MONTAR LA INVESTIGACIÓN O DELEGARLA.

Por María García-Puente · IA para investigación · Julio 2026

Imagina a una residente de tercer año a la que su adjunto le encarga revisar la evidencia sobre una intervención. Tiene dos caminos delante.

El primero es el de siempre: formular la pregunta en formato PICO, diseñar una estrategia de búsqueda con sus descriptores y sus sinónimos, lanzarla en PubMed y en Embase, cribar títulos y resúmenes, leer los textos completos, extraer los datos y sintetizar. Dos semanas de trabajo si va rápido, con cada decisión documentada y reproducible.

El segundo camino tiene dos años escasos de vida: abrir un agente de investigación (Claude Science, Deep Research de OpenAI, el de Gemini), escribir la pregunta en lenguaje natural y esperar veinte minutos a que vuelva con un informe estructurado, con sus apartados y sus referencias. Parece la misma tarea, terminada setenta veces más rápido.

La tentación de concluir que el primer camino ha quedado obsoleto es comprensible, y también es un error. Pero el error contrario, descartar los agentes como una herramienta que alucina citas, tampoco debería cometerse. Nosotras usamos estas herramientas a diario y hemos aprendido, a base de aciertos y sustos, que la pregunta útil no es cuál de los dos caminos gana, sino en qué fase del trabajo estás y cuánto rigor exige lo que vas a hacer con el resultado. De eso va este artículo.

Conviene poner nombre a los dos enfoques antes de seguir. Llamaremos enfoque A a montar la investigación paso a paso, usando la IA como asistente puntual en cada etapa (redactar la ecuación de búsqueda, sugerir sinónimos, ayudar en el cribado) con el investigador al mando de cada decisión. Y enfoque B al agente de extremo a extremo: le entregas la pregunta y te devuelve el informe, sin supervisión explícita etapa a etapa.

El panorama cambia cada pocos meses, así que conviene fechar la foto: esto es lo que hay a julio de 2026, distinguiendo lo que puedes usar hoy de lo que es anuncio o investigación.

Claude Science (Anthropic) es la novedad más reciente: una beta lanzada el 30 de junio de 2026, disponible para usuarios de pago de Claude. No es un modelo nuevo, sino un entorno de trabajo, un workbench, que reúne en un solo sitio más de 60 skills y conectores a bases de datos científicas. Al configurarlo eliges qué fuentes puede consultar, agrupadas por categorías: NCBI/NIH (PubMed, Entrez), genómica y biología (Ensembl, Reactome, KEGG), proteómica (UniProt, STRING, PDB), literatura y citas (Semantic Scholar, arXiv, bioRxiv, Crossref, OpenAlex) y datos clínicos y farmacológicos (ClinicalTrials, Open Targets, ClinGen), entre otras, con capacidad de renderizar estructuras de proteínas o figuras junto al código que las genera. Lo hemos probado con una búsqueda real y confirmamos dos cosas que importan en nuestro terreno. La primera, que PubMed sí figura entre las fuentes nativas: le pedimos que construyera y ejecutara la estrategia de una revisión sistemática y lanzó las consultas contra las E-utilities de la NCBI, devolviendo recuentos reales paso a paso. La segunda, que el historial auditable no se queda en promesa: cada paso queda registrado y un agente revisor reprodujo después los recuentos uno a uno para comprobar que ninguno estaba inventado. Es de lo más útil que hemos visto para lo que hacemos, con el matiz de siempre, que la herramienta documente y verifique sus pasos no exime al documentalista de validar la estrategia, solo se lo pone mucho más fácil.

OpenAI tiene dos cosas distintas que a menudo se confunden. Deep Research es el agente propiamente dicho, disponible desde 2025: busca, analiza y sintetiza cientos de fuentes web para producir un informe, y desde febrero de 2026 puede conectarse a fuentes externas y restringir las búsquedas a sitios de confianza. "OpenAI for Science", en cambio, es una iniciativa institucional de colaboración científica, con acuerdos como el del Departamento de Energía estadounidense, no un producto que puedas abrir y usar como equivalente de Claude Science.

Google también juega con dos piezas que no conviene mezclar. Gemini Deep Research (y su evolución de 2026, Deep Research Max) es el equivalente funcional de los anteriores: un agente que busca, lee y sintetiza literatura existente. El AI Co-Scientist es otra cosa: un sistema multiagente orientado a generar y debatir hipótesis científicas nuevas, publicado como investigación en Nature y accesible de forma experimental. Es interesante, pero pertenece al terreno de la ideación, no al de la revisión de literatura.

Y luego está el ecosistema de herramientas académicas especializadas, cada una pensada para una fase concreta: Elicit busca sobre millones de papers y extrae datos a tablas estructuradas (PICO, métodos, resultados); Consensus mide el grado de acuerdo entre estudios y ha estrenado en 2026 un modo médico centrado en guías clínicas y revistas de primer nivel; Scite clasifica cada cita según apoye, contradiga o simplemente mencione el trabajo citado, y mantiene búsqueda booleana tradicional, un detalle que agradecerá cualquiera que necesite reproducir una estrategia; Perplexity destaca en trazabilidad de fuentes para búsqueda web general; y FutureHouse, un laboratorio sin ánimo de lucro, ha llevado el enfoque de agente hasta el final del recorrido: su sistema Robin identificó un fármaco existente como candidato para una nueva indicación, de la idea al manuscrito en dos meses y medio, con publicación en Nature en mayo de 2026. Las cifras de cobertura que anuncian estas herramientas (138 millones de papers aquí, 220 millones allá) son datos de fabricante; el caso de Robin, en cambio, pasó revisión por pares.

Y hay muchas herramientas más de las que caben aquí (Undermind, ResearchRabbit o Paperpal, por citar tres). No hace falta conocerlas todas, pero sí saber que existen e identificar en qué fase del proceso encaja cada una, y a qué precio y con qué condiciones de uso.

Seríamos injustas, y poco creíbles, si pintáramos el enfoque B como una trampa. Hay al menos cuatro situaciones en las que funciona muy bien.

La primera es la orientación en territorio desconocido. Cuando te asignan un tema del que apenas sabes nada, un informe de deep research te da en media hora el mapa que antes exigía días: los conceptos clave, los autores que se repiten, las controversias abiertas. Ese informe no sustituye a la revisión, pero funciona como la brújula con la que empezarla.

La segunda es la generación de estrategias de búsqueda, y aquí podemos aportar experiencia propia. Al pedirle a Claude Science una estrategia para una revisión sistemática, nos devolvió una ecuación más sensible y exhaustiva que la que producían nuestras propias plantillas de trabajo: más sinónimos, mejor tratamiento de las siglas dentro de la intersección booleana. Nos sorprendió, y lo decimos sin reparo. Con un matiz que es la mitad de la historia: aquello era un borrador de estrategia que después validamos línea a línea antes de ejecutarlo. La herramienta ensanchó nuestro punto de partida; la decisión de qué entraba y qué no siguió siendo nuestra.

La tercera es la lectura rápida de un corpus grande: cuando ya tienes los documentos localizados y verificados, pedirle a un agente que los recorra buscando un dato concreto o comparando metodologías ahorra horas de lectura diagonal.

Y la cuarta, las primeras síntesis para uso interno: un borrador de estado de la cuestión para discutir en equipo, que nadie va a citar ni publicar, es un caso de uso donde la velocidad compensa de sobra el riesgo residual de error.

El patrón común de las cuatro es que el resultado del agente es un punto de partida que alguien revisa, no un producto final que alguien firma.

Aquí es donde el entusiasmo necesita datos, y en 2026 ya los tenemos. Dos estudios recientes, ambos revisados por pares, ponen números a los dos fallos que más importan en nuestro terreno.

El primero es el de las citas fabricadas. Una research letter publicada en The Lancet el 7 de mayo de 2026, firmada por el equipo de Maxim Topaz en la Columbia School of Nursing, analizó dentro del proyecto CITADEL alrededor de 2,5 millones de papers de PubMed Central buscando referencias que no existen. El resultado dibuja una curva creciente: en 2023, uno de cada 2.828 papers contenía referencias inventadas; en 2025, uno de cada 458; y en las primeras semanas de 2026, uno de cada 277. El salto se produce a mediados de 2024, justo cuando el uso de chatbots generativos para redactar se generalizó. Los autores atribuyen el fenómeno a la combinación de redacción asistida sin verificación y presión por publicar. Es decir, las citas alucinadas no son una anécdota de usuario despistado, sino un problema medible y creciente en la literatura biomédica publicada, que ya pasó filtros editoriales y revisión por pares.

El segundo dato afecta a la sensibilidad de la búsqueda, que es la métrica que decide si una revisión sistemática vale algo. Una evaluación independiente publicada por Lau y Golder en Cochrane Evidence Synthesis and Methods (2025) comparó Elicit con las búsquedas tradicionales de cuatro revisiones sistemáticas reales. La búsqueda con IA alcanzó una sensibilidad media de ~38 % (con un rango entre el 25,5 % y el 69,2 %), frente al ~94 % de las estrategias tradicionales originales. Dicho en llano: la herramienta se dejó fuera más de la mitad de los estudios que debían entrar en la revisión. Su precisión fue mayor, es decir, devolvía menos ruido. Pero en una revisión sistemática la precisión no compensa la sensibilidad: un estudio incluible que no aparece es una revisión sesgada.

Este caso encierra además una lección sobre cómo leer las cifras de los fabricantes. Elicit reporta en su propio blog una sensibilidad del 96,9 %, y no es que mienta: es que mide otra cosa. Ese 96,9 % evalúa el cribado de abstracts ya recuperados, decidir si un documento que ya tienes delante es relevante, mientras que el ~38 % de la evaluación independiente mide la búsqueda completa: encontrar todos los estudios que existen. Cribar bien lo que ya encontraste no es lo mismo que encontrarlo todo, y el rendimiento de estas herramientas cambia radicalmente según qué fase del proceso se mida. Cuando veas un porcentaje espectacular en la web de un producto, la primera pregunta es siempre qué tarea exacta está midiendo.

Una cautela adicional sobre estas cifras: los dos estudios se hicieron con los modelos disponibles hace unos meses, y el ritmo al que estos cambian es rápido. Solo en estos días de julio de 2026 se han puesto a disposición general Claude Fable 5, dentro de Claude, y la familia GPT-5.6 de OpenAI (Sol, Terra y Luna), dentro de ChatGPT. Es razonable pensar que parte de estos resultados variaría si las evaluaciones se repitieran hoy, así que conviene leerlos como la foto de un momento concreto y no como una constante. Lo que no cambia con la versión del modelo es el marco de fondo: qué mide exactamente cada evaluación y qué fase del proceso pone a prueba.

A estos dos datos se suma un problema más estructural: la reproducibilidad. Una búsqueda booleana en PubMed se puede escribir en el anexo de la revisión y cualquiera puede relanzarla; la recuperación de un agente (basada en similitud semántica, ranking opaco y, en entornos configurables, en las herramientas concretas que cada usuario tenga conectadas) puede dar resultados distintos en dos ejecuciones o entre dos usuarios con la misma pregunta. Bibliotecarios especializados como Aaron Tay lo han señalado como un problema estructural, no anecdótico, de los agentes genéricos frente a las herramientas de flujo fijo.

Hay una carencia que ningún agente del mercado resuelve hoy, y que en Ciencias de la Salud es la que más pesa: valorar la calidad de la evidencia. Un informe de deep research puede citar en el mismo párrafo un ensayo clínico aleatorizado con miles de pacientes y una serie de casos con doce, sin que nada en el texto te avise de que no pesan igual. La jerarquía de los diseños de estudio, el riesgo de sesgo de cada trabajo, los conflictos de interés de los autores, la gradación de la certeza con sistemas como GRADE: todo eso sigue siendo análisis humano, con o sin IA de por medio. Es razonable pensar, además, que los agentes que se alimentan de la web abierta tienden a ver mejor lo que está en acceso abierto e indexado que lo que duerme tras un muro de pago, aunque, que sepamos, nadie ha medido todavía ese sesgo con un estudio dedicado en el dominio biomédico, así que lo dejamos como hipótesis razonable y no como hecho.

La comunidad metodológica ha tomado posición sobre todo esto. El grupo de métodos de revisiones rápidas de Cochrane publicó en 2025 un position statement que recomienda explícitamente no usar la IA para automatizar por completo una revisión ni ninguno de sus pasos metodológicos, porque hacerlo arriesga introducir errores, sesgo y falta de transparencia; la supervisión humana sostenida, dicen, debe seguir siendo el principio central de cualquier síntesis de evidencia asistida por IA. En la misma línea, un viewpoint publicado en JMIR en 2026 revisó los agentes de deep research aplicados a medicina y concluyó que representan una evolución incremental, no un cambio de paradigma: producen informes que parecen exhaustivos y bien referenciados, pero conviven con limitaciones no resueltas y clínicamente significativas. Que las dos voces más metodológicas del sector coincidan en el matiz, útil sí, autónomo no, debería orientar más que cualquier demo.

EN UNA FRASE

Un informe de deep research es un punto de partida que alguien revisa, no un producto final que alguien firma.

Si los agentes ya buscan y resumen rápido, ¿qué queda entonces en manos del investigador o del documentalista? Bastante más de lo que parece, y casualmente lo más difícil de automatizar.

Queda formular bien la pregunta: un agente responde a lo que le preguntas, y una pregunta mal acotada produce un informe impecable sobre el problema equivocado. El formato PICO no ha perdido vigencia; al contrario, es la mejor vacuna contra los informes genéricos. Puedes apoyarte en una IA conversacional para pulir la formulación, pero solo funciona si tú tienes claro qué quieres buscar: la herramienta ordena tu pregunta, no la adivina. Y, además de bien formulada, la pregunta tiene que ser útil, es decir, que su respuesta cambie algo de lo que vas a decidir, escribir o recomendar.

Queda curar el corpus: decidir qué fuentes deben estar, detectar cuáles faltan, saber qué bases de datos cubre y cuáles no cubre la herramienta que estás usando. El agente no sabe lo que no ha visto, y no te avisará de ello.

Queda verificar las citas una a una antes de que cualquier texto salga de tu ordenador hacia una revista, un informe o una guía. Después del dato de The Lancet, esto ha dejado de ser un consejo de perfeccionistas para convertirse en higiene básica de publicación. También aquí la IA ayuda si sabes pedírselo: puedes encargarle que contraste cada referencia contra PubMed, Crossref o arXiv y te señale las que no cuadran. Pero la instrucción tiene que ser explícita, porque comprobar no es lo mismo que redactar y el agente que escribió el texto no revisa sus propias citas a menos que se lo mandes.

Y queda saber en qué fase estás, que es el criterio que ordena todo lo anterior: no es lo mismo explorar que cribar, ni cribar que sintetizar, ni sintetizar para una reunión interna que para una revisión sistemática que aspire a cumplir PRISMA. Cada fase admite un nivel distinto de delegación, y herramientas distintas: el mismo criterio que aplicamos al decidir cuándo tiene sentido usar NotebookLM para trabajar sobre un corpus cerrado en lugar de lanzar a un agente a la web abierta.

TRES PREGUNTAS

• ¿En qué fase del trabajo estoy?
• ¿Qué nivel de rigor exige lo que voy a hacer con el resultado?
• ¿Qué puedo verificar yo antes de firmarlo?

• Anthropic: Claude Science, an AI workbench for scientists (junio de 2026). Cobertura del lanzamiento en TechCrunch, MIT Technology Review y STAT News.
• OpenAI: Introducing deep research y MIT Technology Review — Inside OpenAI's big play for science (enero de 2026).
• Google: Deep Research Max y Co-Scientist (publicado en Nature, 19 de mayo de 2026).
• FutureHouse: Demonstrating end-to-end scientific discovery with Robin, con publicación en Nature (mayo de 2026).
• Topaz et al.: research letter sobre referencias fabricadas, The Lancet (7 de mayo de 2026). Cobertura en STAT News y phys.org.
• Lau y Golder: Comparison of Elicit AI and traditional literature searching, Cochrane Evidence Synthesis and Methods (2025). Cifra del fabricante para contraste: Elicit blog — Evaluating Elicit's SLR capabilities.
• Cochrane Rapid Reviews Methods Group: Responsible Integration of AI in Rapid Reviews, position statement (2025).
• Wong, Ong, Merle y Keane: Deep Research Agents: Major Breakthrough or Incremental Progress for Medical AI?, JMIR (2026).
• Aaron Tay: The agentic researcher.
• Contexto de vigencia (lanzamientos de julio de 2026): OpenAI — GPT-5.6 Sol, Terra y Luna (rollout general el 9 de julio de 2026) y Anthropic — Claude Fable 5 (disponibilidad general en julio de 2026).
• RAISE (Responsible use of AI in evidence SynthEsis), marco de Cochrane, la Campbell Collaboration, JBI y la Collaboration for Environmental Evidence (2025): position statement conjunto y la nota divulgativa de Cochrane «Right tool for the right job: deciding when NOT to use an AI tool» (EN · ES). Base metodológica de nuestra herramienta «¿Debo usar esta IA?».