Durante décadas, una imagen científica tenía un peso especial. Una fotografía tomada por un telescopio, una muestra vista al microscopio o una imagen clínica parecían traer consigo una promesa de autenticidad: alguien usó un instrumento, registró un fenómeno y documentó una parte del mundo real. Pero la inteligencia artificial generativa está empezando a romper ese pacto visual.
Hoy es posible crear en segundos una imagen con estética científica: células, órganos, cortes anatómicos, mapas, gráficos, materiales, planetas o escenas de laboratorio. A simple vista pueden parecer profesionales. El problema es que no siempre representan algo verdadero. Y, en algunos casos, ya han logrado colarse en publicaciones académicas.
La investigadora Nan Li, profesora asociada de Comunicación Científica en la Universidad de Wisconsin-Madison, advierte que la proliferación de imágenes científicas generadas por IA no es solo un problema de desinformación, sino una amenaza directa a la confianza pública en la ciencia. Las herramientas que antes ayudaban a reconocer una imagen como creíble —su calidad técnica, su origen institucional o su apariencia profesional— están perdiendo fuerza.
Cuando una imagen científica parece real, pero no lo es
El uso de IA en ciencia no es necesariamente negativo. Los investigadores ya la utilizan para crear ilustraciones, producir datos sintéticos, editar imágenes de laboratorio o generar materiales educativos. En muchos casos, estas herramientas pueden hacer más comprensibles conceptos complejos y acelerar la comunicación científica. Pero también vuelven más difusa la frontera entre una ilustración, una mejora visual legítima y una manipulación engañosa.
El problema ya dejó ejemplos concretos. En 2024, dos artículos revisados por pares fueron retirados después de incluir figuras generadas por IA con errores anatómicos graves, como estructuras biológicamente imposibles y textos ilegibles. Un análisis publicado en Ethics and Information Technology señala que estos casos expusieron la falta de normas claras para evaluar imágenes científicas creadas con IA.
El caso no quedó limitado a ilustraciones llamativas. En 2026, el New England Journal of Medicine retractó una imagen clínica después de que los autores reconocieran haber usado una herramienta de IA para modificarla. La alteración parecía menor, pero tocaba un punto sensible: en medicina, una imagen no es decoración, sino evidencia.
Los detectores no alcanzan si la imagen parece demasiado convincente
Ante este escenario, algunas editoriales académicas empezaron a adoptar herramientas para detectar imágenes sintéticas. El problema es que estos sistemas casi siempre corren por detrás de los generadores. Detectan patrones conocidos, pero los modelos de IA cambian, mejoran y aprenden a producir imágenes cada vez más difíciles de distinguir.
Ese límite técnico es especialmente delicado en ciencia. Un detector puede fallar si la imagen fue retocada, comprimida, modificada o generada con un sistema que no formaba parte de su entrenamiento. Un estudio reciente sobre detección de figuras científicas generadas por IA concluyó que los métodos actuales fallan de forma notable cuando se enfrentan a imágenes nuevas o degradadas, lo que muestra una brecha importante entre la generación y la verificación.
Pero el riesgo más profundo no está solo en que una imagen falsa pase el filtro. Está en que cualquier imagen empiece a ser sospechosa. Según Nan Li, cuando la calidad visual y la procedencia institucional dejan de ser señales confiables, muchas personas terminan recurriendo a sus creencias previas: aceptan imágenes que confirman lo que ya pensaban y descartan como falsas las que las contradicen.
La ciencia necesita mostrar cómo se hizo cada imagen
La solución no pasa por prohibir toda imagen generada o asistida por IA. En muchos contextos, puede ser útil para explicar, enseñar o visualizar fenómenos difíciles de representar. La clave está en la transparencia: indicar si una imagen fue generada, editada o mejorada con IA; aclarar si es una observación real, una simulación o una ilustración; y documentar cómo se verificó.
La propuesta es tratar la procedencia de las imágenes con la misma seriedad con la que ya se tratan los datos, los métodos, las fuentes de financiación o los conflictos de interés. En ciencia, una imagen no debería valer solo por lo que muestra, sino por la cadena de evidencia que la conecta con la realidad.
Esa diferencia es fundamental. Una imagen como “Earthrise”, tomada durante la misión Apollo 8, no emociona solo porque sea bella. Importa porque sabemos que hubo astronautas, cámaras, una misión documentada y una observación verificable detrás. Esa trazabilidad es lo que convierte una imagen en evidencia y no solo en una composición visual.
La IA no elimina el valor de las imágenes científicas, pero obliga a cambiar las reglas. Si las instituciones no explican mejor cómo se producen, verifican y publican sus visuales, la ciencia puede perder una de sus herramientas más poderosas para comunicar conocimiento: la confianza en lo que vemos.
