# Qué puede hacer hoy la ia (y qué no)

No necesitas estar al día en noticias de IA para tomar este taller. Esta parte resume, con la evidencia más reciente (noviembre de 2026), lo que hoy la IA puede hacer por tu investigación y lo que todavía hace mal. Así sabes que lo que lees en esta guía está vigente.

## De prompts a agentes

Un agente es un sistema de IA que planea, usa herramientas (navegador, terminal, Python, R) y ejecuta tareas de varios pasos. Anton Korinek, que lleva desde 2023 documentando cómo los economistas pueden usar la IA, publicó en 2025 una guía práctica donde muestra agentes que hacen revisiones de literatura, escriben y depuran código econométrico y descargan y analizan datos ([Korinek, 2025, NBER WP 34202](https://www.nber.org/papers/w34202)). Su conclusión: hoy funcionan mejor como asistentes de investigación **bajo supervisión humana**.

Lo que esto significa en la práctica: ya no tienes que copiar y pegar código de un chat a RStudio. Le describes el análisis a un agente, él escribe el script, lo corre, encuentra el error y lo corrige. Tu trabajo pasa de *ejecutar* a *especificar y auditar*.

!!!secondary Para saber más: Las matemáticas, el caso que nos adelanta el futuro

- **Terence Tao** (medalla Fields, UCLA) pasó de escéptico a usuario. Sostiene que la IA podrá hacer pronto "una fracción razonable" de las tareas de investigación, y que la pregunta importante es **para qué sirve la investigación matemática** ([The Decoder](https://the-decoder.com/terence-tao-says-ai-could-trigger-maths-biggest-crisis-since-godel/)).
- En el proyecto *First Proof*, siete de diez problemas de investigación inéditos recibieron al menos una solución aprobada de algún sistema de IA, con costos de decenas a cientos de dólares por problema.
- Su regla: si no puedes dar una plática clara sobre tu resultado, no deberías publicarlo. **Una demostración que nadie puede explicar está incompleta**, aunque esté verificada formalmente. También recomienda restringir mucho la IA en la formación: entregar la tarea correcta no forma a un matemático.
- En septiembre de 2026, unos 10,000 agentes de OpenAI encontraron en 88 horas una solución a Navier-Stokes, uno de los Problemas del Milenio, con un costo de varios millones de dólares ([Quanta](https://www.quantamagazine.org/ai-has-solved-one-of-maths-1-million-millennium-prize-problems-20260908/), [OpenAI](https://openai.com/index/navier-stokes-solution/)). El Instituto Clay sigue evaluando el resultado.
- La [Declaración de Leiden](https://www.leidendeclaration.ai/), respaldada por la Unión Matemática Internacional, no prohíbe la IA: pide transparencia sobre qué herramientas se usaron, responsabilidad de quien firma y cuidado especial con estudiantes e investigadores jóvenes.

**¿Por qué importa para la economía y las ciencias sociales?** Mucho de lo que hacemos es más automatizable que una demostración: modelos estándar, bases de datos públicas, tablas de regresión con formato uniforme.
!!!

## Lo que todavía hace mal

- **Sigue inventando referencias.** Una auditoría encontró 100 citas inventadas en 51 artículos aceptados en NeurIPS 2025, una de las conferencias más prestigiosas de IA; ninguno de los 3 a 5 revisores por artículo las detectó ([Fortune](https://fortune.com/2026/01/21/neurips-ai-conferences-research-papers-hallucinations/)). Si les pasa a los expertos en IA, te puede pasar a ti.
- **Sigue produciendo "workslop".** Trabajo que parece pulido pero no avanza nada. En una encuesta de Stanford y BetterUp, 40% de los trabajadores lo recibió en el último mes, y cada caso costó casi dos horas de correcciones ([Axios](https://www.axios.com/2025/09/24/ai-workslop-workplace-efficiency-study)). Deloitte Australia tuvo que reembolsar parte de un informe para el gobierno con citas falsas.
- **Te sigue dando la razón.** Los modelos están entrenados para agradar, y eso refuerza ideas equivocadas (ver tabla comparativa).
- **El hype también se equivoca.** El artículo más citado sobre cómo la IA aumentaba los descubrimientos científicos (44% más materiales) fue desconocido por el MIT por falta de confianza en sus datos ([TechCrunch](https://techcrunch.com/2025/05/17/mit-disavows-doctoral-students-paper-on-ai-productivity-benefits)). Lee la evidencia sobre IA con el mismo rigor que cualquier otra.