¿Están las universidades chilenas preparadas para enseñar inteligencia artificial? La Facultad de Ciencias de la U. de Chile abre el debate

Mientras las herramientas de inteligencia artificial generativa transforman radicalmente la manera en que investigadores publican papers y estudiantes elaboran sus tesis, las facultades de ciencias en Chile enfrentan una pregunta incómoda: ¿estamos formando profesionales con las competencias necesarias para un mundo donde la IA ya no es futuro sino presente? La Facultad de Ciencias de la Universidad de Chile ha decidido abordar esta interrogante de frente, organizando una charla informativa específicamente diseñada para explorar cómo la inteligencia artificial puede —y debe— integrarse tanto en la docencia como en la investigación científica.

Un giro necesario en la educación científica chilena

La iniciativa de la Facultad de Ciencias de la Universidad de Chile no surge en el vacío. En los últimos dos años, el ecosistema académico global ha experimentado una disrupción sin precedentes: desde ChatGPT hasta modelos especializados en análisis de datos científicos como AlphaFold para predicción de estructuras proteicas, la IA ha dejado de ser una herramienta auxiliar para convertirse en un componente central del trabajo científico. Esta charla informativa representa un reconocimiento institucional de que la formación tradicional en ciencias ya no es suficiente.

Lo que distingue esta aproximación es su enfoque dual: no se trata únicamente de enseñar sobre inteligencia artificial como objeto de estudio, sino de integrarla como metodología transversal en la investigación y como herramienta pedagógica en el aula. Este doble propósito refleja una comprensión madura de que la IA no es simplemente otra asignatura del currículo, sino un cambio paradigmático en cómo se produce y transmite el conocimiento científico.

La Universidad de Chile, como institución líder en investigación científica del país, asume así un rol pionero en una conversación que otras universidades chilenas apenas comienzan a articular. Según datos del Ministerio de Ciencia, Tecnología, Conocimiento e Innovación, Chile invierte apenas 0,35% de su PIB en investigación y desarrollo, muy por debajo del promedio OCDE. En este contexto de recursos limitados, la adopción estratégica de herramientas de IA podría representar un multiplicador de capacidades investigativas.

De la resistencia a la integración: el dilema docente

El mundo académico ha mantenido una relación ambivalente con la inteligencia artificial. Mientras algunos investigadores la han adoptado entusiastamente para acelerar análisis de datos o generar hipótesis, otros docentes la perciben como una amenaza a la integridad académica, especialmente tras la popularización de herramientas como ChatGPT que pueden generar ensayos completos en segundos. Esta charla informativa busca trascender esa dicotomía simplista entre tecnofilia y tecnofobia.

La pregunta ya no es si los estudiantes usarán IA —lo harán, con o sin permiso— sino cómo las instituciones pueden guiar ese uso hacia prácticas éticas y productivas. Universidades de élite como MIT y Stanford han comenzado a rediseñar sus evaluaciones asumiendo que los estudiantes tendrán acceso a asistentes de IA, enfocándose en competencias que estas herramientas no pueden replicar: pensamiento crítico, creatividad conceptual y juicio ético. La Facultad de Ciencias de la U. de Chile parece encaminarse en esa dirección.

Para los investigadores, la IA ofrece posibilidades transformadoras: desde el procesamiento de volúmenes masivos de datos experimentales hasta la identificación de patrones que escapan a la percepción humana. En campos como la genómica, la astrofísica o la ciencia de materiales, donde los datasets pueden contener millones de observaciones, los algoritmos de machine learning ya no son opcionales sino necesarios. La charla aborda precisamente cómo capacitar a investigadores en estas metodologías sin requerir que todos se conviertan en expertos en ciencias de la computación.

La integración de inteligencia artificial en la educación científica no se trata de reemplazar el pensamiento humano, sino de amplificar la capacidad de investigadores y estudiantes para hacer preguntas más profundas y explorar territorios antes inaccesibles por limitaciones computacionales.

Investigación científica en la era de los modelos generativos

El impacto de la IA en la investigación científica va mucho más allá de la automatización de tareas rutinarias. Modelos de lenguaje especializados pueden ahora revisar literatura científica, identificar conexiones entre campos disciplinarios distantes y hasta sugerir diseños experimentales. En 2023, Nature publicó que aproximadamente el 15% de los papers en ciencias biológicas ya utilizaban alguna forma de IA en su proceso de investigación, una cifra que se duplica cada año.

Para una facultad como la de Ciencias de la Universidad de Chile, que alberga departamentos de Matemáticas, Física, Química, Biología y Geología, la IA representa una oportunidad única de fomentar la investigación interdisciplinaria. Los mismos algoritmos de aprendizaje profundo que revolucionan la predicción de estructuras moleculares pueden aplicarse al análisis de patrones sísmicos o a la modelación de sistemas ecológicos complejos. Esta transversalidad es precisamente lo que hace imperativa una aproximación institucional coordinada.

Sin embargo, la adopción de IA en investigación también plantea desafíos éticos y metodológicos significativos. ¿Cómo validar resultados generados por modelos cuyo funcionamiento interno es opaco incluso para sus creadores? ¿Quién es responsable cuando un algoritmo produce una predicción errónea que orienta mal una línea de investigación? Estas preguntas no tienen respuestas simples, y parte del valor de iniciativas como esta charla radica precisamente en crear espacios para debatirlas colectivamente.

El contexto chileno: oportunidades y brechas

Chile enfrenta una paradoja en materia de inteligencia artificial: mientras el país cuenta con una comunidad científica de excelencia reconocida internacionalmente y una infraestructura digital relativamente avanzada en Latinoamérica, la formación sistemática en IA permanece concentrada en pocas instituciones y programas. Según un estudio del Centro Nacional de Inteligencia Artificial (CENIA), menos del 30% de los programas de pregrado en ciencias en Chile incluyen formación obligatoria en análisis de datos con técnicas de machine learning.

Esta brecha formativa tiene consecuencias concretas. Empresas tecnológicas y centros de investigación reportan dificultades para contratar profesionales con competencias híbridas que combinen expertise disciplinario con habilidades en IA. La fuga de talentos hacia el extranjero se acentúa: jóvenes científicos chilenos que adquieren estas competencias son rápidamente reclutados por universidades y empresas en Estados Unidos o Europa, donde los salarios y recursos superan ampliamente lo disponible localmente.

Iniciativas como la charla de la Facultad de Ciencias representan pasos hacia la democratización del conocimiento en IA. No todos los científicos necesitan convertirse en desarrolladores de algoritmos, pero todos deberían comprender las capacidades y limitaciones de estas herramientas para poder integrarlas críticamente en su trabajo. Esta alfabetización en IA es tan fundamental para el científico del siglo XXI como lo fue la alfabetización estadística en el siglo XX.

Contexto clave

Inteligencia artificial en investigación científica: Se refiere al uso de algoritmos computacionales capaces de aprender patrones a partir de datos para acelerar descubrimientos, analizar información compleja o generar hipótesis. A diferencia del software tradicional que sigue instrucciones explícitas, estos sistemas identifican relaciones implícitas en grandes volúmenes de información. En ciencias, esto permite desde predecir cómo se plegará una proteína (crucial para diseño de fármacos) hasta identificar exoplanetas en datos telescópicos que serían imposibles de procesar manualmente.

IA generativa en educación: Son modelos de inteligencia artificial capaces de crear contenido nuevo —texto, imágenes, código— a partir de instrucciones en lenguaje natural. Herramientas como ChatGPT o Claude han generado debate en educación porque pueden elaborar ensayos, resolver problemas matemáticos o escribir código, desafiando métodos tradicionales de evaluación. Sin embargo, también ofrecen oportunidades pedagógicas: tutorización personalizada, generación de escenarios de práctica o asistencia en la redacción científica, siempre que se usen con supervisión crítica.

Brecha de competencias en IA: Describe la distancia entre las habilidades en inteligencia artificial que demanda el mercado laboral y académico, y las que efectivamente poseen los profesionales formados en el sistema educativo. En Chile, esta brecha es particularmente pronunciada en ciencias naturales, donde la formación tradicional enfatiza conocimiento disciplinario pero incluye limitada capacitación en programación, análisis de datos masivos o interpretación de modelos de machine learning. Cerrar esta brecha requiere actualización curricular y formación continua de docentes.

Para profundizar

• Ética de la IA en publicaciones científicas — ¿Deben los journals exigir que los autores declaren qué partes de un paper fueron generadas o asistidas por IA? Nature y Science han comenzado a establecer políticas al respecto, pero el consenso está lejos de alcanzarse y las implicaciones para la autoría científica son profundas.
• Modelos de IA especializados versus generalistas en ciencia — Mientras herramientas como ChatGPT ofrecen versatilidad, modelos entrenados específicamente en literatura científica (como Galactica de Meta o los especializados de Semantic Scholar) prometen mayor precisión. ¿Deberían las universidades invertir en desarrollar sus propios modelos especializados o adoptar soluciones comerciales?
• Colaboración regional en IA científica — Instituciones latinoamericanas enfrentan desafíos similares en la adopción de IA para investigación. Explorar cómo universidades en Chile, Argentina, Brasil y México podrían compartir recursos, datasets y expertise podría acelerar la capacitación regional y reducir dependencia de desarrollos tecnológicos del norte global.