El trimestre pasado marca un cambio estructural en la investigación en IA. Los temas históricos se desploman: los Large Language Models pasan de 2 054 a 544 artículos, las Multimodal Machine Learning Applications de 1 610 a 433, y la Adversarial Robustness de 1 252 a 277. Esta contracción generalizada - todos los temas por encima del umbral de 120 artículos retroceden entre un 38 % y un 78 % - no responde a un ajuste coyuntural, sino a un agotamiento de los paradigmas dominantes desde hace cinco años.

Tres ámbitos resisten esta dinámica, sin compensar, no obstante, las pérdidas. El Scientific Computing and Data Management (175 artículos, -39 %) y los Multi-Agent Systems (133 artículos, -48 %) mantienen una actividad significativa, mientras que la Software Engineering Research (120 artículos, -57 %) se estabiliza en el umbral. Los títulos de los trabajos representativos revelan una reorientación común: la IA ya no se estudia como un objeto autónomo, sino como un componente integrado en sistemas más amplios.

Engineering Reliable Coding Agents: Evaluating and Operating the System Around the Model From BERT to Frontier Agents: Eight Years of Language-Model Progress, the Collapse of the Capability-Cost Curve, and the Rise of Task-Targeted Models ATLAS: Discovering Agent Strategies through LLM-Guided Abstraction and Automata Learning Agentic Transaction: Towards ACID-Compliant Agent Systems Building AI-Intensive Software with AI: Early Results and a Cautionary Tale on Measuring Development Cost

Los artículos ya no versan sobre la mejora de los modelos, sino sobre su integración en arquitecturas de software, protocolos transaccionales o cadenas de producción científica. El vocabulario de los títulos - reliable, operating the system around, ACID-compliant, development cost - señala un cambio de prioridad: el reto ya no es el rendimiento bruto, sino la fiabilidad operativa en entornos restringidos. Esta transición va acompañada de un enfoque en casos de uso concretos, como sugiere la ausencia de trabajos teóricos en las muestras representativas.

El volumen global del trimestre (10 745 artículos) confirma que la caída no es un artefacto estadístico: el ámbito produce menos, pero de manera diferente. Los temas que resisten son aquellos que articulan la IA con infraestructuras críticas - cálculo científico, sistemas multiagentes, ingeniería de software - , en lugar de aquellos que la tratan como un fin en sí misma.

Resumen trimestral: lo que la IA ha cambiado entre abril y junio de 2024

Lo esencial en 3 puntos

• La IA generativa llega a las aulas: las investigaciones sobre su uso en la escuela se han disparado de 12 a 68 artículos en tres meses, con herramientas para personalizar los aprendizajes.
• Los robots se vuelven más autónomos: los estudios sobre máquinas capaces de actuar sin intervención humana (Autonomous Agents) se han duplicado, pasando de 45 a 92 artículos.
• La IA se pone en el lugar de los humanos: los trabajos sobre la simulación de comportamientos humanos (Human Behavior Simulation) han explotado (+320 %), para probar escenarios sociales o médicos.

---

La IA se instala en las escuelas, pero no sin debates

Los investigadores exploran cómo las herramientas de IA, como los chatbots o los generadores de ejercicios, pueden ayudar a los profesores. Algunos artículos muestran cómo estas tecnologías adaptan las lecciones al ritmo de cada alumno, detectando sus dificultades en tiempo real. Otros destacan los riesgos: dependencia de las pantallas, sesgos en las respuestas o pérdida del espíritu crítico. También se multiplican los estudios sobre la formación de los docentes, para que sepan utilizar estas herramientas sin ser reemplazados por ellas. ¿Por qué es interesante en la práctica? Porque podría reducir las desigualdades entre alumnos, siempre que se regulen bien estas tecnologías para evitar que aumenten las brechas.

---

Robots que deciden (casi) por sí solos

Las máquinas capaces de actuar sin que se les indique qué hacer en cada paso (Autonomous Agents) fascinan cada vez más a los científicos. Este trimestre, los artículos sobre el tema casi se han duplicado. Algunos describen robots que planifican sus tareas, como un brazo mecánico que ordena una habitación sin instrucciones detalladas. Otros exploran sistemas que negocian entre sí, como coches autónomos que se organizan para evitar atascos. Los investigadores también prueban los límites: ¿qué pasa si estos agentes toman decisiones contrarias a las expectativas humanas? ¿Por qué es interesante en la práctica? Porque podría revolucionar las fábricas, el transporte o incluso los servicios de emergencia, haciendo que las máquinas sean más reactivas… pero también más impredecibles.

---

La IA juega a ser humana, para entenderla mejor

Simular comportamientos humanos (Human Behavior Simulation) se ha convertido en un tema candente: las publicaciones sobre el tema se han multiplicado por cuatro. Algunos trabajos utilizan la IA para reproducir conversaciones realistas, como un paciente virtual que responde a las preguntas de un médico en formación. Otros modelan multitudes, para anticipar movimientos de pánico durante un concierto o un partido. Los investigadores también la usan para probar políticas públicas, como el impacto de un impuesto en los hábitos de consumo. ¿Por qué es interesante en la práctica? Porque permite experimentar sin riesgos, ya sea para formar profesionales, diseñar ciudades más seguras o predecir los efectos de una reforma.

---

Para profundizar

• Generative AI in Education: A Systematic Review → Un panorama de las herramientas de IA que transforman la escuela, con sus promesas y sus trampas.
• Autonomous Agents for Real-World Task Planning → Cómo los robots aprenden a organizar sus acciones sin ayuda humana, con ejemplos concretos.
• Simulating Human Behavior in Crisis Situations → Un estudio sobre la IA que reproduce las reacciones de multitudes en situaciones de emergencia, para preparar mejor a los servicios de rescate.
• Ethical Risks of Human-Like AI in Education → Un artículo que alerta sobre los peligros de los chatbots demasiado "humanos" en las aulas.

El próximo trimestre, vigilaremos si los debates sobre la IA en la escuela se traducen en recomendaciones concretas, y si los robots autónomos salen de los laboratorios para pruebas en condiciones reales.

El reconocimiento de voz y la síntesis de voz (Speech Recognition and Synthesis) se convierten en un área prioritaria para la IA.

En tres meses, se han publicado 232 artículos sobre el tema, frente a 83 en el trimestre anterior, lo que supone una multiplicación por casi tres. Los trabajos ya no se limitan a los idiomas dominantes: varios equipos amplían los modelos a lenguas con pocos datos (low-resource), como el nepalí, o adaptan los sistemas a las limitaciones del streaming en directo y a las variaciones de estilo vocal.

Las investigaciones en recuperación de información (Information Retrieval and Search Behavior) siguen la misma trayectoria, con 139 publicaciones frente a 50 anteriormente. Ambos temas comparten una misma preocupación: hacer que los modelos sean más precisos en contextos reales, donde los datos están ruidosos, incompletos o sesgados.

Algunos ejemplos recientes:

• PHONOS: PHOnetic Neutralization for Online Streaming Applications
• Nw=ach=a Mun=a: A Devanagari Speech Corpus and Proximal Transfer Benchmark for Nepal Bhasha ASR
• ParaSpeechCLAP: A Dual-Encoder Speech-Text Model for Rich Stylistic Language-Audio Pretraining
• Bridge-RAG: An Abstract Bridge Tree Based Retrieval Augmented Generation Algorithm With Cuckoo Filter
• GraphER: An Efficient Graph-Based Enrichment and Reranking Method for Retrieval-Augmented Generation

Este impulso refleja un cambio de enfoque: tras años perfeccionando los grandes modelos de lenguaje, los investigadores centran ahora su atención en las interfaces que los conectan con el mundo: la voz, las consultas, las interacciones. Las aplicaciones objetivo ya no son demostraciones técnicas, sino herramientas concretas, como los sistemas de tutoría adaptativa (165 artículos, +170 %) o los asistentes de voz multilingües.