Publicado en The Scholarly Kitchen
https://scholarlykitchen.sspnet.org/2026/07/30/guest-post-the-third-time-is-not-the-charm-who-will-own-how-ai-participates-in-scholarship/?informz=1&nbd=567d61ec-36ea-4197-85eb-43e2bd36d175&nbd_source=informz
Artículo invitado — La tercera vez NO será la vencida: ¿Quién decidirá cómo participa la IA en la comunicación académica?Por Wendy Queen y Jonathan Woahn
30 de julio de 2026
Nota de los editores: El artículo de hoy es de Wendy Queen y Jonathan Woahn. Wendy es directora de Transformación (Chief Transformation Officer) de Johns Hopkins University Press y exdirectora de Project MUSE. Jonathan es cofundador de Cashmere, una plataforma diseñada para ayudar a las editoriales a monetizar su contenido de manera segura y responsable en aplicaciones impulsadas por inteligencia artificial.
La edición académica tiene un hábito que muchas industrias envidiarían: compite mediante sus productos mientras coopera en la construcción de infraestructura.
Las editoriales compiten por atraer autores, lectores, suscripciones y prestigio. Sin embargo, esas mismas editoriales, junto con bibliotecas, sociedades académicas y empresas tecnológicas, colaboran para construir la infraestructura compartida que hace que todo el ecosistema sea más valioso: identificadores persistentes, sistemas de identificación de investigadores, estándares de enlace y sistemas de elaboración de informes de uso entre plataformas. Estos no son productos, sino infraestructura comunitaria que ninguna organización podría justificar desarrollar por sí sola y que, una vez creada, generó valor para todos.
Aquí está la parte incómoda: seguimos construyendo los elementos que sientan las bases y permitimos que alguien más sea propietario de lo que se construye sobre ellas.
La primera vez digitalizamos la literatura académica y un pequeño grupo de agregadores comerciales pasó a controlar la mayor parte de las relaciones con los lectores y las bibliotecas, junto con gran parte del valor que se creó. La segunda vez construimos la red de citaciones y Google pasó a controlar el descubrimiento de información. En dos ocasiones construimos los cimientos y terminamos siendo proveedores dentro de un sistema que otra persona levantó según sus propias reglas.
El espacio vacío correspondiente a la infraestructura comunitaria para la IA es precisamente el punto central de este artículo.Cada generación anterior de infraestructura académica abordó un problema de coordinación que requería acción colectiva. La inteligencia artificial representa el siguiente gran desafío. La cuestión no es si surgirá una capa de participación de la IA, sino si será definida, construida y gestionada por la comunidad académica o por alguien más.
La pregunta ha cambiadoDurante gran parte de los dos últimos años, la comunidad ha planteado la IA como una cuestión de acceso: ¿pueden los sistemas de IA acceder a contenido confiable y bajo qué condiciones? Ese trabajo es importante, pero trata a la IA como si fuera la transición anterior: un mejor motor de búsqueda, una nueva puerta de entrada a contenidos que todavía controlamos.
No es así. Los investigadores ya no solo piden a la IA que encuentre un artículo o un libro; le piden que descubra, compare, sintetice, explique y razone sobre conjuntos de trabajos académicos. Los motores de búsqueda enviaban al usuario hacia la fuente original. La IA lee y responde: ya no se limita a encontrar literatura científica, sino que se está convirtiendo en un participante activo en la propia investigación y el análisis. Esto transforma la pregunta de «¿Cómo puede la IA acceder a nuestro contenido?» en «¿Cómo debería participar la IA en la comunicación académica?».
Y aquí está lo que hace que este cambio pase fácilmente desapercibido: la IA ya se comporta razonablemente bien. Hace poco, una colega formuló a un popular sistema de IA una pregunta muy especializada sobre historia de la literatura, conectada a través de la biblioteca de su universidad. El sistema devolvió una respuesta creíble con citas reales e incluso detectó que la biblioteca no disponía de uno de los libros, mostrando en su lugar el resumen. No fue una mala experiencia.
Y ese es precisamente el punto.
El problema ya no es que la IA alucine o invente fuentes, porque los modelos han mejorado. Las citas resolvieron el problema de ayer. El problema es que la IA no tiene obligaciones. En este caso proporcionó algunas citas, pero no estaba obligada a hacerlo. Respetó un derecho de acceso, pero nada garantizaba que tuviera que actuar de esa manera. Con la misma facilidad podría haber mezclado fuentes autorizadas con un preprint, un artículo retractado o haber ofrecido un resumen convincente sin remitir nunca al lector al documento original, ni mucho menos citarlo. El buen comportamiento de hoy es un accidente afortunado. El buen comportamiento del mañana debe convertirse en la norma.
Los indicadores de confianza son solo una parte de la respuestaLa comunidad académica ha invertido enormes esfuerzos en indicadores de confianza: revisión por pares, supervisión editorial, identificadores persistentes, licencias, metadatos e identificación de la versión de registro. En conjunto, estos elementos comunican a un sistema de IA qué es una obra, quién la creó, cómo fue evaluada y cuál es su lugar dentro del registro académico. Pero los indicadores describen; no dan instrucciones.
Pensemos en cómo confiamos en un investigador humano. Nunca contrataríamos a alguien únicamente por sus credenciales sin preguntarnos cómo trabaja: si cita las fuentes, respeta los embargos, reconoce a sus colaboradores, admite la incertidumbre y remite a los lectores a la evidencia original en lugar de presentar un resumen como si fuera la obra misma. Las credenciales indican lo que alguien ha logrado. La conducta indica si merece nuestra confianza.
Esa distinción organiza todo lo que sigue.
Para confiar en un sistema de IA del mismo modo que confiamos en un investigador responsable, esperaríamos que autenticara a los usuarios autorizados, recuperara correctamente el contenido sujeto a licencia, preservara la atribución, distinguiera la investigación autorizada de los resultados preliminares, registrara información significativa sobre el uso y condujera nuevamente a los investigadores hacia el registro académico en lugar de sustituirlo.
Esos son comportamientos, no descripciones, y ninguno de ellos ocurre simplemente porque existan metadatos. No hay nada en los metadatos que pueda autenticar a un usuario. La información de procedencia puede identificar la versión de registro, pero no puede obligar a un sistema de IA a darle prioridad. El desafío ya no consiste en describir la producción académica, sino en permitir que los sistemas de IA actúen de manera coherente con lo que la propia comunicación científica ya sabe sobre sí misma.
Por qué es importante la coordinaciónLa razón por la que estas prácticas siguen siendo difíciles de implementar es estructural. Ninguna organización posee por sí sola todo lo que un sistema de inteligencia artificial necesitaría para funcionar adecuadamente.
Las editoriales mantienen la versión oficial de los artículos publicados, la supervisión editorial, las licencias y la información sobre su procedencia. Las bibliotecas financian y negocian el acceso, gestionan y preservan las colecciones y apoyan a los investigadores mediante herramientas de descubrimiento y servicios de preservación a largo plazo. Los proveedores de tecnología intervienen cada vez más en la manera en que los investigadores interactúan con la producción académica.
Esta distribución de responsabilidades no constituye una debilidad del ecosistema de la comunicación académica. Refleja décadas de especialización entre organizaciones, cada una de las cuales desempeña excepcionalmente bien sus funciones específicas.
Esto lleva a que cada proveedor de IA tenga que reconstruir las mismas integraciones, una editorial a la vez, mientras que cada editorial recibe las mismas solicitudes de todos los proveedores. Es como regresar a la época anterior a Crossref: una maraña de conexiones bilaterales, desarrolladas para casos particulares, que no son interoperables entre sí.
Ya hemos visto esta situación antes. En la serie de artículos que Jonathan publicó a principios de este año, denominó a estas relaciones «alianzas simbólicas» (token partnerships), que aparecen justo antes de que se forme una infraestructura compartida: soluciones hechas a la medida, frágiles e imposibles de ampliar a gran escala.
Esta es la parte que debería preocuparnos: si la IA se convierte en la principal interfaz entre los investigadores y la producción académica, quien defina esa interfaz determinará el descubrimiento de contenidos, la atribución de autoría, la elaboración de informes, las licencias y, en última instancia, el flujo de valor.
El problema no radica en la existencia de un actor malintencionado, sino en nuestros propios malos hábitos.
En las dos ocasiones anteriores, con los agregadores comerciales y con Google, cuando surgió una nueva capa de intermediación, optimizamos los contenidos para lograr un alcance inmediato y facilitar su acceso, y permitimos que esa capa se consolidara por encima de nosotros, ya fuera porque resultaba más sencillo que coordinarnos o porque no conseguimos alcanzar un consenso con suficiente rapidez.
Y, en ambas ocasiones, quien terminó controlando esa capa estableció las condiciones que nuestro sector tuvo que aceptar.
La capa de interacción con la IA se está formando ahora, y resulta mucho más económico y conveniente establecer sus condiciones antes de que se consoliden que renegociarlas después de que alguien más las haya definido por nosotros, como ya hemos permitido que ocurra en dos ocasiones.
No disponemos de tres añosEn su entrevista de junio, se pidió a Todd Toler que imaginara una capa de coordinación como algo que podría existir «dentro de tres años».
Este es precisamente el tipo de supuesto que merece cuestionarse directamente: no disponemos de tres años para llevarlo a cabo.
Consideremos la velocidad a la que avanza aquello con lo que intentamos coordinarnos.
ChatGPT alcanzó un millón de usuarios en cinco días y 100 millones de usuarios en dos meses. El récord anterior lo tenía TikTok, que había necesitado nueve meses.
Anthropic, la empresa matriz de Claude, llevó a Claude Code de cero a mil millones de dólares en ingresos anualizados en seis meses.
Anthropic informó que sus ingresos anualizados como empresa alcanzaron los 47 000 millones de dólares en mayo de este año. Google, Amazon y Facebook necesitaron, cada una, más de una década para alcanzar siquiera los 10 000 millones de dólares.
Se puede debatir cualquiera de estas cifras individualmente, pero la dirección y la velocidad del cambio son indiscutibles, y sus efectos ya han llegado a nuestro sector.
El 30 de junio de 2026, Anthropic lanzó Claude Science, un entorno de trabajo para la investigación que incorpora desde el inicio decenas de bases de datos y que fue diseñado, según el planteamiento de la propia empresa, para controlar la capa operativa de la investigación, del mismo modo en que Claude Code llegó a controlar la del desarrollo de software.
La señal de salida para el ámbito académico ya se ha dado.
Imaginemos, entonces, que nos tomamos tres años.
Alguien más construirá la capa en la que convergen la inteligencia artificial y la producción académica. Cuando esté lista, todos los demás la utilizarán bajo condiciones que no habrán definido, exactamente como ocurrió las dos veces anteriores, cuando perdimos el control del descubrimiento de contenidos y de la relación con los lectores.
Un estándar desarrollado durante tres años que llegue a un mercado que evoluciona a esta velocidad simplemente llegará demasiado tarde.
La oportunidadAlguien va a construir esa capa. La única pregunta es quién lo hará.
La respuesta no consiste en que el sector de la publicación académica construya un competidor.
La comunidad académica nunca ha alcanzado el éxito intentando superar en competencia a las empresas tecnológicas que ingresan en su mercado. Su fortaleza radica en construir la infraestructura que permite a numerosas organizaciones participar dentro de un marco común.
Aquí existe la misma oportunidad.
En lugar de crear cientos o miles de integraciones bilaterales, la comunidad puede definir una capa compartida de participación mediante la cual el acceso autorizado, la atribución, la procedencia de los contenidos, las licencias y la elaboración de informes funcionen de manera coherente, independientemente de la editorial, la institución o el proveedor de inteligencia artificial.
Se construye una sola vez y cada proveedor realiza una única integración.
Esto beneficia a todos los participantes del sistema.
Y no sustituye a nadie.
Preserva las funciones de las que ya depende el ecosistema y las traslada a un entorno mediado por inteligencia artificial.
Los investigadores continúan beneficiándose del acceso institucional negociado por las bibliotecas.
Las editoriales siguen velando por la integridad del registro académico y garantizando que las obras de sus autores sean descubiertas, utilizadas y tengan impacto.
Los sistemas de IA se convierten en participantes más adecuados dentro del ecosistema académico y atienden con mayor eficacia a ese segmento de clientes de las empresas de inteligencia artificial, porque el ecosistema proporciona las herramientas necesarias para respaldar un comportamiento responsable.
El trabajo ya ha comenzadoLa comunidad académica ya ha resuelto problemas de este tipo anteriormente; las filas de la tabla presentada al principio de este artículo son prueba de ello.
La inteligencia artificial representa el siguiente desafío de coordinación, pero es más complejo que cualquiera de los que hemos enfrentado anteriormente, principalmente porque está tomando forma con mayor rapidez que cualquier otra capa de intermediación previa.
Las conversaciones ya han comenzado.
Editoriales, bibliotecas, sociedades académicas, organismos de normalización y socios tecnológicos están trabajando para determinar qué debe hacer una IA académica responsable y qué se necesita para construir la capa que lo haga posible.
El objetivo no es elaborar otro documento de principios ni un estándar que llegue dentro de tres años.
Se trata de desarrollar algo tangible, que esté funcionando en el mercado en cuestión de meses.
Ninguna organización puede construir esta infraestructura por sí sola, y la versión desarrollada por una única organización tampoco debería convertirse en el estándar.
Solo tendrá éxito si la comunidad participa conjuntamente en su diseño.
Las condiciones las establecen quienes están presentes en la mesa de negociación.
Si usted o su organización consideran que la comunidad académica debería establecer las condiciones que definan cómo debe ser la participación responsable de la inteligencia artificial en la comunicación académica, hay un lugar para ustedes en esa mesa.
En dos ocasiones hemos construido los cimientos y hemos cedido a otros el control de lo que se construyó sobre ellos; la tercera vez no tiene por qué ser la vencida.
No volvamos a construir los cimientos para después tener que pagar por utilizar aquello que podríamos haber poseído.
Sobre los autores
Wendy QueenWendy Queen es directora de Transformación (Chief Transformation Officer) de Johns Hopkins University Press y exdirectora de Project MUSE.
Ha encabezado importantes avances en accesibilidad, metadatos, flujos de trabajo digitales y acceso abierto.
En Johns Hopkins, dirige los esfuerzos de integración de la inteligencia artificial y transformación institucional, promoviendo una innovación sostenible y colaborativa en el ámbito de la publicación académica.
Ver todas las publicaciones de Wendy Queen
Jonathan WoahnJonathan Woahn es cofundador de Cashmere, una plataforma diseñada para ayudar a las editoriales a monetizar sus contenidos de manera segura y responsable en aplicaciones impulsadas por inteligencia artificial.
Considera que los contenidos creados por seres humanos son los que nos conectan y hacen avanzar el conocimiento compartido, y que los creadores y las editoriales necesitan incentivos claros para continuar produciéndolos.
Su trabajo se centra en desarrollar sistemas que preserven la remuneración, el reconocimiento de autoría y el control sobre la manera en que se utilizan los contenidos, al tiempo que permiten a la inteligencia artificial incorporar responsablemente, y a gran escala, materiales de alta calidad creados por seres humanos.
Ver todas las publicaciones de Jonathan Woahn
………………………………………..
Guest Post — The Third Time is NOT the Charm: Who Will Own How AI Participates in Scholarship?
By Wendy Queen, Jonathan Woahn
Jul 30, 2026
Editors’ note: Today’s post is by Wendy Queen and Jonathan Woahn. Wendy is Chief Transformation Officer at Johns Hopkins University Press and former Director of Project MUSE. Jonathan is a co-founder of Cashmere, a platform designed to help publishers safely and responsibly monetize their content in AI-powered applications.
Scholarly publishing has a habit most industries would envy: it competes on products while cooperating on infrastructure.
Publishers compete for authors, readers, subscriptions, and prestige. Then those same publishers, along with libraries, scholarly societies, and technology partners, get together and build the shared plumbing that makes the whole ecosystem more valuable at once — persistent identifiers, researcher identity systems, linking standards, and cross-platform usage reporting. These are not products, but community infrastructure no single organization could justify alone, yet that created value for everyone once it existed.
Here’s the uncomfortable part: we keep building the pieces that lay the foundation and letting someone else own what gets built on top of it.
The first time, we digitized the scholarly literature, and a handful of commercial aggregators came to own most of the reader or library relationships, along with most of the value that was created. The second time, we built the citation graph, and Google came to own discovery. Twice we built the foundation and ended up a supplier inside a system someone else erected on their terms.
The empty box representing AI community infrastructure is the point of this post. Each previous generation of scholarly infrastructure addressed a coordination problem that required collective action. AI presents the next really big one. The question is not whether an AI participation layer will emerge, but whether it will be defined, built, and run by the scholarly community, or by someone else.
The Question Has Changed
For much of the past two years, the community has framed AI as a question of access: can AI systems reach trustworthy content, and on what terms? That work matters, but it treats AI like the last transition — a better search box, a new front door to content we still control.
It isn’t. Researchers don’t just ask AI to find a paper or a book anymore; they ask it to discover, compare, synthesize, explain, and reason across bodies of scholarship. Search sent the user onward to the source. AI reads and answers — it is no longer simply finding literature, but becoming an active participant in the research and analysis itself. This changes the question from “How can AI access our content?” to “How should AI participate in scholarship?”
And here’s what makes the shift easy to miss: AI already behaves reasonably well. A colleague recently asked a popular AI system a niche literary-history question, logged in through her university library. It returned a credible answer with real citations, and even noticed her library didn’t hold one of the books, showing the abstract instead. Not a bad experience.
Which is exactly the point.
The problem is no longer that AI hallucinates or invents sources, because the models got better. Citations solved yesterday’s problem. The problem is that AI has no obligations. In this case, it provided some citations, but it wasn’t required to. It respected an entitlement, but nothing guaranteed that it would. It could just as easily have blended authoritative sources with a preprint, a retracted paper, or provided a confident summary that never sent the reader back to the record, let alone cited it. Good behavior today is a happy accident. Good behavior tomorrow must become the standard.
Trust Markers Are Only Part of the Answer
The scholarly community has invested heavily in trust markers: peer review, editorial oversight, persistent identifiers, licensing, metadata, and marking the version of record. Together, these communicate to an AI system what a work is — who created it, how it has been evaluated, and where it belongs within the scholarly record. But markers are descriptions, not instructions.
Think about how we trust a human researcher. We’d never hire one on credentials alone and skip asking how they work—whether they cite sources, respect embargoes, acknowledge collaborators, recognize uncertainty, and direct readers back to the original evidence instead of passing off a summary as the thing itself. Credentials tell you what someone has accomplished. Conduct tells you whether to trust them.
That distinction organizes everything that follows.
To trust an AI system like a responsible researcher, we would expect it to authenticate authorized users, retrieve licensed content appropriately, preserve attribution, distinguish authoritative scholarship from preliminary findings, report meaningful usage, and return researchers to the scholarly record rather than standing in for it.
Those are behaviors, not descriptions — and none of them happen simply because metadata exists. There is nothing in metadata that can authenticate a user. Provenance can identify the version of record, but it cannot require an AI system to privilege it. The challenge is no longer describing scholarship, but enabling AI systems to act consistently on what scholarship already knows about itself.
Why Coordination Matters
The reason these behaviors remain difficult is structural. No one organization holds everything an AI system would need to behave well.
Publishers maintain the version of record, editorial oversight, licensing, and provenance. Libraries fund and negotiate access, steward collections, and support researchers through discovery and long-term preservation. Technology providers increasingly mediate how researchers interact with scholarship. That distribution of responsibilities is not a weakness of the scholarly ecosystem. It reflects decades of specialization across organizations, and each performs those distinct roles exceptionally well.
This leads to every AI provider rebuilding the same integrations, one publisher at a time; and every publisher is fielding the same requests from every provider. It’s the pre-Crossref world again: a thicket of one-off, bilateral connections, none interoperable. We’ve seen this shape before — in Jonathan’s series earlier this year, he called these the “token partnerships” that appear right before shared infrastructure forms: bespoke, fragile, unscalable.
Here is the part that should concern us: if AI becomes the primary interface between researchers and scholarship, whoever defines that interface defines discovery, attribution, reporting, licensing, and ultimately the flow of value. The failure mode here is not a villain, but our own bad habit.
Both times before, like with commercial aggregators and Google, when a new layer emerged, we optimized the content for immediate reach and convenience, and let the layer harden above us; either because it was easier than coordinating or because we couldn’t come to a consensus fast enough. And, both times, whoever owned the layer ended up setting the terms our industry had to settle for.
The AI interaction layer is forming now, and it’s far cheaper and more convenient to set the terms before they harden than to renegotiate them after someone else has done it for us — the way we’ve let them happen twice already.
We Don’t Have Three Years
In his June interview, Todd Toler was asked to imagine a coordination layer as something that might exist “three years from now.” This is the precise type of assumption worth challenging directly — we don’t have three years to get this done.
Consider the pace of the thing we are trying to coordinate with.
ChatGPT reached 1 million users in 5 days, and 100 million users in 2 months. The previous record holder was TikTok with 9 months. Anthropic, Claude’s parent company, took Claude Code from $0 to $1 billion in annualized revenue in 6 months. Anthropic reported company annualized revenue of $47 billion in May of this year. It took Google, Amazon, and Facebook each over a decade to reach even $10 billion.
Debate any single figure, but the direction and speed cannot be disputed — and it has already reached our doorstep. On June 30, 2026, Anthropic launched Claude Science, a research workbench pre-loaded with dozens of databases and built, in the company’s own framing, to own the operational layer of research the way Claude Code came to own software development. The starting shot for scholarship has been fired.
So picture taking three years. Someone else builds the layer where AI and scholarship meet; when it’s ready, everyone else uses it on terms they didn’t write — exactly how discovery and the reader relationship slipped away the last two times. A three-year-old standard arriving into a market moving at this speed is just plain too late.
The Opportunity
Someone is going to build that layer. The only question is who.
The answer isn’t for scholarly publishing to build a competitor. The scholarly community has never succeeded by out-competing the technology companies that enter its market; it succeeds by building the infrastructure that lets many organizations participate within a common framework.
The same opportunity exists here. Rather than creating hundreds or thousands of bilateral integrations, the community can define a shared participation layer through which authorized access, attribution, provenance, licensing, and reporting work consistently regardless of publisher, institution, or AI provider. Build it once, and every provider integrates once. This helps everyone in the system.
And it doesn’t replace anyone.
It preserves the roles the ecosystem already depends on, carried into an AI-mediated environment. Researchers continue to benefit from institutional access negotiated by libraries. Publishers continue to steward the integrity of the scholarly record, and ensure that their authors’ works are discovered, used, and have impact. AI systems become better scholarly participants, more effectively serving that slice of the AI companies’ customers, because the ecosystem provides the tools needed to support responsible behavior.
The Work Has Already Begun
The scholarly community has solved this kind of problem before — the rows in the table at the beginning of this article are proof. AI is the next coordination problem, but it is more challenging than anything we have previously faced; primarily because it is taking shape faster than any other layer before it.
The conversations have already started. Publishers, libraries, societies, standards bodies, and technology partners are working through what responsible scholarly AI has to do, and what it takes to build the layer that makes it possible. The goal isn’t another principles document or standard that arrives three years from now. It’s something tangible, live in the market in months.
No single organization can build this alone, and no single organization’s version should become the standard. It will only succeed if the community shapes it together. The terms get set by whoever is at the table. If you and/or your organization believe the scholarly community should set the terms of what responsible AI participation in scholarship should look like, there’s a place for you at the table.
We’ve built the foundation twice and handed away what got built on top; the third time is not the charm. Let’s not build the foundation, yet again, and rent back what we could have owned.
Wendy Queen
Wendy Queen is Chief Transformation Officer at Johns Hopkins University Press and former Director of Project MUSE. She led major advances in accessibility, metadata, digital workflows, and open access. At Hopkins, she guides AI integration and transformation efforts, promoting sustainable, collaborative innovation across scholarly publishing.View All Posts by Wendy Queen
Jonathan Woahn
Jonathan Woahn is a co-founder of Cashmere, a platform designed to help publishers safely and responsibly monetize their content in AI-powered applications. He believes human-created content is what connects us and advances shared knowledge, and that creators and publishers need clear incentives to continue producing it. His work focuses on building systems that preserve compensation, credit, and control over how content is used, while enabling AI to responsibly incorporate high-quality, human-generated material at scale.View All Posts by Jonathan Woahn
