(The Conversation es una fuente independiente y sin ánimo de lucro de noticias, análisis y comentarios de expertos académicos).
Nan Li , Universidad de Wisconsin-Madison
(THE CONVERSATION) Una fotografía de la Tierra brillando en el espacio profundo, con el horizonte craterizado de la Luna extendiéndose en primer plano, captó la atención de muchas personas en abril de 2026. Los astronautas capturaron la imagen a bordo de la misión Artemis II de la NASA, y al igual que la famosa imagen del «Salida de la Tierra» del Apolo 8 , la fotografía resultó instantáneamente real e inspiradora para muchos.
Pero si casi cualquiera puede fabricar una imagen visualmente similar en segundos a partir de una indicación de texto utilizando inteligencia artificial, ¿cómo decide la gente cuál imagen es la real?
La proliferación de imágenes científicas generadas por IA en espacios públicos no es simplemente un problema de desinformación. Como investigadora que estudia la comunicación científica visual 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 efectividad.
Las imágenes generadas por IA se infiltran en la ciencia.
Las herramientas de IA ya están cambiando la forma en que se crean, comparten y publicitan las representaciones visuales científicas .
Los investigadores las utilizan para generar ilustraciones , crear datos sintéticos , editar imágenes de laboratorio y producir materiales para la educación y la divulgación pública .
Si bien la IA puede ayudar a los científicos a comunicar ideas complejas de forma más creativa y eficiente , estas mismas herramientas difuminan los límites entre la ilustración, la mejora y la fabricación.
En 2024, dos artículos fueron retractados tras publicar figuras generadas por IA que presentaban estructuras biológicamente imposibles . En abril de 2026, el New England Journal of Medicine retractó un artículo tras descubrir que una imagen clínica había sido manipulada con IA . Estos son solo algunos casos que captaron la atención del público y probablemente sean solo la punta del iceberg. Los investigadores han advertido que las imágenes generadas por IA representan una amenaza creciente en campos que dependen en gran medida de la evidencia visual, como la ciencia de los materiales.
Las editoriales académicas están empezando a adoptar herramientas de detección basadas en IA . Sin embargo, los sistemas diseñados para detectar imágenes falsas casi siempre irán a la zaga de los sistemas diseñados para crearlas. Muchos detectores solo pueden identificar patrones de imagen para los que fueron entrenados. A medida que surgen nuevos modelos de IA, los desarrolladores deben obtener constantemente nuevos datos y reentrenar los detectores para ponerse al día.
La principal preocupación reside en las imágenes de aspecto realista que distorsionan sutilmente los detalles científicos, pero que a la vez resultan lo suficientemente creíbles como para superar una revisión inicial.
Confía en las imágenes científicas
Durante décadas, las imágenes científicas gozaron de autoridad en parte debido a la dificultad de su producción . La creación de imágenes microscópicas, gráficos climáticos y fotografías espaciales requería equipos costosos, recursos institucionales y conocimientos especializados. La mayoría de la gente asumía que dichas imágenes representaban observaciones veraces porque muy pocas personas podían realizarlas.
Las investigaciones en comunicación científica, incluidas las mías, sugieren que las personas juzgan las imágenes científicas mediante 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 de aspecto científico a partir de un texto. Además, las imágenes se desvinculan de su fuente original al circular en línea. Cuando la calidad visual y la atribución institucional dejan de ser indicadores fiables para juzgar la credibilidad de las imágenes científicas, la gente tiende a recurrir a otra cosa: sus propias creencias previas .
Como resultado, las imágenes científicas auténticas que desafían las creencias preexistentes de alguien ahora pueden descartarse como generadas por IA, mientras que las imágenes fabricadas que las confirman se aceptan fácilmente como evidencia. De esta manera, la IA puede amplificar el razonamiento motivado , es decir, la tendencia de las personas a aceptar aquello con lo que ya están de acuerdo y a cuestionar lo que no.
Este cambio es importante porque las imágenes han servido durante mucho tiempo como evidencia para las afirmaciones científicas . El público no especializado se basa en 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 las pruebas visuales, la ciencia pierde una de sus herramientas más poderosas para la comunicación pública.
Transparencia, no restricción.
Las herramientas de IA ofrecen ventajas reales para los investigadores que comunican su trabajo a públicos diversos. El reto reside en utilizar estas herramientas sin transferir, de forma implícita, la falta de credibilidad de la IA a la ciencia que las imágenes pretenden transmitir.
Una vía práctica para avanzar consiste en que los investigadores traten la procedencia de las imágenes —de dónde proviene una imagen y cómo se creó— con la misma seriedad que ya aplican a la procedencia de los datos.
Los científicos suelen revelar sus fuentes de financiación, metodologías de estudio y posibles conflictos de interés. Es posible que ahora se requieran estándares similares para las imágenes científicas. ¿Se utilizó inteligencia artificial para generar o modificar esta imagen? ¿Se trata de una observación directa, una simulación o una ilustración? ¿Qué representa exactamente la imagen y cómo se verificó? ¿Puede ser replicada por otros investigadores?
Mis colegas y yo descubrimos que la familiaridad de las personas con la IA influye significativamente en cómo juzgan la credibilidad de las imágenes generadas por IA. Quienes estaban familiarizados con las herramientas de IA eran más propensos a considerar la divulgación de información sobre IA como una señal de transparencia, y algunos calificaron el contenido generado por IA claramente etiquetado como más creíble que el contenido sin etiquetar.
La transparencia proporciona al público el contexto necesario para evaluar lo que ve, pero puede que no resuelva todas las controversias sobre cómo se crean las imágenes. El uso responsable de las imágenes científicas generadas por IA requerirá honestidad, el cumplimiento de las normas profesionales y el desarrollo colectivo de estándares basados en la evidencia en todos los campos.
Por qué las imágenes auténticas siguen siendo poderosas
La fotografía original del Apolo 8, «Salida de la Tierra», tomada en 1968, tiene un gran impacto emocional . Lo mismo ocurre con las imágenes de Artemis II de 2026.
Lo que las hace significativas no es simplemente su belleza, sino su conexión verificable con la realidad científica. Al contemplar estas fotografías de planetas, las personas saben que detrás de ellas hay astronautas, cámaras físicas, misiones documentadas y observaciones verificables. En este sentido, la autenticidad reside en la relación documentada entre una imagen y el mundo.
En la era de la IA generativa, las instituciones científicas ya no pueden dar por sentado que el público confiará automáticamente en sus representaciones visuales. La confianza ahora depende de la transparencia, la documentación y una comunicación clara sobre cómo se producen las pruebas visuales.
Sin directrices ni estándares, la ciencia corre el riesgo de entrar en un mundo donde cada imagen puede ser cuestionada y ninguna imagen tiene credibilidad inherente.
Este artículo se republica de The Conversation bajo una licencia Creative Commons. Lea el artículo original aquí: https://theconversation.com/anyone-can-fake-a-scientific-image-with-ai-tricking-even-academic-journals-and-undermining-trust-in-science-281853 .
Nan Li, Profesora Asociada de Comunicación Científica, Universidad de Wisconsin-Madison
