764 retractaciones: qué pasa sin detección de IA | It's AI
764 retractaciones: qué pasa sin detección de IA
Tres estudios hallaron 764 retractaciones ligadas a la IA en revistas científicas. La mayoría tardó más de 550 días. Así funciona el fraude.
Svetlana Shakhova15 abr 202620 min read
764 artículos retractados: qué ocurre sin detección de IA en la publicación científica
Las revistas científicas debían ser el último lugar donde el texto se revisara de verdad. La revisión por pares y la supervisión editorial debían mantener la mala ciencia fuera. No lo consiguieron.
A principios de 2026, tres estudios independientes llegaron a la misma conclusión: artículos generados por IA han entrado en revistas con revisión por pares, donde se citan y sirven de base para más investigación. Y cuando por fin se retira un artículo falso, a veces ya han pasado más de dieciocho meses: tiempo suficiente para influir en decenas de otras publicaciones.
Una revisión sistemática en Frontiers y un análisis de 764 retractaciones a través de PubMed señalan ambos 2023 como año pico. Un tercer estudio, aún sin revisión por pares, cubre 3.974 DOI retractados (Preprints.org) y lleva el argumento más lejos: la IA generativa ya no es un factor marginal en el fraude científico. Se ha convertido en la infraestructura. Y la mayoría de las editoriales aún no han adoptado software de detección de IA. Así son las cifras.
¿Quieres saber qué puntuación obtiene tu propio texto? Compruébalo aquí mismo.
caracteres (min 200): 0/500000
PDF, DOCX, TXT
Escaneo profundo de IA
descubra qué parte del texto parece generada por IA con nuestra segmentación a nivel de oración.
Verificación de plagio
detectar contenido plagiado comparando su texto con fuentes en línea.
Revisión gramatical
encontrar errores gramaticales y ortográficos en su texto.
4000palabras restantes
Integridad académica bajo presión: las cifras de la detección de IA
El patrón geográfico es difícil de ignorar. En los tres estudios, la mayoría de los artículos retractados provienen de las mismas regiones: 551 de 764 en el conjunto de PubMed procedían de China, 40 de India y 23 de Bangladés. La revisión de Frontiers sitúa al 72,2 % de los autores en China. Eso no significa que el problema sea chino. Significa que la industria de las paper mills encontró allí su mayor mercado, donde la presión de publicar o perecer es extrema y la aplicación de normas va rezagada.
Los motivos de retractación se solapan casi por completo entre estudios. En el conjunto de PubMed: problemas de revisión por pares en 716 de 764 artículos, preocupaciones sobre los datos en 714, citas irrelevantes o fabricadas en 571 y evidencia directa de uso no ético de IA en 238. La mayoría se retiró por varios motivos a la vez. El análisis de Preprints.org confirmó el mismo patrón a mayor escala: el contenido generado por IA se agrupa estrechamente con las firmas de paper mills. Donde hay una, hay la otra.
Retractaciones de publicaciones con IA: las cifras que importan
Uno pensaría que, una vez retractado un artículo, el asunto queda cerrado. En la práctica, una retractación cambia muy poco. El trabajo retractado sigue citándose, y un tercio de los autores ni siquiera se considera culpable. El mecanismo de limpieza existe sobre el papel. Simplemente no da abasto con el volumen.
Y aquí está el callejón sin salida real: entre que se publica un artículo falso y se retracta pasan dos o tres años. Durante ese tiempo el trabajo acaba en metaanálisis ajenos y forma parte de las conclusiones de otros. La retractación llega cuando el daño ya está integrado en el sistema. Una comprobación de detección de IA en el envío marcaría la mayoría de estos casos. Pero casi ninguna revista usa un detector de IA para artículos de investigación. La siguiente sección muestra de dónde viene esta avalancha.
Paper mills e IA generativa: cómo se fabrica la ciencia
Antes de la IA generativa, las paper mills funcionaban de otro modo. Contrataban personas, compraban revisiones, falsificaban datos a mano. Caro y lento. Los modelos generativos hicieron innecesario todo eso, a menudo con ayuda de humanizadores de IA académicos que suavizan el texto generado por IA para las revistas.
Un ejemplo revelador: Wiley compró la editorial Hindawi en 2021 por 298 millones de dólares (Retraction Watch). Un buen negocio, salvo por una cosa. En 2024 tuvieron que retractar más de 11.300 artículos. Las pérdidas alcanzaron entre 35 y 40 millones de dólares, el CEO se fue y la marca cerró. El problema resultaron ser los números especiales: allí la revisión por pares la gestionaban editores invitados, y así entraron las paper mills en el sistema.
Wiley no es una editorial desconocida. Si las paper mills entraron en Wiley, solo faltan en revistas que aún no han comprobado. Frontiers, en julio de 2025, encontró una red de 122 artículos con revisión por pares y citas manipuladas (Frontiers) y, de paso, marcó 4.000 artículos sospechosos en otras siete editoriales.
El coste marginal de un artículo falso hoy es casi cero. Un LLM genera texto único en minutos. Los métodos antiguos de detección de IA (buscar errores lingüísticos, imágenes duplicadas) son inútiles aquí: cada resultado es único.
ChatGPT cita artículos retractados: el bucle de retroalimentación
Los artículos fabricados son solo la mitad del problema. La otra mitad: los sistemas de IA en los que confían los investigadores no distinguen entre un artículo retractado y uno válido.
Retraction Watch describe un experimento: 217 publicaciones marcadas se sometieron a ChatGPT 30 veces cada una. Cero avisos de retractación. El bot calificó la mayor parte del trabajo retractado como «excelencia internacional». Cuando se le presentaron afirmaciones concretas de esos artículos y se le preguntó si eran ciertas, dos tercios de las respuestas fueron: sí, ciertas, aunque los datos estaban fabricados.
La cosa empeora. MIT Technology Review probó no solo ChatGPT, sino herramientas que se venden como asistentes de investigación: Elicit, Ai2 ScholarQA, Perplexity y Consensus. Los resultados están en la tabla siguiente, y todos se ven igual de mal.
Herramienta de IA
Artículos retractados citados (de 21)
Avisos de retractación
Consensus
18
0
Ai2 ScholarQA
17
0
Perplexity
11
0
Elicit
5
0
ChatGPT (GPT-4o)
5
3
Fuente: MIT Technology Review, septiembre de 2025.
Así que es un bucle. Ningún verificador de citas, humano o automatizado, lo rompe. La IA genera artículos falsos. Pasan la revisión y se publican. Luego otros sistemas de IA usan esos mismos artículos como fuentes para sus respuestas. Alguien pregunta a ChatGPT sobre un tratamiento médico; el bot encuentra un artículo con un DOI real y lo presenta como fiable. El artículo fue retractado hace tiempo. El usuario nunca lo sabrá, porque ninguna de las herramientas probadas funciona por defecto como verificador de referencias.
Más allá de la academia: por qué la detección de IA en la escritura nos concierne a todos
En 2025, la base de datos de Retraction Watch acumulaba más de 59.000 publicaciones retiradas (Sharon Kabel). Las editoriales reaccionan, pero construyen filtros para la generación anterior de falsificaciones. Cada nuevo modelo produce texto que supera las pruebas en las que falló el anterior. El preprint de Preprints.org llama a esto la «brecha de sofisticación», y por ahora se amplía.
Pero esto dejó de ser solo un problema académico hace tiempo. Suponga que un médico prescribe un tratamiento según guías clínicas. Esas guías se basan en un metaanálisis de decenas de estudios. Si se cuela un estudio de paper mill, el médico trata a un paciente con datos falsos. No lo sabe. El paciente, menos. La revisión por pares es el filtro más estricto que existe para el texto. Si el comprobador de integridad académica más riguroso no da abasto, ¿qué ocurre con textos de marketing y comunicados de prensa? Allí nadie comprueba si el autor es una persona o un modelo.
Las herramientas de detección de IA como el detector de IA de It's AI no lo resuelven todo. Pero responden a una pregunta concreta: ¿escribió esto un humano o no? Sin esa respuesta, juzgar si cualquier texto es auténtico es adivinar — por eso las editoriales deberían apostar cada vez más por la precisión verificada de la detección de IA en publicación.
FAQ
Las herramientas de detección de IA analizan el texto en busca de patrones estadísticos que separan la escritura humana de la salida de una máquina. La mayoría de los detectores miden dos cosas: perplexity (qué tan predecible es la siguiente palabra) y burstiness (cuánto varían la longitud y la estructura de las frases). Los redactores humanos producen texto irregular: fragmentos cortos, luego una cláusula larga, luego una pregunta. Los modelos de lenguaje tienden a aplanar esa variación. Los detectores modernos como el detector de IA de It's AI combinan varios clasificadores entrenados con millones de muestras de distintos modelos, por eso detectan texto que las herramientas más simples de un solo método pasan por alto. El resultado suele ser una puntuación de probabilidad, no un sí o no binario.
Las mejores herramientas de detección de IA superan ahora el 95 % de precisión en texto académico en inglés cuando se envía el artículo completo, no solo el resumen o un párrafo. Las muestras cortas son más difíciles: la precisión cae por debajo del 80 % con textos de menos de 300 palabras. La métrica clave no es solo la precisión global, sino la tasa de falsos positivos. Para uso académico, un detector que marca erróneamente texto humano es peor que uno que ocasionalmente no detecta texto de IA. Por eso los mejores detectores de IA académicos informan intervalos de confianza, no solo un número. Ejecute la comprobación sobre el manuscrito completo, no un fragmento.
Un falso positivo ocurre cuando una herramienta de detección de IA marca texto escrito por humanos como generado por máquina. Desencadenantes habituales: escritura muy formulista (textos legales estándar, secciones de métodos), inglés no nativo con vocabulario limitado y texto editado intensamente por varias personas hasta perder la voz individual. Las tasas de falsos positivos en buenos detectores se sitúan entre el 1 % y el 5 % para inglés general. La escritura académica ronda algo más alto porque las secciones de métodos son repetitivas por diseño. Si recibe un falso positivo en su propio trabajo, compruebe qué sección lo activó. Suele ser uno o dos párrafos, no todo el artículo.
Pegue el texto completo en un comprobador de detección de IA fiable, no solo el resumen. Ejecute la comprobación antes del envío final, después de que todos los coautores hayan hecho sus ediciones. Si la puntuación es alta, mire qué secciones se marcaron. Los métodos y las revisiones bibliográficas se marcan con más frecuencia porque su estructura es predecible. No reescriba esas secciones para engañar al detector: eso anula el propósito. Compruebe en cambio que su análisis, discusión y conclusiones originales suenan genuinamente suyos. Algunas revistas ya ejecutan su propia comprobación de detección de IA en el envío. Mejor conocer su puntuación antes que ellas.
Sí, y muchos ya lo hacen. Las grandes editoriales — Springer Nature, Elsevier, Wiley, Science — actualizaron sus políticas entre 2023 y 2025. La mayoría permite la IA como ayuda de redacción (gramática, traducción, legibilidad), pero exige que los autores declaren exactamente cómo la usaron. Ninguna acepta investigación, datos o análisis generados por IA. El problema: la declaración es voluntaria, y ningún proceso de revisión por pares incluye actualmente un paso obligatorio de detección de IA. Aún no existe un comprobador estándar de artículos con revisión por pares en el flujo editorial. Algunas revistas están probando uno. La mayoría, no.
