de datos sobre la que se construyen los modelos generativos es la base material de la colonialidad algorítmica. Quien produce los datos, quien entrena los modelos y quien controla las infraestructuras determina qué conocimiento se vuelve posible. Y la respuesta a estas tres preguntas dibuja un mapa de poder profundamente asimétrico, concentrado en un puñado de corporaciones y geografías del Norte global. La IA, lejos de ser un nivelador del acceso al conocimiento, amenaza con consolidar y automatizar las jerarquías globales del saber.

Es aquí donde la categoría de resiliencia en tensión adquiere su pertinencia teórica. Frente a la fuerza homogeneizadora de la colonialidad algorítmica, los sistemas de conocimiento periféricos no son meras víctimas pasivas. Despliegan estrategias de persistencia, adaptación y resistencia que les permiten sostener su función bajo una presión estructural permanente. Esta persistencia no es estable ni garantizada: ocurre en tensión, en un equilibrio precario entre la asimilación y la desaparición, entre la adaptación a las reglas del sistema dominante y la preservación de una lógica propia. Nombrar esta condición como resiliencia en tensión permite captar simultáneamente la agencia de estos sistemas y la precariedad de su situación, evitando tanto el fatalismo que los da por derrotados como el optimismo que ignora la asimetría de fuerzas. La sección VIII desarrollará esta categoría a propósito del ecosistema científico latinoamericano.

VI. La crisis de la verificación científica

Si la sección anterior examinó los riesgos estructurales de sesgo y colonialidad, esta aborda un riesgo más inmediato y palpable: la erosión de los mecanismos de verificación que garantizan la fiabilidad del conocimiento científico. La inteligencia artificial generativa ha introducido, junto con sus capacidades, una serie de patologías epistémicas —referencias inventadas, alucinaciones algorítmicas, producción automatizada de textos— que se suman a problemas preexistentes —revistas depredadoras, fábricas de artículos— para configurar lo que cabe denominar una crisis de la verificación científica.

Referencias inventadas y alucinaciones algorítmicas

El fenómeno de las alucinaciones —la generación de información falsa con apariencia de veracidad— es inherente al funcionamiento de los modelos de lenguaje, que producen texto estadísticamente plausible sin garantía de correspondencia con la realidad. En el ámbito de la citación científica, esto se traduce en la fabricación de referencias: citas con apariencia perfectamente formal —autores plausibles, títulos verosímiles, revistas reales, incluso identificadores DOI bien formateados— que, sin embargo, no corresponden a ningún trabajo existente o que mezclan datos de trabajos distintos. Un estudio publicado en Scientific Reports encontró que el 55% de las citas generadas por GPT-3.5 eran fabricadas, frente al 18% de las generadas por GPT-4; y que, entre las citas reales, un 43% (GPT-3.5) y un 24% (GPT-4) contenían errores sustantivos (Walters & Wilder, 2023). El hallazgo es revelador: incluso cuando la cita es formalmente impecable, su validez no está garantizada, lo que vuelve insuficiente la verificación superficial.

La magnitud agregada del problema es alarmante. Una auditoría a gran escala publicada en The Lancet examinó 97,1 millones de referencias en cerca de 2,5 millones de artículos biomédicos e identificó miles de referencias fabricadas, con una tendencia temporal explosiva: en 2023, aproximadamente uno de cada 2.828 artículos contenía al menos una referencia fabricada; para 2025 la proporción había aumentado a uno de cada 458; y en las primeras semanas de 2026, a uno de cada 277 (Topaz et al., 2026). En apenas tres años, la tasa se multiplicó por un factor cercano a doce. Aunque el estudio se circunscribe al campo biomédico, no hay razón para suponer que las ciencias sociales sean inmunes; si acaso, la menor estandarización de sus prácticas de citación podría agravar el problema.

El fenómeno alcanza incluso a los circuitos de máxima exigencia. Un análisis de las contribuciones aceptadas en una conferencia de primer nivel en aprendizaje automático identificó un centenar de citas alucinadas en varias decenas de artículos aceptados —en torno al uno por ciento del total—, pese a haber sido sometidos a la revisión de varios expertos por trabajo (Ansari, 2026). Que las referencias fabricadas atraviesen los filtros de la revisión por pares más rigurosa indica que el problema no se resuelve con buena voluntad individual: exige una transformación de los dispositivos institucionales de verificación.

Fábricas de artículos y literatura sintética

A la fabricación de citas se suma un problema de escala industrial: las fábricas de artículos (paper mills), organizaciones que producen y venden trabajos científicos fraudulentos, frecuentemente con autorías ficticias y datos inventados. La IA generativa potencia exponencialmente esta industria al reducir el costo de producir textos verosímiles. Un estudio publicado en las actas de la Academia Nacional de Ciencias de Estados Unidos encontró que los artículos sospechosos de provenir de fábricas se duplican aproximadamente cada año y medio, frente a un ritmo de crecimiento del conjunto de la literatura científica que se mide en lustros (Richardson et al., 2025). Las estimaciones sobre el volumen acumulado son inquietantes: cientos de miles de artículos publicados entre 2000 y 2022 presentarían marcas de haber sido producidos por estas fábricas, una cifra muy superior a la de los trabajos efectivamente retractados o corregidos en el mismo periodo.

La proliferación de literatura sintética —textos generados o asistidos por IA sin la debida supervisión— amenaza con contaminar el registro científico de un modo que desafía los mecanismos tradicionales de validación. La revisión por pares, diseñada para un mundo de producción artesanal y costosa de textos, se ve desbordada por un volumen y una velocidad de producción que no fueron previstos en su diseño. El resultado es una asimetría creciente entre la capacidad de producir textos con apariencia científica y la capacidad de verificarlos, asimetría que erosiona la confianza en el conjunto del sistema.

Esta asimetría tiene una dimensión sociológica que conviene explicitar. La confianza es el fundamento invisible del sistema científico: ningún investigador puede verificar personalmente más que una fracción ínfima de los conocimientos sobre los que construye su trabajo, de modo que debe confiar en que el resto ha sido producido y validado conforme a las normas de la comunidad. Esta confianza no es ingenua; descansa en dispositivos institucionales —la revisión por pares, la reputación de las revistas, las normas de citación, la posibilidad de réplica— que la hacen razonable. La crisis de la verificación es, en el fondo, una crisis de estos dispositivos de confianza: cuando la literatura sintética y las citas fabricadas se infiltran en el registro, erosionan la base sobre la que reposa la posibilidad misma de construir conocimiento acumulativo. Restaurar la confianza no es, por ello, una cuestión meramente técnica de mejores detectores, sino una cuestión sociológica de reconstrucción de las instituciones que sostienen la credibilidad del saber.

Infraestructuras de verificación: alcances y límites

Frente a esta crisis se han propuesto y desarrollado diversas infraestructuras de verificación e identificación persistente. El sistema de identificadores de objeto digital (DOI), gestionado por organizaciones como Crossref, asigna a cada publicación un identificador único y permanente. El identificador ORCID hace lo propio con los autores, vinculando de manera inequívoca a cada investigador con su producción. Bases de datos abiertas e interoperables como OpenAlex permiten rastrear citas y relaciones entre trabajos a gran escala. Los repositorios abiertos y las redes regionales —que se examinarán en la sección siguiente— amplían el acceso y la trazabilidad del conocimiento.

Estas infraestructuras son valiosas y necesarias, pero sería ingenuo considerarlas una solución completa. Su límite fundamental es que garantizan la trazabilidad y la persistencia de las referencias existentes, pero no detectan por sí mismas el contenido fabricado bien formateado. Como mostró el estudio de Walters y Wilder (2023), una cita alucinada puede incluir un DOI con formato válido que redirige a un artículo real pero no relacionado; el identificador funciona, pero la cita es falsa. La verificación formal —comprobar que una referencia existe y está bien constituida— es condición necesaria pero no suficiente de la verificación sustantiva —comprobar que la referencia respalda efectivamente lo que se le atribuye—. Esta última sigue requiriendo el juicio humano: la lectura, la comprensión y la evaluación crítica que ningún sistema automático puede sustituir.

La crisis de la verificación confirma, así, la tesis central de este artículo desde un ángulo inesperado. Cuanto más fácil resulta producir textos y citas con apariencia científica, más valiosa se vuelve la función humana de validación crítica. La vigilancia epistemológica deja de ser una virtud académica entre otras para convertirse en una condición de supervivencia del sistema científico. Y esa vigilancia, para ser eficaz, debe inscribirse en dispositivos institucionales —normas, protocolos, infraestructuras— capaces de sostenerla a la escala del problema. La opacidad institucional de los sistemas generativos agrava el desafío: cuando no se puede auditar cómo un modelo produjo una afirmación, la carga de la verificación recae enteramente sobre el extremo humano de la cadena.

VII. Inteligencia artificial, UNESCO y gobernanza del conocimiento

Los riesgos examinados en las secciones anteriores no pueden enfrentarse únicamente en el plano individual de la vigilancia epistemológica. Requieren, además, marcos de gobernanza que orienten el desarrollo y el uso de la inteligencia artificial hacia fines compatibles con la integridad del conocimiento y la justicia social. En los últimos años se ha desplegado un esfuerzo internacional considerable por construir tales marcos, en el que las ciencias sociales tienen mucho que aportar y mucho en juego.

La Recomendación de la UNESCO sobre la ética de la IA

El instrumento más significativo en este campo es la Recomendación sobre la ética de la inteligencia artificial, adoptada por la Conferencia General de la UNESCO el 23 de noviembre de 2021 por los entonces ciento noventa y tres Estados miembros (UNESCO, 2021). Se trata del primer instrumento normativo de alcance mundial sobre la materia. La Recomendación se organiza en torno a cuatro valores fundamentales —el respeto a los derechos humanos y la dignidad; la construcción de sociedades pacíficas, justas e interconectadas; la diversidad y la inclusión; y el florecimiento del medio ambiente y los ecosistemas— y un conjunto de principios operativos: proporcionalidad y no causar daño, seguridad, equidad y no discriminación, sostenibilidad, derecho a la privacidad y gobernanza de los datos, supervisión y decisión humanas, transparencia y explicabilidad, responsabilidad y rendición de cuentas, sensibilización y educación, y gobernanza y colaboración adaptativas y multilaterales.

Para los fines de este artículo, varios de estos principios resultan especialmente pertinentes. El principio de transparencia y explicabilidad apunta directamente al problema de la opacidad: exige que el funcionamiento de los sistemas pueda ser comprendido y escrutado. El de supervisión y decisión humanas reafirma que la responsabilidad última no puede delegarse en las máquinas, en consonancia con la función de guardián epistemológico aquí defendida. El de equidad y no discriminación interpela los sesgos y la colonialidad algorítmica. Y el llamado de la Recomendación a la solidaridad para corregir la brecha de IA entre el puñado de países y empresas dominantes y el resto del mundo conecta de manera directa con las preocupaciones decoloniales y con la situación de América Latina.

Conviene, no obstante, ejercer vigilancia epistemológica también sobre estos marcos. La transparencia que la Recomendación exige choca con la opacidad institucional que las corporaciones tienen interés en preservar; el principio de supervisión humana puede quedar en letra muerta si no se acompaña de capacidades efectivas de auditoría; y la apelación a la solidaridad corre el riesgo de la retórica si no se traduce en transferencias reales de recursos y capacidades. La distancia entre el principio enunciado y la práctica efectiva es, ella misma, un objeto de estudio para las ciencias sociales.

Marcos comparados: del derecho blando al derecho duro

La Recomendación de la UNESCO se inscribe en un ecosistema más amplio de marcos de gobernanza que conviene situar comparativamente. Los Principios de IA de la OCDE, adoptados en 2019 y actualizados en 2024, constituyeron el primer estándar intergubernamental en la materia y sirvieron de base a los principios del G20; se trata, como la Recomendación de la UNESCO, de un instrumento de derecho blando (soft law), no jurídicamente vinculante, que opera por adhesión y persuasión más que por obligación. En el extremo opuesto del espectro normativo se sitúa el Reglamento de Inteligencia Artificial de la Unión Europea (Reglamento 2024/1689), primer marco horizontal jurídicamente vinculante, que clasifica los sistemas según niveles de riesgo —inaceptable, alto, limitado y mínimo— y prevé sanciones de hasta 35 millones de euros o, para las empresas, hasta el 7% de su facturación anual mundial, según cuál cifra resulte mayor, para las prácticas prohibidas.

Esta tensión entre el derecho blando y el derecho duro define buena parte del debate contemporáneo sobre gobernanza de la IA. Los instrumentos no vinculantes —UNESCO, OCDE, el Proceso de Hiroshima del G7— ofrecen flexibilidad, alcance global y capacidad de generar consenso, pero carecen de mecanismos de exigibilidad. Los instrumentos vinculantes —el reglamento europeo, la Convención del Consejo de Europa sobre IA— ofrecen exigibilidad pero enfrentan límites de jurisdicción y riesgos de fragmentación regulatoria. Para las ciencias sociales, este campo constituye un objeto privilegiado: el estudio de cómo se construyen, negocian e implementan estos marcos es, a la vez, sociología del derecho, sociología de la ciencia y análisis de políticas públicas.

La contribución de las ciencias sociales a la gobernanza democrática de la IA no se limita, sin embargo, al estudio de los marcos existentes. Incluye la capacidad de identificar los intereses y relaciones de poder que esos marcos consagran o desafían, de dar voz a los actores subalternizados en el diseño de las políticas, y de someter a crítica las pretensiones de neutralidad y beneficencia con que la industria envuelve sus productos. La gobernanza del conocimiento es, en última instancia, una cuestión política, y las ciencias sociales aportan las herramientas para tratarla como tal.

VIII. Perspectivas para América Latina y El Salvador

Los desafíos examinados hasta aquí adquieren un relieve particular cuando se los observa desde la periferia del sistema mundial de producción de conocimiento. América Latina, y dentro de ella Centroamérica y El Salvador, enfrenta la era de la inteligencia artificial desde una posición de asimetría estructural que combina brechas digitales, acceso desigual al conocimiento, dependencia tecnológica, financiamiento científico limitado e infraestructura académica frágil. Pero esa misma posición ha generado también respuestas originales y resilientes que merecen ser destacadas y teorizadas.

Asimetrías estructurales y brechas digitales

La evidencia bibliométrica documenta con claridad la asimetría global en la producción de conocimiento en IA. Un análisis de la geografía mundial de la investigación en IA, basado en cerca de cuatrocientas mil publicaciones y catorce millones y medio de citas, encontró que, aunque Asia lidera en número total de publicaciones, Norteamérica y Europa concentran la investigación de mayor impacto, generando hasta un 50% más de citas que otras regiones (The global geography of artificial intelligence in life science research, 2024). Otros estudios de mapeo confirman que la producción científica en IA se concentra en una decena de países del hemisferio norte, con Estados Unidos y China a la cabeza. La asimetría no es solo geográfica sino epistémica: ciertos contextos producen más conocimiento que otros y, con ello, configuran la agenda global de lo que se investiga y de lo que se considera relevante.

A esta asimetría en la producción se suma la brecha digital en el acceso. En América Latina y el Caribe, aunque la cobertura de banda ancha alcanza a una mayoría de la población, una proporción considerablemente menor cuenta con conexión doméstica de calidad, y persisten profundas brechas entre zonas urbanas y rurales. El financiamiento de la ciencia agrava el cuadro: el gasto en investigación y desarrollo como porcentaje del producto interno bruto se ha mantenido en la región muy por debajo del promedio de los países de mayores ingresos, y El Salvador figura entre los países de menor inversión relativa. Estas condiciones materiales determinan las posibilidades reales de los investigadores latinoamericanos de participar en la frontera de la investigación en IA y de no quedar reducidos a la condición de meros consumidores de tecnologías producidas en otros lugares.

El modelo latinoamericano de acceso abierto: resiliencia en tensión

Frente a este panorama, América Latina ha desarrollado una de las respuestas más originales y valiosas del mundo en materia de comunicación científica: un ecosistema de acceso abierto no comercial liderado por las universidades y los organismos públicos. Infraestructuras como Redalyc —que desde 2018 indexa exclusivamente revistas de acceso abierto diamante—, SciELO, AmeliCA —iniciativa apoyada por la UNESCO, CLACSO y Redalyc—, LA Referencia y Latindex sostienen un modelo en el que publicar significa hacer público y compartir, no comercializar. A diferencia del modelo dominante en el Norte global, basado crecientemente en el cobro de cargos por procesamiento de artículos (APC) que trasladan el costo a los autores, el modelo latinoamericano concibe la comunicación científica como un bien común financiado colectivamente. La proporción de revistas diamante en la región es abrumadora: la inmensa mayoría de las revistas latinoamericanas indexadas en los directorios internacionales operan bajo este modelo sin cargos ni para autores ni para lectores.

Este ecosistema constituye el ejemplo paradigmático de lo que aquí se ha denominado resiliencia en tensión. Por un lado, demuestra una notable capacidad de persistencia y de sostenimiento de una lógica propia —el conocimiento como bien común— frente a la presión homogeneizadora del modelo comercial global. Por otro, esa persistencia ocurre bajo una tensión permanente: la presión por adoptar los indicadores de prestigio del sistema dominante, la atracción de los grandes consorcios editoriales comerciales, la precariedad del financiamiento público que sostiene la infraestructura, y el riesgo de invisibilidad en un ecosistema de descubrimiento dominado por bases de datos del Norte. El modelo no está consolidado de manera estable ni a salvo de retrocesos; se sostiene en un equilibrio precario que exige una defensa activa y constante.

La categoría de resiliencia en tensión permite captar esta dualidad sin caer en simplificaciones. No se trata de celebrar acríticamente la resistencia periférica como si hubiera triunfado, ni de lamentar fatalistamente su inevitable derrota. Se trata de reconocer que existe una agencia real —estrategias deliberadas de construcción de alternativas— que opera bajo condiciones estructurales adversas que no desaparecen. La resiliencia en tensión es, precisamente, la persistencia de la agencia bajo presión estructural sostenida. Aplicada al ecosistema científico latinoamericano, la categoría ilumina tanto su logro —haber construido y mantenido una alternativa viable al modelo comercial— como su vulnerabilidad —la amenaza permanente de asimilación o desplazamiento—. Y su aplicabilidad teórica trasciende este caso: puede iluminar la situación de cualquier sistema de conocimiento subalterno que persiste y se adapta sin disolverse bajo la presión de un sistema dominante.

La articulación entre este modelo de acceso abierto y la era de la IA es ambivalente. Por un lado, la apertura y la interoperabilidad de las infraestructuras latinoamericanas las hacen potencialmente valiosas como fuente de datos para el entrenamiento de modelos sensibles al contexto regional, y como base para una ciencia abierta capaz de democratizar el conocimiento. Por otro, esa misma apertura las expone a la extracción sin reciprocidad: que el conocimiento producido colectivamente como bien común sea capturado, procesado y comercializado por sistemas corporativos que no devuelven valor a las comunidades que lo generaron. La defensa del modelo latinoamericano en la era de la IA exige, por tanto, no solo sostener su apertura sino también protegerla de la apropiación extractiva: un nuevo frente de la tensión que la categoría busca nombrar.

El Salvador: marco emergente y vacíos de conocimiento

El caso salvadoreño merece una consideración específica, aunque debe abordarse con una advertencia metodológica explícita: no existe, hasta donde alcanza esta investigación, un estudio bibliométrico que aísle y cuantifique la producción científica salvadoreña en inteligencia artificial. Esta ausencia es, en sí misma, un dato significativo: refleja la posición periférica del país en el sistema global de producción de conocimiento y la escasez de capacidades locales de investigación y de medición de esa investigación. Cualquier afirmación sobre el caso salvadoreño debe, por tanto, apoyarse en indicadores regionales y en el marco institucional emergente, reconociendo de manera transparente los límites del conocimiento disponible.

En el plano normativo, El Salvador aprobó en febrero de 2025 una Ley de Fomento de la Inteligencia Artificial y las Tecnologías, orientada principalmente a estimular la inversión y la innovación, con un enfoque promocional más que regulatorio. El país se sitúa así entre los primeros de la región en promulgar —y no solo proponer— legislación nacional en la materia. Conviene contrastar este enfoque con el de otros países centroamericanos: Costa Rica lanzó en octubre de 2024 su Estrategia Nacional de Inteligencia Artificial 2024-2027, convirtiéndose en el primer país de la subregión con una política integral, orientada a capacidades, ética y gobernanza. La comparación sugiere modelos distintos de inserción en la era de la IA: uno centrado en el fomento de la inversión y otro en la construcción de capacidades y marcos de gobernanza.

Para las universidades y centros de investigación salvadoreños y centroamericanos, el desafío es doble. Por un lado, deben desarrollar las capacidades técnicas y formativas que les permitan incorporar críticamente la IA en sus prácticas de investigación y docencia, sin quedar a la zaga ni rendirse a una adopción acrítica. Por otro, deben cultivar precisamente las competencias que este artículo ha identificado como irreductibles y estratégicas: la vigilancia epistemológica, la interpretación crítica, la contextualización histórica y la reflexión ética. Una encuesta regional reciente de cátedras universitarias encontró que solo una minoría de instituciones contaba con políticas formales sobre el uso de la IA, aunque una proporción considerable las tenía en elaboración. El campo está, pues, en plena construcción, y las decisiones que se tomen en los próximos años configurarán las condiciones de producción del conocimiento en la región durante una generación.

La posición periférica, sin embargo, no es solo desventaja. Como ha mostrado la experiencia del acceso abierto, la periferia puede ser también un laboratorio de alternativas. El Salvador y Centroamérica pueden optar por un desarrollo de la IA en la investigación que no se limite a importar el modelo del Norte, sino que lo adapte críticamente a sus condiciones y necesidades: priorizando la ciencia abierta, los repositorios regionales, la interoperabilidad bibliográfica y la democratización del conocimiento; protegiendo el bien común frente a la extracción; y formando investigadores capaces de ejercer la vigilancia epistemológica que la era algorítmica exige. La resiliencia en tensión que ha caracterizado al ecosistema científico latinoamericano ofrece un modelo —imperfecto, precario, pero real— de cómo sostener una agencia propia bajo condiciones adversas.

Esta apuesta exige, no obstante, evitar dos espejismos simétricos. El primero es el del salto tecnológico, según el cual la adopción de la IA permitiría a los países periféricos saltarse etapas de desarrollo y alcanzar de golpe la frontera del conocimiento. La evidencia sugiere lo contrario: sin capacidades locales sólidas —formación, financiamiento, infraestructura, comunidades de investigación consolidadas—, la adopción de tecnologías producidas en el centro tiende a profundizar la dependencia en lugar de superarla, pues convierte a los usuarios en consumidores cautivos sin capacidad de adaptación ni de crítica. El segundo espejismo es el del rechazo defensivo, que respondería a la asimetría con el aislamiento o la renuncia a las herramientas. Ninguna de las dos posturas hace justicia a la complejidad del problema. La vía de la resiliencia en tensión es más exigente: supone una incorporación crítica y selectiva, que aproveche las capacidades de la IA sin renunciar a la soberanía epistémica, y que invierta simultáneamente en las competencias humanas irreductibles y en la infraestructura común que permita no depender enteramente de proveedores externos. Es una vía estrecha, pero es la única compatible con la autonomía del conocimiento regional.

IX. Conclusiones

Este artículo ha defendido una tesis que se opone tanto al tecnoutopismo que anuncia la sustitución del investigador por la máquina como a la tecnofobia que rechaza in toto la incorporación de la inteligencia artificial al trabajo científico. La posición sostenida es deliberadamente equilibrada y, se espera, rigurosa: la IA no elimina la necesidad de las ciencias sociales sino que, al automatizar parcialmente las tareas de búsqueda, clasificación y síntesis, incrementa la importancia de sus funciones críticas. El futuro del trabajo científico dependerá menos de la capacidad de recopilar información —cada vez más automatizada y abundante— y más de la capacidad de interpretarla, contextualizarla, validarla y someterla a vigilancia epistemológica.

El recorrido ha mostrado que esta tesis no es una mera afirmación de principios sino una conclusión apoyada en el análisis. La transformación de las condiciones materiales de producción, leída a través de la economía política de la IA, reveló que la infraestructura cognitiva de la ciencia contemporánea está atravesada por relaciones de poder, concentración corporativa y opacidad institucional que exigen escrutinio crítico. El tránsito del investigador-buscador al investigador-guardián, fundamentado en la tradición de la vigilancia epistemológica de Bachelard y Bourdieu, mostró que la abundancia informativa desplaza el problema del acceso al de la validación. La distinción entre detección de patrones y comprensión del sentido, anclada en la sociología interpretativa de Weber, Geertz, Habermas y Giddens, estableció que la interpretación del significado, la agencia y el contexto histórico permanecen irreductibles a la automatización.

El examen de los riesgos epistemológicos, a la luz de la teoría decolonial de Quijano, Mignolo, Santos, Spivak y de la crítica de Haraway y Harding, advirtió que la IA puede reproducir y amplificar la colonialidad del saber y ejercer formas de violencia epistémica que invisibilizan los saberes periféricos. La crisis de la verificación científica, documentada con la evidencia empírica más reciente, confirmó desde un ángulo inesperado que la función humana de validación crítica se vuelve más valiosa cuanto más fácil es producir textos con apariencia científica. El análisis de la gobernanza, a partir de la Recomendación de la UNESCO y los marcos comparados, situó la contribución de las ciencias sociales al gobierno democrático de la IA. Y la consideración de América Latina y El Salvador mostró que la posición periférica combina desventajas estructurales con la capacidad de generar alternativas resilientes.

Las dos categorías de elaboración propia introducidas a lo largo del texto han probado su utilidad analítica. La opacidad institucional permitió distinguir la dimensión organizacional y corporativa de la opacidad algorítmica de su dimensión técnica, mostrando que buena parte de lo que se presenta como límite tecnológico inevitable es, en realidad, un efecto de relaciones de poder y de propiedad susceptible de transformación política. La resiliencia en tensión permitió nombrar la persistencia de la agencia de los sistemas de conocimiento periféricos bajo presión estructural sostenida, captando simultáneamente su logro y su vulnerabilidad sin caer en el fatalismo ni en el optimismo. Ambas categorías poseen una aplicabilidad teórica que trasciende los casos que las originaron: la opacidad institucional puede aplicarse al estudio de cualquier sistema sociotécnico cuya lógica de funcionamiento se sustrae al escrutinio público por interés institucional; la resiliencia en tensión, al de cualquier sistema de conocimiento subalterno que persiste y se adapta sin disolverse bajo la presión de un sistema dominante.

Queda planteada, finalmente, una agenda de investigación. Es preciso estudiar empíricamente cómo se está transformando el trabajo concreto de los investigadores sociales con la incorporación de la IA; documentar el impacto de la colonialidad algorítmica sobre la visibilidad de los saberes periféricos; evaluar la eficacia real de las infraestructuras de verificación frente a la literatura sintética; analizar la implementación efectiva de los marcos de gobernanza más allá de su enunciación; y producir, para casos como el salvadoreño, los estudios bibliométricos y sociológicos que hoy faltan. En todos estos frentes, las ciencias sociales no son espectadoras de una transformación ajena: son actores de una disputa por las condiciones de producción del conocimiento cuyo desenlace está abierto. Ejercer la vigilancia epistemológica que la era algorítmica exige es, en definitiva, la forma contemporánea de un oficio antiguo: el de no aceptar como dado lo que ha sido construido, y el de preguntar siempre quién construye, con qué intereses y a costa de qué silencios.

Referencias

Ansari, S. (2026). Compound deception in elite peer review: A failure mode taxonomy of 100 fabricated citations at NeurIPS 2025 [Preprint]. arXiv. https://arxiv.org/abs/2602.05930

Bachelard, G. (1938). La formation de l'esprit scientifique: Contribution à une psychanalyse de la connaissance objective. Librairie philosophique J. Vrin.

Bourdieu, P., Chamboredon, J.-C., & Passeron, J.-C. (1968). Le métier de sociologue: Préalables épistémologiques. Mouton de Gruyter.

Can generative AI reliably synthesise literature? Exploring hallucination issues in ChatGPT. (2025). AI & Society. https://doi.org/10.1007/s00146-025-02406-7

Couldry, N., & Mejias, U. A. (2019). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Geertz, C. (1973). The interpretation of cultures: Selected essays. Basic Books.

Giddens, A. (1984). The constitution of society: Outline of the theory of structuration. Polity Press.

Habermas, J. (1971). Knowledge and human interests (J. J. Shapiro, Trad.). Beacon Press. (Obra original publicada en 1968)

Haraway, D. (1988). Situated knowledges: The science question in feminism and the privilege of partial perspective. Feminist Studies, 14(3), 575-599. https://doi.org/10.2307/3178066

Harding, S. (1991). Whose science? Whose knowledge? Thinking from women's lives. Cornell University Press.

Messeri, L., & Crockett, M. J. (2024). Artificial intelligence and illusions of understanding in scientific research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0

Mignolo, W. D. (2011). The darker side of Western modernity: Global futures, decolonial options. Duke University Press.

Mohamed, S., Png, M.-T., & Isaac, W. (2020). Decolonial AI: Decolonial theory as sociotechnical foresight in artificial intelligence. Philosophy & Technology, 33(4), 659-684. https://doi.org/10.1007/s13347-020-00405-8

Quijano, A. (2000). Coloniality of power, Eurocentrism, and Latin America. Nepantla: Views from South, 1(3), 533-580.

Richardson, R. A. K., Hong, S. S., Byrne, J. A., Stoeger, T., & Nunes Amaral, L. A. (2025). The entities enabling scientific fraud at scale are large, resilient, and growing rapidly. Proceedings of the National Academy of Sciences, 122(32). https://doi.org/10.1073/pnas.2420092122

Santos, B. de S. (2014). Epistemologies of the South: Justice against epistemicide. Paradigm Publishers.

Spivak, G. C. (1988). Can the subaltern speak? En C. Nelson & L. Grossberg (Eds.), Marxism and the interpretation of culture (pp. 271-313). University of Illinois Press.

Srnicek, N. (2017). Platform capitalism. Polity Press.

The global geography of artificial intelligence in life science research. (2024). Nature Communications, 15. https://doi.org/10.1038/s41467-024-51714-x

Topaz, M., et al. (2026). Fabricated citations: An audit across 2·5 million biomedical papers. The Lancet. https://doi.org/10.1016/S0140-6736(26)00603-3

UNESCO. (2021). Recommendation on the ethics of artificial intelligence. United Nations Educational, Scientific and Cultural Organization. https://unesdoc.unesco.org/ark:/48223/pf0000380455

Van Noorden, R., & Perkel, J. M. (2023). AI and science: What 1,600 researchers think. Nature, 621(7980), 672-675. https://doi.org/10.1038/d41586-023-02980-0

Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13, 14045. https://doi.org/10.1038/s41598-023-41032-5

Weber, M. (1978). Economy and society: An outline of interpretive sociology (G. Roth & C. Wittich, Eds.). University of California Press. (Obra original publicada en 1922)

Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

Nota sobre las fuentes y la verificación bibliográfica

En coherencia con el argumento central de este artículo sobre la vigilancia epistemológica y la crisis de la verificación, todas las referencias citadas fueron objeto de comprobación durante la elaboración del texto. Las obras clásicas (Bachelard, Bourdieu et al., Weber, Geertz, Habermas, Giddens, Quijano, Mignolo, Santos, Spivak, Haraway) y las contribuciones contemporáneas centrales (Crawford, Srnicek, Zuboff, Couldry y Mejias, Mohamed et al., Messeri y Crockett, Walters y Wilder, UNESCO) corresponden a publicaciones existentes y verificables a través de sus identificadores DOI, ISBN o repositorios oficiales. Se advierte expresamente que la referencia de Ansari (2026) corresponde a un preprint en arXiv, no a un trabajo revisado por pares, y debe valorarse como tal. Asimismo, se ha señalado en el cuerpo del texto la ausencia de estudios bibliométricos específicos sobre la producción salvadoreña en inteligencia artificial, vacío que se sustituyó con indicadores regionales y marcos institucionales. Para algunas fuentes contemporáneas de autoría colectiva o institucional, el lector debe verificar la edición y los datos completos al momento de la cita formal, en especial los trabajos cuyo año de publicación es muy reciente.