Una fotografía de la Tierra brillando en el espacio profundo, con el horizonte cráterizado de la Luna extendiéndose por su primer plano, captó la atención de muchas personas en abril de 2026. Los astronautas capturaron la imagen mientras estaban a bordo de la misión Artemis II de la NASA y, al igual que la famosa imagen del Apollo 8 “Earthrise”, la imagen resultó instantáneamente real e inspiradora para muchos.
Pero cuando casi cualquiera puede fabricar una imagen visualmente similar en segundos a partir de un mensaje de texto usando inteligencia artificial, ¿cómo deciden las personas qué imagen es real?
La proliferación de imágenes científicas generadas por IA en espacios públicos no es simplemente un problema de desinformación. Como investigador que estudia la comunicación visual en la ciencia y la confianza pública, creo que también contribuye a una crisis de confianza en la ciencia en la era de la IA, y las herramientas en las que los científicos han confiado durante mucho tiempo para establecer credibilidad visual están perdiendo su influencia.
Las imágenes generadas por IA infiltran la ciencia
Las herramientas de IA ya están cambiando la forma en que se crean, comparten y publicitan los visuales científicos.
Los investigadores los utilizan para generar ilustraciones, crear datos sintéticos, editar imágenes de laboratorio y producir materiales para la educación y la divulgación pública.
Aunque la IA puede ayudar a los científicos a comunicar ideas complejas de forma más creativa y eficiente, estas mismas herramientas difuminan las líneas entre ilustración, mejora y fabricación.
En 2024, dos artículos fueron retirados tras publicar cifras generadas por IA que poseían estructuras biológicamente imposibles. En abril de 2026, el New England Journal of Medicine retiró un artículo tras descubrir que una imagen clínica había sido manipulada con IA. Estos son solo casos que llegaron a la atención del público masivo y probablemente sean solo la punta del iceberg. Los investigadores han advertido que las imágenes generadas por IA suponen amenazas crecientes en campos que dependen en gran medida de la evidencia visual, como la ciencia de materiales.
Las editoriales académicas están empezando a adoptar herramientas de detección de IA. Sin embargo, los sistemas diseñados para detectar imágenes falsas casi siempre van rezagados respecto a los que están diseñados para crearlas. Muchos detectores solo pueden identificar patrones de imagen que fueron entrenados para reconocer. A medida que surgen nuevos modelos de IA, los desarrolladores deben obtener constantemente nuevos datos y reentrenar a los detectores para ponerse al día.
La mayor preocupación son los visuales realistas que distorsionan sutilmente los detalles científicos pero permanecen lo suficientemente creíbles como para pasar la revisión inicial.
Confianza en las imágenes científicas
Durante décadas, las imágenes científicas tenían autoridad en parte porque eran difíciles de producir. Crear imágenes de microscopio, gráficos climáticos y fotografías espaciales requería equipos costosos, recursos institucionales y experiencia especializada. La mayoría de la gente asumía que tales imágenes representaban observaciones reales porque muy pocas personas podían hacerlas.
La investigación en comunicación científica, incluida la mía, sugiere que la gente juzga los visuales científicos usando algunos atajos mentales. ¿La imagen parece técnicamente sofisticada? ¿Proviene de una institución de confianza? ¿Coincide con lo que ya creo? La IA generativa está socavando estas tres heurísticas, o atajos mentales.
Hoy en día, cualquiera puede crear una imagen pulida y con aspecto científico a partir de un prompt de texto. Las imágenes también se desvinculan de su fuente original cuando circulan en línea. Cuando la calidad visual y la atribución institucional se convierten en señales poco fiables para juzgar la credibilidad de las imágenes científicas, la gente tiende a recurrir a otra cosa: sus propias creencias previas.
Te puede interesar: Una IA más barata es mejor: costes están transformando la forma en que empresas eligen sus modelos
Como resultado, las imágenes científicas auténticas que desafían las creencias existentes de alguien pueden ahora descartarse como generadas por IA, mientras que las imágenes fabricadas que las confirman son fácilmente aceptadas como pruebas. La IA, de este modo, puede amplificar el razonamiento motivado, es decir, la tendencia de las personas a aceptar lo que ya están de acuerdo y cuestionar lo que no están.
Este cambio es importante porque las imágenes han servido durante mucho tiempo como evidencia para afirmaciones científicas. Las audiencias no expertas dependen de las imágenes no solo para ver lo que los científicos han descubierto, sino también para desarrollar una conexión emocional y percibir credibilidad en la ciencia que se presenta.
Si el público deja de confiar por completo en la evidencia visual, la ciencia pierde una de sus herramientas más poderosas para la comunicación pública.
Transparencia, no restricción
Las herramientas de IA ofrecen beneficios reales para los investigadores que comunican su trabajo a públicos diversos. El reto es usar estas herramientas sin transferir silenciosamente el déficit de credibilidad de la IA a la ciencia que las imágenes pretenden transmitir.
Un camino práctico es que los investigadores traten la procedencia de la imagen —de dónde proviene una imagen y cómo se creó— con la misma seriedad con la que ya aplican a la procedencia de los datos.
Los científicos revelan habitualmente recursos de financiación, metodologías de estudio y conflictos de interés. Estándares similares pueden ser necesarios ahora para imágenes científicas. ¿Se utilizó IA para generar o modificar esta imagen? ¿Es una observación directa, una simulación o una ilustración? ¿Qué representa exactamente la imagen y cómo se verificó? ¿Puede ser replicado por otros investigadores?
Mis colegas y yo descubrimos que la familiaridad de las personas con la IA influye significativamente en cómo evalúan la credibilidad de los visuales generados por IA. Quienes conocían las herramientas de IA eran más propensos a ver la divulgación de IA como un signo de transparencia, y algunos calificaron el contenido claramente etiquetado generado por IA como más creíble que el contenido sin etiquetar.
La transparencia proporciona al público el contexto necesario para evaluar lo que ven, pero puede que no resuelva todas las disputas sobre cómo se crean las imágenes. El uso responsable de imágenes científicas generadas por IA requerirá honestidad, adhesión a normas profesionales y el desarrollo colectivo de estándares basados en la evidencia en distintos campos.
Por qué las imágenes auténticas siguen siendo poderosas
La fotografía original del Apollo 8 “Earthrise” de 1968 tiene un impacto emocional significativo. También las imágenes de Artemis II de 2026.
Lo que los hace significativos no es simplemente su belleza. Es su conexión rastreable con la realidad científica. Cuando la gente mira estas fotografías de planetas, también sabe que hay astronautas, cámaras físicas, misiones documentadas y observaciones verificables detrás de las imágenes. En este sentido, la autenticidad es una relación documentada entre una imagen y el mundo.
En la era de la IA generativa, las instituciones científicas ya no pueden asumir que el público confiará automáticamente en sus imágenes. La confianza ahora depende de la transparencia, la documentación y una comunicación clara sobre cómo se produce la evidencia visual.
Sin directrices y estándares, la ciencia corre el riesgo de entrar en un mundo donde cada imagen puede ser cuestionada y ninguna imagen tiene credibilidad inherente.
*Nan Li es Profesora Asociada de Comunicación Científica en la Universidad de Wisconsin-Madison.
Este artículo fue publicado originalmente en The Conversation/Reuters
Síguenos en Google Noticias para mantenerte siempre informado
