Investigadores proponen artefactos nativos para agentes como nuevo formato para el trabajo científico

IEEE Spectrum ha destacado una propuesta de 37 autores que cuestiona una convención científica básica: los investigadores deberían dejar de tratar los artículos legibles por humanos como su producto principal. En su lugar, los autores proponen paquetes de investigación ejecutables por máquinas, diseñados para agentes de IA. Su argumento no es que las personas deban perder acceso a la ciencia, sino que la inteligencia artificial ahora necesita más detalle del que puede contener un artículo convencional.

La propuesta aparece en The Last Human-Written Paper, enviado a ArXiv el 27 de abril de 2026 y revisado el 19 de mayo. Sus autores llaman a su sustituto Agent-Native Research Artifact, o ARA. El formato combina afirmaciones científicas, código ejecutable, historial de investigación y evidencia bruta en un único paquete estructurado.

Esta propuesta genera un conflicto más profundo de lo que su provocador título sugiere. La ciencia debe ser más fácil de inspeccionar para las máquinas sin volverse más difícil de cuestionar para las personas. Por tanto, la verdadera disputa no enfrenta a lectores de IA con lectores humanos. Enfrenta la eficiencia de las máquinas con las funciones narrativas, editoriales y sociales que hacen comprensible la investigación.

El artículo informa de mejoras sustanciales en determinados benchmarks de aprendizaje automático. Sin embargo, sus propios resultados también revelan una advertencia. Los registros detallados de fracasos anteriores pueden orientar a un agente de IA hacia un trabajo útil, pero también pueden anclarlo a ideas obsoletas.

Lo que realmente puso sobre la mesa la historia de IEEE Spectrum

La propuesta transforma el objeto científico principal: de un documento persuasivo a un paquete operativo.

Un artículo convencional presenta un proyecto de investigación como un argumento lineal. Introduce un problema, describe un método, informa de resultados y explica por qué esos resultados importan. El código, los datos, los archivos suplementarios y los registros de laboratorio suelen quedar fuera de esa narrativa central.

ARA invierte esa jerarquía. El paquete estructurado se convierte en el registro principal, mientras que un artículo legible pasa a ser una vista compilada de su contenido. Un agente de IA puede inspeccionar afirmaciones individuales, rastrear evidencia, ejecutar código o seguir las decisiones que dieron forma a un experimento.

Los 37 investigadores organizan ARA en cuatro capas conectadas. Una capa cognitiva registra el problema, los conceptos, los experimentos y las afirmaciones falsables. Una capa física contiene código ejecutable, configuraciones, dependencias, requisitos de hardware y semillas.

Un grafo de exploración conserva ramas, enfoques descartados, fracasos y cambios de rumbo. Una capa de evidencia reúne resultados, registros, curvas y otras salidas que respaldan cada afirmación. Las referencias cruzadas conectan una aseveración con su experimento, código y evidencia.

Esta estructura responde a dos problemas que los autores denominan Storytelling Tax y Engineering Tax. El Storytelling Tax surge cuando los investigadores comprimen meses de trabajo con múltiples ramificaciones en una única ruta exitosa. Los experimentos fallidos y las hipótesis descartadas suelen desaparecer durante esa compresión.

El Engineering Tax describe la diferencia entre información suficiente para persuadir e información suficiente para ejecutar. Un revisor podría entender por qué un método debería funcionar sin disponer de todos los ajustes necesarios para reproducirlo. Un agente de IA que intenta realizar el experimento no puede salvar esa brecha de forma fiable.

Los autores también proponen tres sistemas de apoyo. Un Live Research Manager capturaría decisiones durante el trabajo habitual con un asistente de IA. Un ARA Compiler convertiría los artículos y repositorios existentes a la nueva estructura.

Un proceso de revisión nativo de ARA comprobaría entonces la integridad estructural, el rigor argumentativo y la reproducibilidad. Los revisores humanos seguirían siendo responsables de los juicios relacionados con la relevancia, la novedad y el criterio científico.

El análisis de IEEE Spectrum hace que esta propuesta sea noticiable porque va más allá de utilizar IA para resumir artículos. Plantea si la comunicación científica debería rediseñarse en torno a sistemas autónomos que leen, reproducen y amplían la investigación.

Esa distinción importa. Las herramientas de búsqueda tratan los artículos como documentos que recuperar. ARA trata la investigación como un entorno en el que un agente puede actuar.

La propuesta también va más allá de adjuntar un notebook o un repositorio a un PDF. Su afirmación central es que los artículos narrativos son compilaciones con pérdida de información. Añadir más archivos suplementarios no restaura necesariamente las conexiones entre afirmaciones, decisiones, detalles de implementación y evidencia bruta.

Por tanto, ARA plantea una exigencia institucional directa. Universidades, conferencias, revistas, financiadores y equipos de investigación tendrían que reconocer los artefactos estructurados como productos de primera clase. Sin ese reconocimiento, ARA seguiría siendo un suplemento elaborado en vez de un sustituto.

Por qué los agentes de IA presionan a las editoriales científicas

Las editoriales afrontan ahora un problema de formato porque los sistemas de IA consumen la investigación de forma distinta a los lectores humanos.

Las personas suelen empezar por los títulos, resúmenes, figuras y conclusiones. Se desplazan entre secciones según su interés y experiencia. Una narrativa bien escrita les ayuda a entender por qué una cuestión importa y cómo la evidencia modifica un argumento.

Un agente de IA que realiza trabajo técnico tiene necesidades diferentes. Debe identificar afirmaciones precisas, resolver dependencias, localizar configuraciones, inspeccionar código y conectar las cifras informadas con las salidas brutas. También necesita distinguir un resultado confirmado de una hipótesis o una idea abandonada.

Un PDF puede contener esos detalles, pero rara vez los expone de forma coherente. Las tablas pueden ser difíciles de analizar. Las ecuaciones pueden perder estructura durante la extracción. Un método puede depender de ajustes dispersos entre el texto, los apéndices, el código y conversaciones no documentadas.

Los investigadores de ARA examinaron 8.921 requisitos de reproducción anotados por expertos asociados a 23 artículos de ICML 2024. Informan de que solo el 45,4 por ciento estaba completamente especificado en los PDF correspondientes. Los requisitos de desarrollo de código tenían una cobertura suficiente del 37,3 por ciento.

Los hiperparámetros faltantes representaban el 26,2 por ciento de las lagunas de información identificadas. Estas cifras proceden del análisis de los autores de la propuesta, no de una auditoría independiente de ARA. Aun así, describen un problema conocido de reproducibilidad en términos inusualmente concretos.

El benchmark subyacente es PaperBench, que evalúa si los agentes de IA pueden reproducir investigación de aprendizaje automático. La reproducción implica más que responder preguntas sobre un artículo. El agente debe reconstruir experimentos y generar resultados que los evaluadores expertos puedan valorar.

Las editoriales no son los únicos grupos sometidos a presión. Los investigadores tendrían que capturar más información estructurada mientras un proyecto está activo. Los laboratorios necesitarían políticas para preservar decisiones internas sin revelar material confidencial.

Los revisores de conferencias necesitarían herramientas para navegar artefactos que podrían contener miles de archivos y eventos. Los archivistas necesitarían estándares estables para entornos, dependencias, procedencia y permisos de acceso. Las instituciones de investigación también tendrían que decidir qué acciones de las máquinas cuentan como verificación válida.

La respuesta del artículo a la carga de autoría es la automatización. Su Live Research Manager observaría el trabajo entre humanos y agentes, y convertiría las decisiones en registros estructurados. Ese enfoque presupone que un asistente de IA participa durante todo el proyecto.

Esta suposición encaja en algunos laboratorios de ciencias de la computación. Encaja de forma menos natural en biología de laboratorio, estudios clínicos, investigación de campo y trabajo cualitativo. Gran parte de su evidencia comienza como observaciones físicas, entrevistas, instrumentos, muestras o registros restringidos.

Los autores reconocen que su evaluación abarca el aprendizaje automático. Afirman que las capas física y de exploración podrían requerir una adaptación considerable para experimentos realizados fuera de entornos computacionales. Esa limitación reduce considerablemente el alcance de la afirmación inmediata.

La publicación científica también sirve a lectores que no ejecutan código. Responsables de políticas públicas, periodistas, estudiantes, investigadores interdisciplinarios y comunidades afectadas necesitan explicaciones, no recorrer repositorios. Un formato optimizado únicamente para agentes no atendería a estas audiencias.

Por ello, la versión más sólida de la propuesta es la publicación dual. Un objeto de investigación estructurado puede contener detalle ejecutable, mientras que una narrativa humana explica el propósito, la incertidumbre y las consecuencias. El propio artículo respalda eficazmente este enfoque al llamar a las narrativas vistas compiladas.

IEEE Spectrum expone un punto de presión real, pero la respuesta práctica no exige abandonar la prosa. Exige acabar con el papel del PDF como única representación autorizada de un proyecto.

El conflicto central de IEEE Spectrum es conocimiento frente a narrativa

La estructura legible por máquinas puede preservar más detalle de investigación, pero el detalle por sí solo no produce comprensión científica.

Los autores resumen su principio de diseño como “Knowledge over Narrative”. Esa frase identifica la idea más sólida de la propuesta y su debilidad central. El conocimiento de investigación no siempre puede separarse de la manera en que se construye un argumento.

La narrativa puede ocultar fracasos y suavizar la incertidumbre. También puede explicar por qué un problema merece atención, qué supuestos tienen peso moral y dónde la evidencia sigue siendo ambigua. Esas funciones son difíciles de reducir a afirmaciones, dependencias y tareas ejecutables.

Los artículos científicos son persuasivos porque la ciencia exige juicio. Los lectores evalúan si una pregunta es importante, si una comparación es justa y si una explicación se ajusta a la evidencia. Un paquete verificable por máquinas puede respaldar esas decisiones sin automatizarlas.

No obstante, las cuatro capas de ARA ofrecen beneficios claros. Los vínculos entre afirmaciones y evidencia pueden revelar conclusiones sin respaldo. Los registros de configuración pueden reducir intentos de reproducción desperdiciados. Los historiales de exploración pueden evitar que varios equipos repitan el mismo enfoque fallido.

El punto de entrada propuesto PAPER.md también permite una divulgación progresiva. Un agente puede leer primero una visión general compacta y cargar después solo los archivos necesarios para una pregunta concreta. Este diseño ayuda a controlar el uso de contexto mientras preserva material más profundo.

El enfoque amplía esfuerzos anteriores para hacer que los objetos de investigación sean más fáciles de encontrar y reutilizar. Los principios FAIR establecieron que los datos deben ser localizables, accesibles, interoperables y reutilizables. Otros sistemas empaquetan flujos de trabajo, procedencia, notebooks o afirmaciones atómicas.

ARA intenta conectar todas esas dimensiones con ejecución e historial de decisiones. Su novedad reside menos en un tipo de archivo concreto que en las vinculaciones entre ellos. Una afirmación puede apuntar a un experimento, una ruta de código, una salida y una secuencia de decisiones previas.

Esa estructura facilitaría la auditoría del trabajo científico si los investigadores la mantienen fielmente. También podría hacer más visible la presentación selectiva de resultados. Un revisor podría inspeccionar cuántos enfoques fracasaron antes de que el método informado tuviera éxito.

Sin embargo, los registros exhaustivos introducen nuevos problemas de interpretación. Un experimento fallido podría reflejar una implementación defectuosa en lugar de una hipótesis errónea. Un agente podría tratar un fracaso antiguo como una restricción universal cuando solo se aplicaba a un entorno.

Las propias pruebas de extensión del artículo demuestran ese riesgo. Los agentes equipados con ARA encontraron movimientos iniciales útiles antes en cinco tareas de RE-Bench. Tenían acceso a rastros de fallos y heurísticas que los agentes basados en artículos tenían que redescubrir.

En dos tareas que utilizaban un modelo más capaz, la ventaja inicial no produjo el mejor resultado final. El agente basado en el artículo siguió explorando más allá del manual documentado. El agente ARA permaneció anclado a las estrategias registradas en el artefacto.

Ese resultado debilita el argumento de venta más simple. Un contexto más estructurado no siempre produjo una mejor investigación abierta. A veces, la ignorancia preservó un espacio de búsqueda más amplio.

La disyuntiva relevante es entre memoria y exploración. Los sistemas científicos necesitan suficiente memoria para evitar repeticiones innecesarias. También necesitan mecanismos que impidan que las conclusiones heredadas se conviertan en límites invisibles.

Los investigadores humanos ya enfrentan este problema. Las revisiones de literatura les ayudan a apoyarse en trabajos previos, pero los marcos aceptados pueden desalentar preguntas alternativas. Un agente de máquina podría amplificar ese efecto porque sigue estructuras explícitas de forma consistente.

ARA podría abordar el riesgo adjuntando procedencia, fechas, capacidades del modelo y condiciones de alcance a las ramas fallidas. Los agentes podrían descontar un resultado antiguo cuando el hardware, los datos o los métodos hayan cambiado. También podrían recibir presupuestos de exploración deliberados fuera del grafo registrado.

Estas protecciones no son detalles menores de implementación. Determinan si un artefacto nativo para agentes se convierte en un mapa o en una jaula. Un mapa identifica el terreno conocido y deja espacio más allá de sus fronteras.

El mejor resultado preservaría ambas representaciones. Los humanos recibirían una narrativa clara con autoría responsable. Los agentes recibirían un objeto de investigación inspeccionable que contenga el detalle operativo que la prosa no puede albergar eficientemente.

Las ganancias del benchmark son significativas, pero aún no constituyen un veredicto

Los resultados reportados justifican más pruebas, no un reemplazo general de los artículos científicos.

Los autores evalúan comprensión, reproducción, extensión y revisión automatizada. Su comparación más directa ofrece a los agentes un paquete ARA o un artículo convencional con código asociado. Las pruebas miden entonces qué tan bien cada representación respalda tareas de investigación.

Para responder preguntas en PaperBench y RE-Bench, el artículo informa que la precisión aumenta del 72,4 por ciento al 93,7 por ciento. Eso representa una diferencia de 21,3 puntos porcentuales en 450 preguntas. El resultado sugiere que los artefactos estructurados ayudan a los agentes a localizar información técnica precisa.

Para la reproducción, la tasa de éxito reportada aumenta del 57,4 por ciento al 64,4 por ciento. La evaluación cubre 150 subtareas extraídas de 15 artículos de PaperBench. La mejora de siete puntos es útil, pero aún deja sin éxito más de un tercio de las tareas.

Los resultados de extensión son más complicados. ARA logró la mejor puntuación en tres de cinco tareas abiertas y encontró antes una dirección inicial eficaz en las cinco. Sin embargo, los registros de fallos previos a veces limitaron a agentes más potentes.

Estos son resultados de los autores procedentes de un preprint. El trabajo no había superado una revisión tradicional de revista cuando se publicó en ArXiv. Equipos independientes todavía deben reproducir las comparaciones y comprobar si el proceso de construcción de artefactos favoreció la condición ARA.

El artículo revela varios límites importantes. Evaluadores familiarizados con los artículos seleccionados y el formato ARA ayudaron a construir el benchmark anotado por humanos. El rendimiento puede diferir en temas desconocidos, metodologías inusuales o artefactos menos curados.

El compilador tampoco puede recuperar información ausente de un artículo original. Si los autores omitieron un ajuste experimental, un sistema de extracción no puede reconstruirlo de manera fiable. Por tanto, un artículo heredado convertido hereda muchas de las lagunas del documento fuente.

La captura en vivo puede preservar más información, pero crea otra dependencia. El sistema supone que las decisiones de investigación pasan por un flujo de trabajo mediado por IA. Las conversaciones fuera de ese flujo, los experimentos manuales, los mensajes privados y los juicios no registrados pueden seguir ausentes.

La seguridad es un problema mayor aún sin resolver. El artículo afirma que los requisitos de producción, incluida la ejecución aislada, la detección de anomalías a nivel de contenido y los controles de acceso granulares, aún no se han implementado. Esos controles son necesarios antes de que los agentes ejecuten paquetes de investigación desconocidos.

Un artefacto malicioso podría contener código inseguro o instrucciones engañosas. Una dependencia comprometida podría alterar los resultados. Los rastros sensibles podrían exponer ideas no publicadas, información personal, hallazgos de seguridad o conjuntos de datos confidenciales.

La privacidad también entra en conflicto con la captura exhaustiva. Preservar cada idea descartada y conversación parece valioso para las máquinas. Los investigadores pueden expresarse con menos libertad si cada comentario especulativo pasa a formar parte de un artefacto duradero.

El acceso selectivo puede reducir esa preocupación, pero la evidencia restringida crea complicaciones de verificación. Los revisores deben saber qué se ocultó y por qué. Las instituciones también deben evitar que el material privado se filtre mediante resúmenes generados o resultados derivados.

La revisión automatizada introduce otra incertidumbre. El propuesto Sello ARA verifica estructura, rigor y ejecución en niveles crecientes. Sin embargo, la completitud estructural no garantiza que una afirmación sea científicamente importante o conceptualmente sólida.

Los modelos de lenguaje de gran tamaño también pueden emitir juicios inconsistentes. El artículo informa patologías relacionadas con su auditor de rigor basado en modelos, incluidos desajustes entre los problemas detectados y las puntuaciones asignadas. La revisión humana sigue siendo necesaria incluso dentro de la arquitectura propuesta.

Estas limitaciones no eliminan las ganancias. Muestran por qué la adopción debería comenzar con artefactos paralelos en campos computacionales. Las conferencias pueden solicitar paquetes ARA mientras mantienen artículos legibles para humanos y revisiones normales.

Los equipos podrían comparar entonces la carga de autoría, el tiempo de los revisores, las tasas de reproducción, los incidentes de seguridad y la reutilización de artefactos. Esas mediciones aportarían evidencia más sólida que reemplazar artículos basándose únicamente en el rendimiento de benchmarks.

La propuesta se entiende mejor como investigación de infraestructura. Ofrece un formato comprobable y herramientas de apoyo. No ha establecido un punto final universal para la comunicación científica.

Tres señales mostrarán si la investigación nativa para agentes funciona

La siguiente fase debería juzgarse por la adopción, la reproducción independiente y la seguridad operativa, no por títulos provocadores.

La primera señal es la adopción por parte de conferencias, revistas o grandes laboratorios. Un piloto creíble exigiría artefactos estructurados para una clase definida de envíos computacionales. También especificaría reglas de archivo y responsabilidades de los revisores.

Las cargas voluntarias en GitHub son útiles, pero no prueban la aceptación institucional. Los investigadores responden a requisitos de publicación, prácticas de citación, reglas de financiación e incentivos de promoción. Un formato se convierte en infraestructura solo cuando esos sistemas lo reconocen.

La segunda señal es la reproducción independiente. Equipos externos deberían reconstruir las comparaciones ARA reportadas utilizando artículos no vistos, agentes diferentes y múltiples familias de modelos. Deberían revelar el coste de crear y mantener cada artefacto.

Un estudio útil separaría tres efectos. Uno proviene de un mejor formato. Otro proviene de añadir información no disponible en el artículo. El tercero proviene de que los evaluadores sepan cómo se construyó el artefacto.

Esta separación importa porque cualquier paquete de investigación detallado podría superar a un PDF breve. La pregunta más difícil es si la ontología específica de ARA ofrece beneficios duraderos entre proyectos e instituciones. Las pruebas independientes pueden establecer esa diferencia.

La tercera señal es un modelo creíble de seguridad y gobernanza. Antes de que los agentes ejecuten artefactos compartidos, el ecosistema necesita aislamiento, controles de dependencias, comprobaciones de procedencia, permisos y registros de auditoría duraderos. Estas salvaguardas deben funcionar entre organizaciones.

La gobernanza también debe definir la autoría. Si los agentes capturan decisiones, modifican afirmaciones, ejecutan experimentos y generan resúmenes, los lectores necesitan saber qué contribuciones provinieron de personas. La atribución no puede convertirse en un campo opaco generado después de que el trabajo esté completo.

El repositorio público de ARA ofrece código y ejemplos para la experimentación. Esta apertura puede ayudar a investigadores independientes a inspeccionar el esquema propuesto. También proporciona a los posibles adoptantes un objeto concreto que probar en lugar de un estándar puramente teórico.

La adopción a corto plazo probablemente será desigual. El aprendizaje automático y los sistemas computacionales ofrecen el encaje más claro porque sus experimentos ya implican código, configuraciones, registros y resultados medibles. Otras disciplinas requerirán controles físicos y éticos diferentes.

Los investigadores no deberían interpretar la pregunta de IEEE Spectrum como una orden de escribir para máquinas en lugar de para personas. Deberían tratarla como una exigencia de dejar de obligar a un documento a servir a todos los públicos.

Un artículo puede seguir siendo la interfaz humana. Un paquete nativo para agentes puede convertirse en el registro operativo. Ninguno debería reemplazar silenciosamente al otro hasta que la evidencia demuestre qué funciones científicas desempeña bien cada formato.

Esta división también ofrece un flujo de trabajo práctico para trabajadores del conocimiento. Los equipos pueden preservar material fuente estructurado mientras producen explicaciones legibles para sus colegas. Una base de conocimientos con capacidad de búsqueda sigue el mismo principio general: conservar la evidencia y facilitar la recuperación.

La parte difícil no es generar más archivos. Es mantener conexiones fiables entre afirmaciones, decisiones, código y evidencia. Esas conexiones deben sobrevivir a cambios de software, rotación de personal y desacuerdos sobre la interpretación.

IEEE Spectrum ha sacado a la luz una propuesta seria bajo un título deliberadamente dramático. Es poco probable que el futuro de la publicación científica sea el último artículo escrito por humanos. Es más probable que sea el primer registro de investigación diseñado honestamente para ambos tipos de lector.

Los investigadores deberían plantearse una pregunta concreta antes de adoptar ARA: ¿este paquete facilita verificar el trabajo sin debilitar la comprensión humana? Si las reproducciones independientes, los pilotos institucionales y la ejecución segura responden afirmativamente, los artefactos nativos para agentes merecen un lugar formal junto a los artículos. Hasta entonces, los científicos deberían experimentar con el formato, preservar narrativas legibles y resistirse a tratar la eficiencia de las máquinas como la única medida de la comunicación científica.