FARS: 100 artículos científicos en 228 horas y 11.400 millones de tokens

Cien artículos científicos en nueve días y medio. Ese es el resultado de FARS (Fully Automated Research System), que lo logró sin una sola pausa para dormir, tomar café o discutir con colegas. El experimento, cuyos detalles han agitado a la comunidad investigadora, plantea al mundo académico una pregunta que ya no se puede aplazar: ¿qué le ocurre a la ciencia cuando una máquina escribe más rápido de lo que una persona puede leer?

En 228 horas de trabajo continuo, FARS generó exactamente 100 trabajos científicos y consumió la colosal cifra de 11,4 mil millones de tokens, aproximadamente lo que contienen varias decenas de miles de libros científicos. Las cifras impresionan por sí solas, pero su verdadera escala se aprecia al compararlas: un investigador experimentado dedica entre varias semanas y varios meses a preparar un único artículo completo. FARS tardó, de media, algo más de dos horas por trabajo. No es una aceleración del proceso, sino una transformación cualitativa.

La aparición de estos sistemas no es casual. Los últimos dos años han estado marcados por el rápido desarrollo de los agentes de IA autónomos: sistemas de software capaces de planificar tareas, buscar información, formular hipótesis y redactar resultados sin una intervención humana constante. Si los primeros modelos de lenguaje requerían instrucciones detalladas en cada paso, las arquitecturas agénticas actuales saben encadenar largas secuencias de acciones, desde plantear la pregunta de investigación hasta la edición final del texto. FARS es precisamente un sistema cerrado de este tipo, con el ciclo de investigación totalmente automatizado.

El aspecto técnico del experimento merece atención aparte. Los 11,4 mil millones de tokens no son solo una medida de los recursos de cómputo consumidos, sino un indicador indirecto de la profundidad del trabajo del sistema. El agente no se limitó a parafrasear textos existentes: procesó grandes volúmenes de datos, construyó argumentaciones, generó referencias bibliográficas y estructuró el material según los estándares académicos. Un consumo de tokens tan alto sugiere que el sistema pasó realmente por iteraciones de varios pasos y no produjo resúmenes superficiales. Sin embargo, aquí empiezan precisamente las preguntas que por ahora no tienen respuestas claras.

El problema central de la generación científica automática es la calidad y la reproducibilidad de los resultados. Un artículo académico no es solo un texto bien maquetado, sino conocimiento verificado: datos que se pueden comprobar, una metodología que se puede repetir, conclusiones que resisten la crítica de los revisores. Ninguno de los organizadores del experimento afirma que los 100 trabajos hayan pasado una evaluación independiente.

Hasta qué punto estos artículos cumplen los estándares de las revistas con revisión por pares sigue siendo una incógnita, y es quizá la pregunta más importante de toda esta historia. En la ciencia, la velocidad sin precisión no solo es inútil, sino peligrosa: los resultados falsos que entran en la circulación académica pueden desorientar durante años a líneas enteras de investigación.

Aun así, el potencial de estos sistemas es difícil de ignorar. Hay áreas, como la epidemiología, la climatología y la ciencia de materiales, donde la velocidad de procesamiento de datos es crítica y los investigadores literalmente no dan abasto para analizar el flujo de información entrante. Un agente autónomo capaz de procesar y sistematizar en un día un volumen de datos que a un equipo humano le llevaría un trimestre es una herramienta real para acelerar el conocimiento, no una mera exhibición de potencia de cálculo. La cuestión clave es cómo integrar estos sistemas en los mecanismos de verificación existentes sin perder por el camino ni precisión ni integridad científica.

FARS no es un punto final, sino la primera marca en una escala larga. La comunidad académica, las editoriales y los reguladores tienen que elaborar nuevos estándares: cómo etiquetar los trabajos con una alta proporción de generación automática, cómo adaptar la revisión por pares a otro ritmo de producción de textos y cómo distinguir una investigación profunda hecha por una máquina de una imitación maquinal de profundidad. El experimento ha demostrado que la barrera de la velocidad ya se ha superado. La siguiente barrera es la confianza. Y su altura no se mide en tokens.