Mostrando entradas con la etiqueta Dictaminación de artículos. Mostrar todas las entradas
Mostrando entradas con la etiqueta Dictaminación de artículos. Mostrar todas las entradas

domingo, 4 de octubre de 2026

La cara oculta de la ciencia: el incontrolado poder de las grandes editoriales científicas

Publicado en sinpermiso
https://sinpermiso.info/textos/la-cara-oculta-de-la-ciencia-el-incontrolado-poder-de-las-grandes-editoriales-cientificas




La cara oculta de la ciencia: el incontrolado poder de las grandes editoriales científicas

Julio Rozas Daniel Raventós 17/09/2026

Ya comentamos en un artículo anterior que las publicaciones científicas constituyen el principal medio para difundir y validar el conocimiento científico. A través de ellas se difunden resultados, se someten hipótesis al escrutinio de otros investigadores y se construye, paso a paso, el edificio del conocimiento científico. También vimos algunas de las malas prácticas asociadas al sistema, así como sus mecanismos de autocorrección. Pero hay un aspecto fundamental que conviene destacar: publicar constituye hoy uno de los principales criterios para evaluar y promocionar al profesorado universitario y al personal investigador de los centros públicos. Como ha señalado Philippe Huneman (investigador del Instituto de Historia y Filosofía de la Ciencia y la Tecnología del CNRS, Francia), la función del artículo de investigación ha cambiado: ya no es únicamente una unidad de conocimiento, sino que se ha convertido también en una unidad de evaluación. Ya no es simplemente, como lo fue durante mucho tiempo, la culminación de una tarea: se ha convertido también en el objetivo que orienta buena parte de la actividad investigadora, en el medio para medir su productividad, en el referente que distingue a los buenos investigadores de los menos buenos y en una pieza clave para el ascenso profesional. El célebre «publicar o perecer» (publish or perish) condiciona buena parte de las reglas del juego académico y genera efectos indeseados: se publican cada vez más artículos, a menudo a un coste elevado, y no siempre con la calidad necesaria. Al mismo tiempo, esta presión por publicar crea incentivos que pueden contribuir a explicar algunas de las malas prácticas que encontramos en la investigación científica, desde comportamientos muy sutiles hasta casos de fraude abierto. Algunos de estos casos trascienden el ámbito académico, aunque son muy pocos. Un ejemplo es el del actual rector de la Universidad de Salamanca. Decía un editorial de El País: “Se trata de otra variante de una práctica clásica que la universidad española haría bien en desterrar: el nefasto ‘hoy por ti, mañana por mí’”. Toda una fábrica de autocitas y de colegas que lo citan; pero no pasa nada: sigue siendo el rector de la Universidad de Salamanca. Otro ejemplo es el del grupo CREA de la Universidad de Barcelona, que se autodisolvió en 2025 y que, además de otras acusaciones mucho más graves que están en trámite legal, también fue objeto de denuncias relacionadas con el uso sistemático de autocitas, todo un ejemplo del autobombo. “La mayor parte de referencias que reciben los artículos, los libros, los proyectos del CREA proceden del propio CREA. Siempre más de la mitad y a veces llega al 80%”, en palabras de un buen conocedor de este grupo. 

En este artículo nos centramos en una dimensión mucho más desconocida del sistema: la económica. ¿Cuánto cobra el investigador por publicar? ¿Cuál es el coste real de publicar un artículo científico? ¿Cuánto dinero mueve el negocio editorial? Y sobre todo ¿qué implicaciones tiene para la ciencia la influencia de las grandes editoriales desde dentro del sistema científico?

Modelo de negocio y dimensión económica

Empezaremos haciendo un pequeño spoiler: los investigadores no solo no cobran por publicar sus trabajos, sino que, en muchos casos, tienen que pagar, y no poco, por hacerlo. De hecho, el negocio editorial científico es muy rentable. Cada año se publican algo más de tres millones de artículos científicos en el mundo, en unas 40.000 revistas, que suponen un negocio para las editoriales de decenas de miles de millones de dólares. La paradoja puede resultar sorprendente para quienes no están familiarizados con el mundo académico: cuando un escritor publica una novela, un ensayo o un libro de divulgación, lo habitual es que la editorial pague al autor por su obra, normalmente mediante un porcentaje de las ventas. En cambio, en la publicación científica, suele ocurrir justo lo contrario, es el investigador, a través de los fondos de sus proyectos de investigación, o de su institución, quien acaba pagando a las editoriales por publicar. ¿Cómo se ha llegado a este modelo? ¿Por qué las grandes editoriales científicas se han convertido en uno de los negocios más rentables del ámbito del conocimiento? Para responder a estas preguntas es necesario adentrarse en la compleja economía de la publicación científica moderna.

Detrás de cada publicación científica existe una compleja cadena de procesos, actores y flujos económicos, donde las editoriales científicas desempeñan un papel central. Su actividad consiste en gestionar la publicación y el acceso a los resultados de la investigación, lo que incluye la recepción de los manuscritos, la coordinación de la revisión por pares (peer review), la edición y preparación de los textos para su publicación, y el mantenimiento de las plataformas digitales que permiten consultar, distribuir y archivar los contenidos. Aunque la distribución impresa aún existe en algunos casos, la mayor parte de la actividad se desarrolla actualmente en entornos digitales.

Tradicionalmente, el negocio consistía en cobrar suscripciones a bibliotecas, universidades y centros de investigación para que sus investigadores pudieran acceder a las revistas y sus contenidos. Sin embargo, en las últimas décadas ha cobrado fuerza el modelo de publicación de acceso abierto (open access), en el que los autores o sus financiadores pagan una tarifa de publicación denominada APC (article processing charge), para que el artículo quede disponible gratuitamente para cualquier lector a través de internet. Esto ha provocado un cambio importante en el modelo de negocio. Antes, quienes financiaban el acceso al conocimiento eran fundamentalmente las instituciones suscriptoras; ahora, en el modelo basado en APC, son los propios autores o sus financiadores quienes pagan por publicar. El nuevo modelo introduce así un incentivo para aumentar el número de publicaciones: cuantos más artículos se publican, mayores son los ingresos de las editoriales y, para los investigadores, aumentan también las posibilidades de progresar profesionalmente.

Se estima que el precio de una APC en muchas de las grandes editoriales científicas se sitúa, de media, en torno a los 3.000 dólares por artículo, aunque las diferencias entre revistas son muy importantes y en determinados casos pueden superar los 10.000 dólares. Estas cantidades resultan especialmente llamativas cuando se tiene en cuenta quién realiza buena parte del trabajo que hay detrás de cada publicación científica. Los manuscritos de los artículos científicos son redactados por los propios investigadores, que, además han generado los datos y resultados que posteriormente serán publicados. Antes de su publicación, los trabajos pasan por el proceso de peer review, en el que otros especialistas del mismo campo, independientes de la editorial, examinan críticamente la calidad del trabajo, la solidez metodológica, la relevancia de sus resultados y su reproducibilidad. Este proceso constituye uno de los pilares fundamentales del sistema científico. Sin embargo, en la gran mayoría de casos, los autores no solo deben pagar por publicar sus trabajos, sino que los investigadores que participan en su revisión tampoco reciben una compensación económica directa de las editoriales.

El negocio editorial constituye una industria que mueve miles de millones de dólares al año. En sentido estricto la edición científica representa alrededor de 15.000 millones de dólares, mientras que si ampliamos la mirada al conjunto de los servicios asociados que pueden proporcionar las editoriales (bases de datos; herramientas de acceso; servicios para las universidades, etc.), el mercado alcanza aproximadamente los 30.000 millones. Y es un negocio que no deja de crecer: el número de publicaciones científicas ha aumentado a un ritmo del 5,6% anual, una tasa muy superior a la del crecimiento del número de investigadores. Además, se trata de un sector altamente concentrado en unas pocas editoriales. Cinco grupos, Elsevier (del grupo RELX, editor de The Lancet y Cell, entre otras), Springer Nature, Wiley, Taylor & Francis y SAGE, concentran más de la mitad del mercado editorial académico. Elsevier, líder del sector, edita unas 3.000 revistas científicas. En 2025 publicó casi 800.000 artículos, generó unos ingresos de casi 4.000 millones de dólares, y obtuvo una rentabilidad operativa ajustada (margen de beneficio) cercana al 38%. Y no es un caso aislado: las grandes editoriales científicas presentan también márgenes de rentabilidad extraordinariamente elevados, en varios casos por encima del 30%. Para poner estas cifras en contexto, los dos grandes grupos editoriales españoles, Planeta y PRISA, presentan volúmenes de negocio de alrededor de 2.000 y 900 millones de euros, respectivamente, pero sus márgenes operativos son más reducidos, en torno a un 10% en el caso de PRISA. Aunque la comparación no es estrictamente homogénea, porque se trata de grupos con actividades y estructuras empresariales muy diferentes y no siempre publican las mismas magnitudes financieras, estas cifras permiten hacerse una idea de la elevada rentabilidad que puede alcanzar el negocio de la edición científica.

¿Cuál es el coste real de publicar un artículo científico?

Algunos estudios sitúan el coste de publicar un artículo científico aproximadamente entre 200 y 1.000 dólares. Sin embargo, los APC que pagan los autores pueden ser muy superiores, llegando a alcanzar los 12.850 dólares en revistas de máximo prestigio, como Nature, editada por Springer Nature. ¿A qué se debe esta enorme diferencia? ¿Es justificable un abanico de precios tan amplio? Las editoriales argumentan que los APC cubren, además de la producción y edición del artículo, las inversiones en tecnología e innovación, las medidas para garantizar la integridad científica, las mejoras en la experiencia del usuario y otros esfuerzos destinados a mantener unos elevados estándares de calidad. Todos estos servicios tienen un coste, pero difícilmente pueden explicar por sí solos las diferencias de varios miles de dólares entre unas revistas y otras.

La pregunta es entonces por qué un investigador está dispuesto a pagar una cantidad tan elevada por publicar un artículo en open access en Nature La respuesta tiene poco que ver con el coste técnico de producir el artículo y mucho más con el valor que tiene para el autor publicar precisamente en esa revista. Publicar en una revista como Nature supone mucho más que poner un artículo científico a disposición de los lectores. Su extraordinario prestigio y altísima selectividad le proporcionan una enorme visibilidad dentro de la comunidad científica. Y, sobre todo, publicar en ella puede tener un impacto muy considerable en la carrera profesional del investigador, ya que estas publicaciones pueden resultar decisivas en procesos de contratación, promoción, financiación o evaluación. Desde el punto de vista económico, estamos ante una lógica similar a la de un bien posicional: su valor no depende únicamente de sus características intrínsecas o de su coste de producción, sino también de la posición, el reconocimiento y el prestigio que confiere. Un cuadro original de Wassily Kandinsky puede servirnos como analogía: su precio no guarda una relación directa con el coste de los materiales utilizados para pintarlo. Una parte esencial de su valor procede de su rareza, su autoría, la reputación del artista y el reconocimiento de su obra. Algo similar ocurre con una publicación en Nature o en otras revistas de alto impacto: su valor para el investigador no reside únicamente en el contenido del artículo, sino también en el reconocimiento y el prestigio que aporta haber sido publicado en ellas. Si publicar en una determinada revista tiene un elevado valor dentro del sistema de evaluación científica, los autores pueden estar dispuestos a pagar mucho más por publicar en ella.

Y esto no afecta únicamente a los investigadores. También las instituciones científicas tienen fuertes incentivos para acumular publicaciones de sus investigadores en revistas de alto impacto. Algunos rankings universitarios internacionales, como el Academic Ranking of World Universities (Shanghai Ranking), incorporan indicadores relacionados con la producción científica y, entre ellos, las publicaciones en revistas de muy alto impacto. De este modo, el prestigio de determinadas revistas se convierte también en un activo para universidades y centros de investigación. El mecanismo funciona, por tanto, en dos direcciones: los investigadores necesitan publicaciones de prestigio para avanzar en sus carreras, y las instituciones necesitan esas publicaciones para reforzar su posición y reputación. En este contexto, el precio que puede alcanzar una APC deja de estar determinado exclusivamente por el coste de publicar el artículo. Si publicar en una determinada revista tiene un elevado valor dentro del sistema de evaluación científica, los autores pueden estar dispuestos a pagar mucho más por publicar en ella.

El volumen de publicaciones y los incentivos perversos

Pero existe también el fenómeno contrario. Hay editoriales y revistas mucho menos selectivas que cobran APC relativamente modestas, pero que pueden generar importantes ingresos gracias a la publicación de un volumen muy elevado de artículos. Si el sistema de evaluación premia el número de artículos publicados, más que su calidad, el incentivo es claro, publicar más, tanto para el investigador como para la editorial. El resultado es un crecimiento extraordinario de la producción científica, y con él, una pregunta inevitable: ¿estamos produciendo más conocimiento o simplemente más artículos? Cuando publicar se convierte en una condición cada vez más importante para progresar profesionalmente, el sistema puede generar incentivos perversos: fragmentación de resultados, proliferación de trabajos de escasa relevancia y estrategias para aumentar artificialmente el número de publicaciones. En los casos más extremos, estos incentivos pueden contribuir a malas prácticas e incluso al fraude científico, como ya hemos comentado en SP. Las publicaciones científicas de las ciencias naturales y de las ciencias sociales no están expuestas necesariamente a los mismos tipos de prácticas dudosas o fraudulentas. Algunas pueden ser comunes a ambos campos, como el uso excesivo de autocitas, mientras que otras dependen de las características de cada disciplina y de sus métodos de investigación. En las ciencias naturales, algunas formas de mala conducta científica pueden manifestarse en la manipulación o fabricación de datos experimentales y en la falsificación de resultados. En las ciencias sociales también pueden darse estas prácticas, pero existen además problemas relacionados con la selección de resultados, la falta de transparencia metodológica o la interpretación sesgada de los datos. La naturaleza de determinadas investigaciones sociales, que a menudo incluye métodos cualitativos y enfoques interpretativos, puede dificultar la verificación de los resultados. Esto hace que la detección del fraude sea más complicada, ya que las conclusiones pueden depender en gran medida de la interpretación del investigador y no siempre pueden ser replicadas de la misma manera que en las ciencias naturales. A destacar:  las ciencias naturales tienen, en general, una tradición más acumulativa, en la que los nuevos trabajos suelen apoyarse explícitamente en un cuerpo de conocimiento anterior. Las ciencias sociales no tanto o mucho menos, algún autor o autora de moda no tiene por qué basarse en el conocimiento anterior para estar muy presente en las revistas académicas. Pero esta es una liebre que hemos soltado y no vamos a perseguir.

El cuarto poder

Con esto llegamos a la cuestión más importante. Como hemos visto, la publicación científica constituye un negocio de enormes dimensiones. Pero lo verdaderamente relevante no es cuánto dinero se mueve, sino el poder que puede generar el hecho de ocupar una posición tan central dentro del sistema científico. Porque quien controla los principales canales de publicación no solo participa en la difusión del conocimiento: también puede influir en las decisiones de los propios investigadores sobre qué y cómo investigar.

Aquí encontramos un desequilibrio importante. Los científicos producen el conocimiento; otros investigadores lo evalúan, a menudo de forma gratuita; las instituciones públicas financian buena parte de la investigación y, sin embargo, unas pocas grandes empresas controlan una parte sustancial de los canales a través de los cuales ese conocimiento adquiere visibilidad, prestigio y valor. Las grandes editoriales científicas, y en particular aquellas que publican las revistas más prestigiosas, podrían considerarse, en cierto sentido, una suerte de “cuarto poder” dentro del sistema científico. En realidad, si queremos ser más precisos, no estaríamos ante un cuarto poder, sino ante un poder oligopólico de enormes dimensiones. No porque decidan qué conocimiento es verdadero, ni porque determinen directamente qué deben investigar los científicos, sino porque ocupan una posición privilegiada en el proceso mediante el cual determinados resultados alcanzan reconocimiento y visibilidad, mientras otros quedan en segundo plano.

El problema surge cuando los criterios editoriales que hacen que un trabajo sea atractivo para una revista de alto impacto, como la novedad, la relevancia, la capacidad de generar atención o el interés para una audiencia amplia, empiezan a convertirse también en los criterios que los propios investigadores necesitan satisfacer para progresar en sus carreras profesionales. El sistema de publicación puede entonces favorecer determinados temas, metodologías o resultados frente a otros. Y eso tiene consecuencias. Puede perjudicar investigaciones menos espectaculares, como las que confirman un conocimiento establecido, las que reportan resultados negativos o los estudios descriptivos, todos ellos científicamente valiosos, pero menos llamativos que un descubrimiento novedoso o inesperado.

Además, publicar en una revista de alto impacto puede condicionar el tipo de investigación que resulta más beneficiosa para la carrera del investigador. La publicación en revistas prestigiosas puede aumentar sus posibilidades de conseguir financiación, una plaza de profesor o de investigador, o una promoción en su centro de trabajo. De esta manera, lo que aparece como un criterio editorial acaba convirtiéndose en un incentivo profesional. Si para avanzar en su carrera los investigadores necesitan publicar en determinadas revistas, tendrán razones para orientar su investigación hacia aquello que estas revistas consideran publicable. 

Las editoriales científicas, por lo tanto, no necesitan decidir qué temas deben investigarse. Su poder deriva de su posición central en el sistema de publicación científica, desde la que pueden influir en buena medida en qué resultados llegan a las revistas más prestigiosas y, por tanto, en la propia actividad investigadora. De este modo, un sistema creado para validar y comunicar el conocimiento puede terminar influyendo, de hecho influyen como venimos afirmando, también en qué tipo de conocimiento recibe mayor reconocimiento. No necesariamente porque exista una decisión consciente de favorecer unos temas sobre otros, sino porque los incentivos del sistema pueden llevar a investigadores, instituciones y revistas a adaptarse progresivamente a aquello que el propio sistema recompensa.

Hacia otro modelo de publicación científica

Existen distintas vías para transformar el sistema actual de publicación científica. Algunas proponen cambios en los sistemas de evaluación, otras buscan que la propia comunidad científica recupere parte de las funciones que hoy desempeñan las editoriales, y otras proponen nuevas formas de financiar, publicar o gobernar las revistas. Son propuestas de distinto alcance y grado de implantación, pero no necesariamente excluyentes entre sí.

La primera de estas vías afecta a los sistemas de evaluación del profesorado y del personal investigador, es decir, a la forma en que se valoran y bareman sus publicaciones y demás méritos científicos, especialmente en los procesos de contratación, acreditación y promoción profesional. Como ya vimos en nuestro artículo anterior, desde la propia comunidad académica se están impulsando cambios en la forma de valorar la actividad investigadora. Un ejemplo es la Declaración de San Francisco sobre Evaluación de la Investigación (DORA). Esta iniciativa plantea dejar de utilizar métricas simplistas, como el número de publicaciones, y avanzar hacia una evaluación más rica, contextualizada y cualitativa. El objetivo es valorar la investigación por su rigor, su relevancia y su contribución real al avance del conocimiento. En la medida en que se reduzca el peso de la cantidad de publicaciones en la evaluación, podría favorecer que se publicaran menos artículos, pero más relevantes, y desincentivar tanto la práctica de publicar por publicar, como la proliferación de las revistas depredadoras.

Un segundo nivel afecta a la propia comunidad investigadora y a su capacidad para organizar directamente la evaluación y comunicación de los trabajos científicos. Desde hace unos años, han aparecido iniciativas como la Peer Community In (PCI), que separa la actividad de publicación de la revisión por pares. En este modelo, es la propia comunidad científica la que asume buena parte de las funciones que tradicionalmente desempeñan las editoriales: selecciona a los especialistas que realizan las evaluaciones, coordina el proceso de revisión y emite las recomendaciones sobre los trabajos. Los informes y las recomendaciones están disponibles para el lector.  Si el artículo es recomendado, los autores pueden mantenerlo disponible públicamente como manuscrito evaluado, publicarlo en Peer Community Journal, que no cobra APC, o enviarlo a alguna de las revistas PCI-friendly, que han acordado tener en cuenta la evaluación de PCI, aunque pueden aplicar sus propias tasas de publicación. Además, PCI permite realizar la revisión por pares de un protocolo incluso antes de llevar a cabo la investigación; con ello, se busca reducir los sesgos y mejorar la reproducibilidad de los resultados. No obstante, este modelo tiene una implantación mucho menor que el sistema tradicional y requiere una considerable dedicación por parte de los investigadores.

Un tercer nivel lo encontramos en modelos que no trasladan directamente el coste ni a los autores ni a los lectores. Uno de ellos es Subscribe to Open (S2O), que utiliza los presupuestos que las bibliotecas destinan a suscripciones para hacer accesibles los contenidos de una revista a todo el mundo, siempre que se alcance un determinado nivel de suscripciones por parte de las instituciones científicas. Otro es el Diamond Open Access, en el que tampoco pagan los investigadores por publicar ni los lectores por acceder a los contenidos: los costes se sostienen mediante una combinación de financiación institucional, procedente de universidades, bibliotecas, organismos públicos, sociedades científicas, entre otros agentes. En principio, S2O parece más fácil de introducir en el sistema actual, ya que aprovecha una fuente de financiación que ya existe: las suscripciones de las bibliotecas. En todo caso, ambos modelos podrían reducir la dependencia de los pagos por artículo y, eventualmente, el volumen económico del mercado editorial, pero no necesariamente la influencia y el poder de las grandes editoriales que controlan las revistas de mayor impacto. Aunque cambiara quién paga por publicar, estas editoriales seguirían ocupando una posición central en la selección de los trabajos, su visibilidad y reconocimiento y, a través de ellos, en los procesos de evaluación y promoción de los investigadores.

Un cuarto nivel lo encontramos en las revistas propiedad de sociedades científicas. En estos casos, la editorial comercial puede encargarse de las tareas técnicas y de publicación, pero el control de la revista permanece en la propia comunidad científica. Un ejemplo es Molecular Biology and Evolution (MBE), propiedad de la Society for Molecular Biology and Evolution (SMBE) y publicada por Oxford University Press (OUP). El Consejo (Council) de la sociedad es quien nombra al editor jefe, de modo que la sociedad científica mantiene el control sobre las decisiones editoriales, mientras que OUP se encarga de las funciones técnicas de publicación y producción. La revista cobra APC, pero la mayor parte de los ingresos revierte en la propia sociedad y se destina a financiar sus actividades, como congresos, ayudas de viaje, premios y otros programas para sus miembros. En este modelo, la editorial que presta los servicios de publicación no ocupa la misma posición de influencia y poder que una editorial comercial propietaria de la revista. Este caso muestra que es posible combinar una revista de alto impacto y acceso abierto con un modelo en el que la propiedad, las decisiones científicas y buena parte de los ingresos permanecen dentro de la comunidad investigadora.

Estos cuatro niveles forman parte de una transformación más amplia de la comunicación científica que conecta con la Declaración de Barcelona sobre Información Abierta de Investigación, lanzada en 2024. La Declaración es un compromiso para promover que la información sobre la investigación, como los metadatos de las publicaciones, las referencias, las afiliaciones o la financiación, sea más abierta, accesible, reutilizable y transparente, y para promover infraestructuras gobernadas por la propia comunidad científica. En este sentido, DORA, PCI, S2O, Diamond Open Access y los modelos de revistas controladas por sociedades científicas apuntan en distintas direcciones hacia un mismo objetivo. En conjunto, estas iniciativas pueden contribuir a reducir los incentivos para publicar por publicar, favorecer una investigación de mayor calidad y disminuir la dependencia del sistema científico respecto de los mecanismos comerciales de publicación. No se trata únicamente de eliminar el pago por leer o por publicar, sino de avanzar hacia un ecosistema de comunicación científica en el que las publicaciones, la información que generan y las infraestructuras que las sustentan estén al servicio de la comunidad investigadora. Una tarea difícil pero indispensable: separar los negocios académicos, los incentivos perversos y las dinámicas de prestigio artificial de la honrada investigación científica.



Catedrático de Genética de la Universidad de Barcelona. Director del grupo de investigación Genómica Evolutiva & Bioinformática. Premio Nacional de Genética (2023). Ha participado en la secuenciación y análisis de varios proyectos genómicos en animales y plantas, y ha desarrollado herramientas bioinformáticas para el análisis de la variabilidad del ADN. Es uno de los científicos más citados de las universidades del Reino de España con más de 57.000 citaciones en Google Scholar.  

Doctor en Economía. Profesor titular del departamento de Sociología en la Facultad de Economía y Empresa de la Universidad de Barcelona. Es presidente de la Red Renta Básica y editor de Sin Permiso.    

Fuente:
www.sinpermiso.info, 20-9-2026  

lunes, 20 de julio de 2026

La IA en la revisión por pares: el elefante en la sala editorial

Publicado en Evidence-Based Dentistry (Evid Based Dent) 
https://www.nature.com/articles/s41432-026-01227-x





La IA en la revisión por pares: el elefante en la sala editorial

Giusy Rita Maria La Rosa y Mona Nasser
Evidence-Based Dentistry, volumen 27, pp. 23–24 (2026)

Más de la mitad de los investigadores utilizan actualmente inteligencia artificial (IA) al realizar revisiones por pares de manuscritos. Esto no es una proyección futura: es el estado actual de la publicación científica.

Una encuesta mundial realizada por Frontiers a más de 1.600 académicos de 111 países encontró que el 53 % de los revisores por pares han utilizado herramientas de IA en su trabajo, y casi una cuarta parte informó haber incrementado su uso durante el último año. Asimismo, un análisis computacional de informes de revisión enviados a importantes conferencias sobre IA estimó que entre el 6,5 % y el 16,9 % de las revisiones contenían texto modificado sustancialmente por modelos de lenguaje de gran tamaño (LLM). Entre quienes utilizan IA en la revisión por pares, el 59 % la emplea para ayudar a redactar el propio informe de revisión.

El elefante no está acercándose a la sala. Ya está dentro.

Lo que dicen las editoriales

Varios grandes grupos editoriales han publicado políticas formales sobre el uso de IA generativa en la revisión por pares; la siguiente lista no es exhaustiva. Sus posiciones comparten un principio común: los revisores no deben cargar manuscritos inéditos en plataformas públicas de LLM debido a cuestiones de confidencialidad y propiedad intelectual.

Las diferencias se encuentran en el alcance y los matices de cada política:

  • Elsevier prohíbe cualquier participación de IA generativa en el proceso de revisión, incluida la redacción del informe.

  • Springer Nature exige revelar si la IA ha apoyado la revisión de cualquier forma.

  • Wiley permite utilizar IA para la corrección lingüística de los comentarios de los revisores, pero prohíbe cargar manuscritos y exige divulgación.

  • Taylor & Francis establece explícitamente que los revisores no deben utilizar IA para generar informes de revisión.

  • SAGE distingue entre IA asistencial (herramientas que mejoran la redacción propia) e IA generativa, eximiendo a la primera de los requisitos de divulgación.

Estas políticas representan un esfuerzo genuino por establecer estándares. Sin embargo, comparten una limitación estructural: ninguna especifica cómo se verificará el cumplimiento, qué constituye una infracción detectable ni cuáles son las consecuencias del incumplimiento.

La declaración existe. La gobernanza no.

La brecha entre la política y la práctica

La distancia entre lo que prohíben las editoriales y lo que hacen los revisores no es simplemente una cuestión de incumplimiento individual.

Las discusiones informales dentro de las comunidades editoriales sugieren cada vez más que algunos editores podrían rechazar informes de revisión —e incluso manuscritos— basándose en sospechas de uso de IA, a pesar de la ausencia de estándares probatorios sólidos o herramientas fiables de detección.

Se trata de un problema sistémico y, sobre todo, de un problema de detección aún sin resolver.

Actualmente no existe ningún software capaz de identificar de forma fiable textos generados o modificados por IA. Las herramientas de detección producen elevadas tasas de falsos positivos y falsos negativos, y cuanto más sofisticado es el uso de la IA, menos detectable resulta.

Por lo tanto, un sistema de cumplimiento basado en la premisa de que las infracciones pueden detectarse no constituye una verdadera salvaguarda.

La falta de claridad puede incluso facilitar un tratamiento inconsistente y potencialmente discriminatorio hacia determinados revisores y autores.

Por otra parte, aunque no existan herramientas plenamente fiables, ciertos patrones característicos de los textos generados por IA siguen siendo reconocibles, lo que sugiere que su utilización a menudo no se declara.

En una evaluación informal realizada entre revisores del Journal of Food Science, más del 95 % afirmó no haber utilizado herramientas de IA, mientras que quienes sí lo hicieron declararon haberlas empleado únicamente para mejorar la gramática de sus comentarios.

Si se comparan estos resultados con la evidencia lingüística reportada por Liang y colaboradores y con los datos de la encuesta de Frontiers, la discrepancia no puede explicarse únicamente por diferencias metodológicas o de muestreo.

Aunque algunos de los hallazgos podrían incluir falsos positivos, las divergencias observadas sugieren una probable subdeclaración impulsada por una reticencia estructural a reconocer el uso de estas herramientas.

Los revisores pueden evitar informar sobre el uso de IA porque consideran que dicha divulgación tiene un costo reputacional y aún no está normativamente aceptada.

En ausencia de un marco claro y no punitivo para reconocer su uso, el silencio se convierte en la respuesta más racional.

Esto genera la paradoja de la transparencia de la IA en la revisión por pares: cuanto más estricta es la prohibición, mayor es el incentivo para ocultar su utilización.

Confiar únicamente en declaraciones voluntarias sin modificar el contexto normativo no reduce el uso no declarado de IA; simplemente lo vuelve invisible.

Lo que realmente se necesita

Una política más restrictiva no es la respuesta.

Más aún, podría cerrar oportunidades que una integración responsable de la IA realmente ofrece.

Las limitaciones de los LLM en la revisión por pares ya están bien documentadas. Su rendimiento disminuye precisamente en los ámbitos donde el juicio experto es más importante:

  • Evaluación de la originalidad.

  • Valoración del rigor metodológico.

  • Interpretación de hallazgos específicos de una disciplina.

En las ciencias clínicas y de la salud, se ha demostrado que los LLM interpretan incorrectamente el tono cauteloso característico de la literatura médica, confundiendo una prudente reserva epistemológica con debilidad científica.

Los LLM no sustituirán la revisión humana por pares.

El verdadero riesgo es que las prohibiciones impidan desarrollar las estructuras necesarias para hacer que el uso de IA sea seguro, transparente y responsable.

Además, la ausencia de un marco no punitivo para reconocer el uso de LLM limita nuestra comprensión de por qué los investigadores recurren a estas herramientas.

Su utilización no necesariamente refleja mala conducta o falta de competencia; también puede ser una respuesta a las crecientes presiones estructurales de la academia, donde se exige a los investigadores asumir más funciones y producir más resultados con menos recursos y menos tiempo.

Un cambio de paradigma

Lo que se necesita es pasar de la prohibición al reconocimiento regulado.

Esto requiere actuar en cuatro niveles.

1. Nivel normativo

Las exigencias de divulgación seguirán siendo inaplicables mientras reconocer el uso de IA se perciba como una admisión de mala conducta.

Los editores deben reformular activamente esta percepción.

Una asistencia limitada y transparente mediante IA no constituye una violación de la integridad del revisor; es una práctica que puede reconocerse, documentarse y delimitarse.

El cambio normativo debe preceder a los requisitos formales. De lo contrario, las políticas de divulgación reproducirán exactamente la brecha que pretenden cerrar.

2. Nivel infraestructural

Las editoriales deberían desarrollar entornos internos y seguros de IA para los revisores.

Se trataría de plataformas cerradas que permitieran tareas asistidas por IA —como corrección lingüística y apoyo a la estructuración de comentarios— manteniendo protegidos los contenidos de los manuscritos.

Frontiers ya ha experimentado con este modelo mediante una plataforma basada en GPT operando en un entorno cerrado con capacidad de auditoría.

Este enfoque transforma un problema de uso imposible de verificar en un sistema de asistencia verificable y acotado.

3. Nivel educativo

Actualmente la orientación sobre IA para revisores está prácticamente ausente en las prácticas editoriales.

Las invitaciones para revisar deberían incluir recomendaciones prácticas:

  • Qué herramientas son apropiadas.

  • Para qué tareas pueden utilizarse.

  • Cómo debe documentarse su uso.

Los módulos de formación en línea y las listas de verificación elaboradas por editores proporcionarían a los revisores el marco que actualmente les falta, reduciendo tanto el uso inapropiado como el ocultamiento innecesario.

Esto es especialmente importante en las revistas clínicas basadas en evidencia, donde los revisores deben:

  • Evaluar críticamente el diseño de los estudios.

  • Analizar el riesgo de sesgo.

  • Valorar la relevancia clínica de los resultados.

  • Interpretar hallazgos estadísticos.

Precisamente estas son las tareas en las que los LLM muestran su peor desempeño y donde una participación no detectada de la IA supone mayores riesgos para la práctica clínica.

4. Nivel colectivo

Ninguna revista ni editorial puede resolver este problema por sí sola.

Los editores de distintas disciplinas y casas editoriales deberían colaborar para desarrollar directrices compartidas y basadas en evidencia sobre el uso de IA en la revisión por pares, así como mecanismos para supervisar su aplicación.

Un observatorio coordinado que rastree la evolución del uso de IA en distintos campos y evalúe la adopción real de las prácticas de divulgación proporcionaría la base empírica que actualmente falta en la formulación de políticas.

Esta conversación debe producirse entre los consejos editoriales, no únicamente dentro de ellos.

Políticas dinámicas para un futuro cambiante

Las políticas y los marcos de divulgación deben seguir siendo dinámicos y adaptables.

La academia probablemente experimentará un cambio generacional en el que los futuros investigadores habrán integrado los LLM en gran parte de su formación y desarrollo profesional.

En este sentido, los LLM podrían convertirse progresivamente en un paradigma que transforme profundamente la manera en que la información se adquiere, procesa, sintetiza y comunica dentro de la práctica científica.

Una cuestión de integridad

El sistema de revisión por pares está sometido a una presión real.

  • El volumen de manuscritos aumenta.

  • La disponibilidad de revisores disminuye.

  • La presión por completar revisiones rápidamente es considerable.

Las herramientas de IA están llenando ese vacío, de forma medible y, en gran medida, sin reconocimiento explícito.

En las revistas clínicas basadas en evidencia, las consecuencias son especialmente importantes.

Una revisión por pares de una revisión sistemática que haya sido parcial o totalmente delegada a una herramienta de IA puede no detectar:

  • Deficiencias metodológicas.

  • Problemas de cegamiento.

  • Resultados clínicamente irrelevantes.

  • Comparaciones estadísticas inapropiadas.

El efecto posterior no es simplemente un artículo más débil.

Es una orientación científica que llega a profesionales sanitarios y, en última instancia, a los pacientes.

Pretender que esto no ocurre no protege la integridad de la revisión por pares.

La erosiona, porque mantiene la ficción del cumplimiento normativo frente a una realidad de prácticas invisibles y no reguladas.

La obligación de editores y editoriales no es imponer prohibiciones más severas, sino construir las condiciones que permitan un uso de la IA honesto, informado y responsable.

El elefante ya está en la sala. Ha llegado el momento de nombrarlo, comprenderlo y gobernarlo.



………………………………………………………….


  • Editorial Published: 04 June 2026

AI in peer review: the elephant in the editorial room

volume  27, pages 23–24 (2026) Cite this article

More than half of researchers now use artificial intelligence (AI) while peer reviewing manuscripts. This is not a projection: it is the current state of scientific publishing. A global survey of over 1600 academics conducted by Frontiers across 111 countries found that 53% of peer reviewers have used AI tools in their work, with nearly one quarter reporting increased use over the past year1. Computational analysis of peer review reports submitted to major AI conferences estimated that between 6.5% and 16.9% of reviews contained text substantially modified by large language models (LLMs)2. Among those who use artificial intelligence in peer review, 59% do so to help write the report itself1. The elephant is not approaching the room. It is already inside.

What publishers say

Several major publishing groups have issued formal policies on the use of generative AI in peer review, and the list below is not exhaustive. Their positions share a common core: reviewers must not upload unpublished manuscripts to public LLM platforms, on grounds of confidentiality and intellectual property. The differences lie in scope and nuance. Elsevier prohibits any generative AI involvement in the review process, including in the report itself3. Springer Nature requires disclosure if AI has supported the review in any way4. Wiley permits AI for language editing of reviewer feedback but prohibits manuscript uploading and mandates disclosure5. Taylor & Francis explicitly states that reviewers must not use AI to generate review reports6. SAGE distinguishes between assistive AI, meaning tools that improve one’s own prose, and generative AI, exempting the former from disclosure requirements7.

These policies represent a genuine effort at standard-setting. Yet they share a structural limitation: none specifies how compliance will be verified, what constitutes a detectable violation, or what consequences follow from non-adherence. The statement exists. The governance does not.

The gap between policy and practice

The distance between what publishers prohibit and what reviewers do is not only a matter of individual non-compliance. Informal discussions within editorial communities increasingly suggest that some editors may reject reviewer reports, and in some cases manuscripts based on suspicions of AI involvement, despite the absence of robust evidentiary standards or reliable detection tools. It is a systemic and, critically, an unresolved detection problem. No currently available software can reliably identify AI-generated or AI-modified text. Detection tools produce high rates of false positives and false negatives, and the more sophisticated the use of AI, the less detectable it becomes8. A compliance system built on the assumption that violations can be caught is therefore not a safeguard. The lack of clarity may inadvertently enable inconsistent and potentially discriminatory treatment of certain reviewers and authors.

On the other hand, even if no fully reliable tools are available, some recurrent AI-generated patterns are still identifiable, suggesting that the use of these tools is often not disclosed. In an informal assessment of peer reviewers at the Journal of Food Science, the vast majority (over 95%) declared they had not used AI tools, while those who did reported using it only to polish the grammar of their own comments9. Set against the linguistic evidence reported by Liang et al.2 and the data from the Frontiers survey1, this discrepancy cannot be explained by sampling differences alone. Although some of the findings identified by Liang et al. may represent false positives, the discrepancies across different surveys still suggest probable underreporting driven by a structural reluctance to disclose such use. Reviewers may avoid reporting AI use during the peer review process because disclosure is perceived as reputationally costly and not yet normatively sanctioned. In the absence of a clear and non-judgmental framework for acknowledgment, silence becomes the most rational response.

This produces the transparency paradox of AI in peer review: the stricter the prohibition, the stronger the incentive to conceal - and relying on voluntary declaration without shifting the normative context does not reduce undisclosed AI use. It simply makes it invisible.

What is actually needed

A more restrictive policy is not the answer. More importantly, it would risk foreclosing opportunities that responsible AI integration genuinely offers. The limitations of LLMs in peer review are already well-documented: their performance degrades in precisely the domains where expert judgment matters most, including assessing novelty, evaluating methodological rigor, and interpreting domain-specific findings8. In clinical and health sciences, LLMs have been shown to misread the characteristically cautious tone of medical writing, conflating appropriate epistemic restraint with scientific weakness10. LLMs will not replace human peer review. The real risk is that prohibition prevents us from building the structures needed to make AI use safe, transparent, and accountable. Furthermore, the absence of a non-judgmental framework for acknowledging LLM use limits our understanding of the reasons why researchers rely on these tools. Their use may not necessarily reflect misconduct or lack of competence, but could also represent a response to increasing structural pressures within academia, where researchers are expected to manage expanding roles and productivity demands with progressively fewer resources and less time available.

What is needed is a shift in paradigm: from prohibition to governed acknowledgment. This requires action at four levels.

The first is normative. Disclosure requirements will remain unenforceable as long as disclosing AI use is perceived as an admission of misconduct. Editors must actively reframe this: limited, transparent AI assistance is not a violation of reviewer integrity, but a practice that can be acknowledged, documented, and bounded. Normative change must precede formal requirements; otherwise, disclosure policies will reproduce the same gap they are meant to close.

The second is infrastructural. Publishers should develop secure, in-house AI environments for reviewers, closed platforms that permit AI-assisted tasks such as language editing and structured feedback support while keeping manuscript content protected. Frontiers has already piloted this model, operating a GPT-based platform in a closed environment with audit capacity11. This approach transforms the problem of unverifiable use into a system of verifiable, bounded assistance.

The third is educational. Reviewer guidance on AI is largely absent from current editorial practice. Review invitations should be accompanied by practical recommendations: which tools are appropriate, for which tasks, and how use should be documented. Online training modules and editor-curated checklists would give reviewers the framework they currently lack, reducing both uninformed misuse and unnecessary concealment. This is especially critical in evidence-based clinical journals, where reviewers are expected to critically appraise study design, assess risk of bias, evaluate the clinical relevance of outcomes, and interpret statistical findings. These are precisely the tasks where LLMs perform most poorly and where undetected AI involvement carries the greatest risk for clinical practice.

The fourth is collective. No single journal or publisher can resolve this alone. Editors across disciplines and publishing houses should work together to develop shared, evidence-based guidelines for AI use in peer review, and to establish mechanisms for ongoing monitoring of their implementation. A coordinated observatory effort, tracking how AI use evolves across fields and evaluating the real-world uptake of disclosure practices, would provide the empirical foundation that current policy-making lacks. The conversation needs to happen across editorial boards, not within them.

Policies and disclosure frameworks should remain dynamic and adaptable. Academia is likely to face a generational shift in which future researchers will have integrated LLMs into much of their academic training and professional development. In this sense, LLMs may progressively become a paradigm that fundamentally reshapes how information is acquired, processed, synthesized, and communicated within scientific practice.

A question of integrity

The peer review system is under genuine strain. Submission volumes are rising, reviewer availability is declining, and the pressure to complete reviews quickly is substantial. AI tools are filling this gap, measurably and largely without acknowledgment. In evidence-based clinical journals, the stakes are particularly high. A peer review of a systematic review that has been partially or wholly delegated to an AI tool may fail to identify methodological flaws, inadequate blinding, clinically irrelevant outcomes, or inappropriate statistical comparisons. The downstream effect is not simply a weaker paper. It is guidance that reaches practitioners and, ultimately, patients. Pretending otherwise does not protect the integrity of peer review. It erodes it, by sustaining a fiction of compliance over a reality of unregulated and invisible practice. The obligation of editors and publishers is not to issue stronger prohibitions, but to build the conditions under which honest, informed, and accountable AI use becomes possible. The elephant is in the room. It is time to name it, understand it, and govern it.

References

Download references

Author informationAuthors and Affiliations
  • Department of Clinical and Experimental Medicine, University of Catania, Catania, Italy
    Giusy Rita Maria La Rosa

  • Evidence-Based Dentistry, Plymouth, UK; Peninsula Dental School, University of Plymouth, Plymouth, UK
    Mona Nasser

Corresponding author

Correspondence to Giusy Rita Maria La Rosa.


U.S.A. vs MÉXICO: Alabama obliga a los empleados estatales a decir «Golfo de América». Las universidades no están exentas

Publicado en Inside Higher Ed https://www.insidehighered.com/news/government/state-policy/2026/10/07/alabamas-new-gulf-america-mandate-impac...