En las últimas semanas, el panorama tecnológico ha cambiado drásticamente. Anthropic ha presentado sus nuevas herramientas, Claude Code y Cowork, que ahora son capaces de ejecutar flujos de trabajo completos sin necesidad de intervención humana. En solo seis meses, Claude Code ha evolucionado de ser un simple prototipo a convertirse en un valioso producto valorado en mil millones de dólares. Mientras tanto, en otras partes del mundo, DeepSeek está desarrollando su modelo V4, y China ha establecido como objetivo integrar la inteligencia artificial en todos los sectores de su economía para el año 2035. Este avance nos sitúa en una realidad muy diferente a la de 2025, cuando la IA era vista principalmente como una curiosidad. Hoy, la inteligencia artificial ya está trabajando y eso transforma el conjunto de posibilidades.

Este avance no se produce de manera aislada. Europa ha lanzado la iniciativa "ReArm Europe", que movilizará 800.000 millones de euros en defensa, y su inversión en investigación y desarrollo militar se ha duplicado en los últimos cinco años. Las naciones poderosas están apostando por la ciencia, reconocida como un valor esencial para la soberanía y una ventaja competitiva. En este contexto, Argentina, un país con una historia de neutralidad, podría capitalizar esta situación, como lo ha hecho en el pasado, al ofrecer tecnología y servicios mientras otras naciones se enfocan en conflictos bélicos.

Sin embargo, la ciencia en la era de la inteligencia artificial también presenta retos significativos. Uno de los principales es epistemológico: cuando un modelo de IA logra predecir la estructura de una proteína, ¿estamos hablando de un verdadero descubrimiento o simplemente de una correlación estadística compleja? La ciencia no se limita a hacer predicciones; necesita proporcionar explicaciones y desarrollar teorías. Aunque la IA puede acelerar la exploración, la interpretación de los datos seguirá siendo una tarea inherentemente humana. Además, el desafío metodológico se presenta en la reproducibilidad de los resultados, que se complica cuando dependen de modelos poco transparentes. Si la comunidad científica deja de realizar experimentos que generen nuevos datos, la IA se alimentará de un corpus que pronto quedará obsoleto. Una ciencia que solo recombina información existente ya no podrá considerarse ciencia.

El desafío formativo es igualmente crucial. Herramientas como Cowork permiten a los profesionales automatizar tareas complejas, y los agentes de IA pueden coordinar equipos de trabajo simultáneamente. Modelos como DeepSeek permiten entrenar arquitecturas enteras a un costo mucho menor que el habitual. Por tanto, los investigadores deben adquirir habilidades que no eran parte del currículo hace apenas dos años. Hoy en día, no solo es importante saber programar, sino también entender la lógica detrás de las herramientas utilizadas y ser capaces de evaluar críticamente los resultados obtenidos. En este sentido, es esencial fomentar una adopción crítica de la IA en la investigación, sin perder de vista que el rigor y el juicio científico no deben ser delegados a un algoritmo. En campos como las Ciencias Sociales, Humanidades y Salud Pública, el contexto tiene tanto peso como los datos mismos. La universidad pública debe asumir un papel central en esta formación, preparando a investigadores que no sean solo usuarios de tecnología, sino ciudadanos comprometidos con su entorno y su disciplina.