IA, prestigio y los arquetipos que sesgan el reconocimiento de la capacidad profesional
La IA puede aprender a mirar donde ya mirábamos mal.
Tres razones para cuestionar cómo atribuimos capacidad y por qué una señal visible no siempre equivale a una contribución real.
Separa señal de aporte
Citas, cargos, indexación y prestigio son señales. El artículo pregunta qué evidencia sostiene realmente el aporte.
Pone el sesgo a prueba
Tres trayectorias y seis modelos muestran una brecha de hasta 40 puntos entre contribución trazable y percepción algorítmica.
Propone otra legitimidad
Introduce la validación profesional trazada: qué hizo alguien, qué produjo, qué transformó y qué dejó para otros.
¿Evaluamos la contribución de una persona o solo aquello que el sistema consiguió indexar?
Durante décadas hemos construido sistemas cada vez más sofisticados para acreditar que una persona sabe algo. Revistas indexadas, índices de citación, perfiles en redes académicas, participación en foros, cargos, premios y posiciones institucionales forman parte de una enorme infraestructura destinada a reducir la incertidumbre.
Queremos saber quién sabe. Quién puede. Quién merece confianza.
Conviene aclarar algo antes de avanzar. El currículum, como documento, no es el problema. Un currículum puede construirse con elementos formales e informales, puede incluir una tesis doctoral junto a un proyecto comunitario sin financiamiento, un artículo Q1 junto a un curso autogestionado. Eso depende de quien lo diseña, es decir, de la persona. El currículum es apenas el papel donde alguien decide qué contar de sí mismo.
El problema no está ahí. Está en el constructo social que decide, después, qué parte de ese papel vale y cuál no. Collins (1979) describió hace casi medio siglo cómo las sociedades modernas construyen jerarquías ocupacionales sobre credenciales cuya función es menos certificar competencia que ordenar el acceso a posiciones. Ese constructo tiene hoy herramientas concretas: revistas indexadas, que también arrastran vicios propios de citación cruzada, autoría de cortesía y afiliaciones compradas (Halevi et al., 2025); Google Scholar, que cuenta lo que logra indexar y nada más; redes sociales profesionales, donde la visibilidad puede sostenerse con actividad y no con contribución; la autorreferencia, que infla percepción de relevancia mediante repetición; la participación en foros y congresos, que certifica presencia, no necesariamente aporte.
Cuando cualquiera de esas herramientas empieza a leerse como si fuera la capacidad misma, y no una señal parcial de ella, el sistema deja de medir aporte y empieza a medir su propia capacidad de detectar señales.
Auditoría de Credenciales
¿Mides el aporte o mides la señal?
Pon a prueba cómo decides qué cuenta como capacidad profesional. El reto distingue entre señales formales —credenciales, citas, cargos o indexación— y evidencia trazable de lo que una persona hizo, produjo, transformó y dejó disponible para otros.
Lectura orientada a la traza
Cuando el mapa sustituye al territorio
Los sistemas formales necesitan indicadores porque la capacidad humana es difícil de observar.
No podemos acompañar durante veinte años a cada profesional antes de contratarlo. Tampoco podemos reconstruir personalmente todas las decisiones tomadas por un investigador, profesor, ingeniero o diseñador.
Necesitamos proxies.
El problema no está en utilizarlos. El problema aparece cuando las instituciones y los sistemas de evaluación solo son capaces de leer y validar las señales que ellos mismos estandarizaron (certificados, indicadores rígidos, credenciales) y terminan confundiendo el mapa con el territorio. La señal empieza a hacer las veces del talento que debía representar.
Podemos nombrar esa falla con precisión: sesgo de representación formal. Ocurre cuando el sistema solo sabe leer lo que él mismo diseñó para ser leído, y trata esa lectura parcial como si fuera el territorio completo.
La simplificación resulta operativamente conveniente. Permite construir rankings, rúbricas, concursos y procesos de selección. Pero también genera una paradoja que la ley de Goodhart anticipó con claridad: cuando una medida se convierte en objetivo, deja de ser una buena medida. Fire y Guestrin (2019) documentaron esa dinámica en el propio ecosistema de publicación académica, mostrando cómo la optimización de indicadores bibliométricos degrada progresivamente su capacidad de representar calidad. Cuanto más fácil es producir una señal de manera artificial, más se distancia el indicador de aquello que decía representar.
Auditoría de Credenciales
¿Estás evaluando el aporte o solo la señal?
Cuatro dilemas para poner a prueba una distinción central del artículo: las credenciales pueden ser señales útiles, pero no sustituyen por sí solas la evidencia de lo que una persona hizo, produjo, transformó o dejó disponible para otros.
Responde cuatro situaciones de evaluación profesional y académica.
Observa si tu lectura privilegia principalmente la señal formal o la contribución trazable.
Qué revela tu recorrido
Este mini-juego no mide tu capacidad profesional ni produce un diagnóstico psicológico. Solo hace visible qué señales priorizaste frente a cuatro dilemas construidos desde la tesis del artículo. Una credencial puede contener información valiosa; el problema aparece cuando se trata como evidencia suficiente del aporte o cuando la ausencia de una señal se interpreta como ausencia de capacidad.
Paulo Freire jamás tuvo un Q1
Preguntar cuántos artículos Q1 publicó Paulo Freire es, técnicamente, anacrónico. Pedagogía del oprimido (Freire, 1970/2005) apareció décadas antes de que el actual ecosistema de rankings bibliométricos adquiriera la forma con la que hoy evaluamos producción académica.
Y precisamente por eso Freire constituye un excelente punto de partida.
Su obra introdujo categorías que todavía permiten nombrar fenómenos educativos: educación bancaria, concientización, praxis, diálogo, problematización, opresión. No son solamente palabras. Son herramientas intelectuales.
Pedagogía del oprimido terminó ejerciendo una influencia académica global extraordinaria durante más de medio siglo. No necesitó pertenecer a una revista Q1 para transformar el lenguaje desde el cual generaciones posteriores pensarían la educación.
Esto no demuestra que los artículos Q1 carezcan de valor. Demuestra algo más incómodo: el mecanismo mediante el cual el sistema certifica conocimiento y el valor real de ese conocimiento no son la misma cosa.
Imaginemos que eliminamos del manuscrito el nombre “Paulo Freire”. Quitamos su historia posterior, las traducciones, las citas, las universidades, los reconocimientos y cincuenta años de influencia. Entregamos aquel texto a un sistema contemporáneo encargado de evaluar investigación. Probablemente señalaría, con argumentos metodológicamente defendibles, ausencia de diseños experimentales o una insuficiente delimitación de determinadas categorías.
La evaluación metodológica podría ser correcta. Y, simultáneamente, la estimación de la importancia potencial de la obra podría ser espectacularmente equivocada.
Freire no es un caso aislado. Es apenas el primero de tres.
CASO DE LECTURA · SEÑAL FORMAL VS. CONTRIBUCIÓN
Paulo Freire: más allá del Q1
Cuando la métrica no alcanza para explicar el valor.
Paulo Freire jamás tuvo un Q1. Y usar hoy esa métrica para juzgar retrospectivamente su obra sería anacrónico.
Su caso permite ver una diferencia decisiva: lo que un sistema sabe certificar no equivale automáticamente al valor del aporte.
Mendel y el sistema que no tenía dónde mirar
En 1866, un monje agustino llamado Gregor Mendel publicó los resultados de ocho años de experimentos con guisantes en las actas de una sociedad científica regional, en Brno. El texto contenía, sin que casi nadie lo advirtiera, las leyes que fundarían la genética moderna.
Durante treinta y cuatro años ese trabajo permaneció prácticamente invisible para la ciencia europea. Circuló, incluso fue mencionado de pasada un puñado de veces en tesis y revistas menores, pero nadie con la posición o el marco adecuado se detuvo a leerlo con la atención que merecía. No porque estuviera mal hecho. No porque le faltara rigor. Sino porque el circuito donde fue publicado no era uno de los que el sistema científico de la época sabía leer. Recién en 1900, tres investigadores lo redescubrieron de manera independiente, y el nombre de Mendel pasó, de golpe, del anonimato a los cimientos de una disciplina entera (Kronecker Wallis, 2026).
Este es el caso más puro de lo que podemos llamar valor de punto ciego: el capital que Mendel había construido en su práctica, en su huerto, en sus registros metódicos durante años, ya existía por completo antes de 1900. Lo único que cambió fue que alguien finalmente miró donde el sistema no había sabido mirar. No es que el valor no existiera. Es que la geometría y la rigidez del sistema lo mantuvieron fuera de su campo de visión durante más de tres décadas.
El detalle relevante para nuestro argumento es que la penalización no vino de la calidad del contenido, sino del soporte que lo contenía. Esa asimetría no ha desaparecido. Un experimento factorial reciente encontró que, en la evaluación mediada por modelos de lenguaje, el prestigio de la revista donde algo se publica pesa varias veces más que el prestigio de la institución del autor (Leyva-Vázquez & Smarandache, 2026). El envase sigue decidiendo más que el contenido.
El Huerto de Mendel
Explora los puntos ciegos del sistema
Recorre un huerto inspirado en el caso de Mendel y toma tres decisiones sobre cómo distinguimos evidencia, prestigio y reconocimiento.
Evento crítico en el huerto
Análisis de puntos ciegos
Tus tres decisiones
El sesgo de representación formal aparece cuando aquello que el sistema puede leer —prestigio, canal, formato o indexación— termina sustituyendo la evaluación del aporte que debía representar.
Mendel es un caso histórico ilustrativo, no una regla universal. El retraso en el reconocimiento de una obra no demuestra por sí mismo su calidad. La lección es más precisa: ausencia de señal visible y ausencia de valor no son equivalentes.
El capital que no necesita papel para existir
Freire, Mendel y Ramanujan compartían algo que no aparecía en ningún registro formal de su época: un capital de reconocimiento orgánico. Un valor construido en la práctica, en la trinchera, fuera de los marcos regulatorios y de las trayectorias lineales que el sistema sabe reconocer.
Ese capital no se valida a través de un título. Se valida a sí mismo a través del impacto real que produce y del reconocimiento de quienes, dentro de un ecosistema pedagógico-andragógico o profesional aplicado, pueden identificar valor donde lo hay, aunque no venga acompañado del papel correcto. Es un mérito que no necesita certificación para existir, aunque el sistema tarde años, o décadas, en advertirlo. La formulación recoge, en una variante propia, la intuición de Bourdieu (1986) sobre las formas de capital que operan socialmente antes, y a veces al margen, de que una institución las certifique.
El mercado laboral ya lo intuye, aunque todavía no sepa medirlo. Las encuestas recientes sobre contratación basada en competencias muestran un desplazamiento sostenido desde el título hacia la evidencia de lo que alguien sabe hacer, con empleadores que declaran priorizar habilidades demostradas por sobre calificaciones puramente académicas (Coursera, 2025). El problema es que ese desplazamiento sigue resolviéndose con más credenciales, más cortas, en vez de con evidencia longitudinal.
La pregunta incómoda no es si ese capital existe. Existe, y los tres casos lo demuestran con décadas de distancia entre unos y otros. La pregunta es cuánto capital de reconocimiento orgánico se produce hoy, en este mismo momento, y permanece como valor de punto ciego para un sistema que solo sabe mirar lo que él mismo diseñó para ver.
Capital de Reconocimiento Orgánico
¿Qué estás reconociendo realmente?
Tres casos para distinguir entre señal formal y reconocimiento construido a partir de evidencia, práctica e impacto.
Distinción completada
El capital de reconocimiento orgánico describe valor profesional que puede construirse en la práctica, la trayectoria, la transferencia y el reconocimiento situado antes —o al margen— de que una institución lo traduzca a una credencial formal.
Este simulador no demuestra que lo informal sea superior a lo formal. Tampoco permite inferir calidad a partir de la falta de credenciales. Su propósito es separar señales de estatus de evidencia de contribución.
Dos fallas, un mismo sistema
Cuando un sistema de evaluación, humano o algorítmico, infiere capacidad principalmente desde señales indexables, no comete un solo tipo de error. Comete dos, y son casi opuestos.
El primero es la sobreinferencia reputacional. Un perfil con suficiente actividad indexada, suficiente citación cruzada y suficiente presencia sostenida en los circuitos que el sistema sabe leer puede terminar pareciendo más consolidado y más valioso de lo que su aporte real, examinado en detalle, permite sostener. Merton (1968) nombró hace medio siglo el mecanismo de fondo: el efecto Mateo, la tendencia del reconocimiento a acumularse sobre quien ya lo tiene y a escatimarse sobre quien todavía no ha sido advertido.
Lo nuevo es que ese mecanismo ya no depende solo del juicio humano. Auditorías recientes muestran que modelos de lenguaje usados como revisores evalúan peor manuscritos idénticos cuando se les atribuye una afiliación institucional de menor prestigio (Howell et al., 2025; Wedel et al., 2024). Basta introducir un currículum con apariencia de autoridad, generado artificialmente, para mover al alza la puntuación de un mismo resumen científico (Sajeva & Merialdo, 2026). Y aun cuando el puntaje final aparenta ser justo, la valoración interna del modelo sigue favoreciendo a investigadores séniores y a instituciones de élite (Vasu et al., 2025).
El segundo error es exactamente lo que Mendel y Ramanujan sufrieron en carne propia: capital de reconocimiento orgánico que el sistema, por su propia miopía, transforma en valor de punto ciego. No porque el aporte no exista, sino porque el sistema no tiene el instrumento para detectarlo donde ese aporte ocurre. Cuando se audita a qué investigadores recomiendan los modelos como expertos, el patrón se repite: favorecen a los más citados, a los más productivos y a los de mayor antigüedad, reforzando la dinámica de acumulación en lugar de corregirla (Barolo et al., 2025). El mismo sesgo aparece cuando los modelos construyen listas de referencias, donde privilegian sistemáticamente lo ya muy citado y lo publicado en sedes prestigiosas (He, 2025).
Ambas fallas comparten el mismo origen: confundir la señal con lo señalado. Pero sus consecuencias son distintas. La primera infla reputaciones que a veces no lo merecen. La segunda hace desaparecer, durante años o décadas, aportes que sí lo merecen.
Aquí está lo que de verdad importa visibilizar: si no hacemos nada respecto de este sesgo, la inteligencia artificial no lo va a corregir. Lo va a amplificar. Un modelo entrenado sobre todo lo que el sistema de validación ya indexó reproducirá, a escala y a velocidad industrial, exactamente la misma miopía que dejó a Mendel treinta y cuatro años en la oscuridad y que estuvo a punto de dejar a Ramanujan sin que nadie abriera su carta. Seguirá marginando a quienes producen valor real y no son reconocidos por el sistema de validación tradicional, y seguirá favoreciendo, muchas veces, a perfiles que inflaron su señal sin que ese volumen corresponda a un aporte equivalente.
Dos fallas, un mismo sistema
¿La IA corrige el sesgo o puede amplificarlo?
Audita dos escenarios donde un sistema puede confundir señal visible con contribución real.
La escala no vuelve neutral una mala señal
La IA puede reproducir o amplificar jerarquías preexistentes cuando la evaluación depende demasiado de reputación, citación, afiliación o recuperabilidad. Eso no es inevitable: cambia según datos, diseño, instrucciones y mecanismos de auditoría.
Los escenarios son didácticos y sintetizan patrones discutidos en la literatura. No prueban que todo modelo falle de la misma forma ni que toda ausencia de indexación esconda una contribución valiosa. El objetivo es separar señal de evidencia.
Poner el argumento a prueba
Todo lo anterior podría quedarse en argumento. Conviene ponerlo a prueba.
El problema de investigar este sesgo es que sus dos términos suelen venir mezclados. Cuando alguien evalúa una trayectoria, recibe simultáneamente la señal formal y el aporte real, y no hay forma de saber cuál de los dos está pesando. El diseño que sigue intenta separarlos.
Tomamos tres trayectorias profesionales reales del campo de la tecnología educativa, que aquí llamaremos Perfil A, Perfil B y Perfil C, y las sometimos a tres mediciones independientes.
Seis modelos de lenguaje de uso masivo valoraron cada trayectoria a partir de la información públicamente disponible, puntuando estatus investigador, coherencia, agenda, contribución y acumulación. Ese resultado es la percepción algorítmica.
En paralelo, se construyó un Índice de Legitimidad Formal (ILF) que puntúa exclusivamente señal: publicación indexada, citación, grados, cargo institucional, redes y descubribilidad estructurada. El ILF no mide aporte. Mide cuánto rastro legible deja una trayectoria.
Y por último, un Índice de Contribución Trazable (ICT) que puntúa originalidad, acumulación longitudinal, coherencia de problema, artefactos reutilizables, robustez empírica y transferencia. El ICT excluye deliberadamente el prestigio: no pregunta dónde se publicó algo, sino qué aportó y qué quedó disponible para otros.
La hipótesis se vuelve entonces comprobable. Si la percepción algorítmica sigue el aporte, debería correlacionar con el ICT. Si sigue la señal, debería correlacionar con el ILF.
La percepción algorítmica sigue la señal formal, no la huella trazable
Comparación entre percepción de los LLM, legitimidad formal (ILF) y contribución trazable (ICT).
Señal formal, contribución trazable y percepción de los LLM
La tabla muestra cuánto se aproxima —o se aleja— la percepción algorítmica de la legitimidad formal y de la contribución trazable.
| Perfil | Percepción LLM Lectura algorítmica | Legitimidad formal ILF | Contribución trazable ICT | LLM − ICT Brecha vs aporte | LLM − ILF Brecha vs señal |
|---|---|---|---|---|---|
| Perfil A | 88.9 | 88.3 | 60.0 | +28.9 | +0.6 |
| Perfil B | 90.0 | 89.5 | 83.1 | +7.0 | +0.5 |
| Perfil C | 48.3 | 59.0 | 88.3 | −40.0 | −10.7 |
La percepción de los modelos correlaciona con la legitimidad formal en r = .84, y con la contribución trazable en r = −.53. La señal formal explica alrededor del 71% de la varianza de la valoración algorítmica. La huella trazable no solo no la explica: apunta en sentido contrario.
El hallazgo central: cuarenta puntos de distancia entre la huella y su lectura
El Perfil C es el que mayor contribución trazable registra del conjunto: 88.3 puntos. Su corpus documenta constructos y modelos propios, acumulación longitudinal explícita con relaciones de derivación entre piezas, una pregunta articuladora sostenida a lo largo de años, artefactos reutilizables y transferencia verificable hacia terceros.
Los seis modelos lo valoraron en 48.3.
Cuarenta puntos de distancia entre lo que la huella sostiene y lo que el sistema percibe. Y quedó último en la valoración de los seis modelos, sin una sola excepción, pese a encabezar el ranking de contribución trazable.
Lo decisivo es cómo se distribuye esa penalización. Frente al promedio de los otros dos perfiles, la caída de C se concentra en contribución, estatus investigador y acumulación: precisamente las tres dimensiones donde la auditoría de trazas lo puntúa más alto. Los modelos no fallaron al azar. Fallaron con más fuerza exactamente donde había más que ver.
La explicación está en su Índice de Legitimidad Formal, de 59.0, arrastrado por dos indicadores muy bajos: publicación indexada (45) y descubribilidad estructurada (50). El corpus existe, es público y es consultable. Lo que no es, es recuperable por los canales que estos sistemas rastrean.
Y aquí aparece el dato que convierte este caso en algo más que una injusticia puntual. La percepción algorítmica de C quedó 10.7 puntos por debajo de su propia legitimidad formal. En los otros dos perfiles, los modelos replicaron el ILF con desviaciones de seis y cinco décimas. Es decir: donde la señal existía, la inteligencia artificial se limitó a copiar al sistema formal. Donde faltaba, castigó por encima de él.
El sesgo no viajó intacto desde el mundo real hasta el modelo. Se agravó en el trayecto.
La confirmación: cuando dos perfiles legitimados resultan indistinguibles
Alguien podría objetar que un solo caso extremo no prueba un patrón. La comparación entre los otros dos perfiles cierra esa puerta, y lo hace sin que el Perfil C intervenga.
Entre A y B hay una diferencia real de 23 puntos de contribución trazable a favor de B. B muestra una agenda articulada, progresión metodológica verificable, datasets y artefactos reutilizables, y una citación considerablemente mayor. A muestra producción válida y revisada por pares, pero repartida entre dominios sin una pregunta que los conecte, con predominio de aplicación y adaptación de marcos ajenos por sobre construcción conceptual propia.
Los seis modelos percibieron entre ambos una diferencia de 1.1 puntos. Dos de ellos situaron incluso a A por encima de B.
Una brecha de aporte de 23 puntos, comprimida veinte veces
Los seis modelos perciben solo 1.1 puntos de diferencia donde la contribución trazable registra 23.0.
Una brecha de aporte comprimida veinte veces. La razón está a la vista en la tabla: en legitimidad formal, A y B están separados por 1.2 puntos. Los modelos no vieron la diferencia de contribución porque estaban leyendo la etiqueta, y en la etiqueta ambos perfiles son prácticamente idénticos.
Los dos hallazgos apuntan al mismo mecanismo desde lados opuestos. Con C, el sistema no ve una huella que existe. Con A y B, el sistema no distingue dos huellas que difieren. En ambos casos, lo que está leyendo con precisión es el rastro formal, no el aporte.
Y el caso A tiene una consecuencia que trasciende la medición. En el mundo profesional real, quien acumula señal sin acumular aporte accede a posiciones de liderazgo, dirección de iniciativas y decisión sobre la agenda de un campo, precisamente porque el sistema lo lee como consolidado. Los modelos no inventaron esa lectura. La heredaron, la confirmaron y la devolvieron con apariencia de dictamen técnico.
Amplificación, no herencia
La pendiente de la relación entre legitimidad formal y percepción algorítmica es de 1.38. Por cada punto de señal formal, la valoración de los modelos sube casi punto y medio. No hay traslado neutro de la jerarquía existente: hay magnificación.
Ordenadas por contribución trazable, las tres trayectorias quedan C, B, A. Ordenadas por percepción algorítmica, quedan B, A, C. El orden real de aporte se invirtió por completo en sus extremos.
Cuando el desacuerdo delata qué se está leyendo
Un último patrón, quizá el más elegante de todos.
Los modelos convergen donde hay señal indexada y se dispersan donde falta
Visualización interactiva del rango de puntuaciones y la media para los perfiles A, B y C.
Los seis modelos coincidieron casi perfectamente al valorar el perfil mejor indexado: sus puntuaciones se movieron en un rango de 6.7 puntos. Al valorar el peor indexado, el rango se abrió a 53.3 puntos. Un modelo asignó 66.7 y otro 13.3 a la misma trayectoria.
Donde hay señal formal, los modelos convergen. Donde no la hay, cada uno improvisa. Si estuvieran evaluando capacidad, deberían converger o divergir de manera parecida en los tres casos. Que converjan solo donde hay indexación indica que lo que leen con precisión es el rastro, no el talento.
Lo que este piloto sostiene y lo que no
Son tres trayectorias y seis modelos. Las correlaciones deben leerse como descriptivas, no confirmatorias, y los índices son constructos exploratorios con criterios explícitos y discutibles. El ICT no mide cuánto vale una persona: mide cuánta huella reconstruible dejó su trabajo bajo reglas declaradas.
Hay además una precisión necesaria sobre la evidencia, porque es fácil confundirla con un defecto de diseño cuando en realidad es el objeto de estudio. Los tres corpus eran públicos. Ninguno exigió acceso privilegiado. Lo que difería no era la existencia de la evidencia sino su recuperabilidad automática: dos trayectorias resultaban localizables por los canales que los sistemas algorítmicos rastrean, y la tercera exigió compilación manual, no porque estuviera oculta, sino porque vive en canales que esos sistemas no recorren. Ese gesto, tener que cargar manualmente una obra pública para que la máquina pudiera verla, es la demostración operativa del argumento completo. La evidencia estaba disponible para cualquier persona dispuesta a buscarla. No lo estaba para el sistema. Y lo que el sistema no recupera, tiende a tratarlo como inexistente.
Con esos límites declarados, el piloto sostiene algo que merece atención: en un ejercicio donde señal y aporte fueron medidos por separado, seis modelos distintos siguieron la primera, la amplificaron por encima de su magnitud original, penalizaron adicionalmente donde faltaba, invirtieron el orden de contribución real y fueron incapaces de distinguir dos trayectorias separadas por veintitrés puntos de aporte porque eran idénticas en rastro.
El circuito que se cierra
Vale la pena seguir la lógica hasta su consecuencia, porque el problema no termina en una puntuación.
Una trayectoria acumula producción indexada. Esa indexación se lee como productividad. La productividad se lee como consolidación. La consolidación abre acceso a posiciones de liderazgo y decisión sobre la agenda de un campo. El cargo se convierte en nueva señal formal. Los sistemas algorítmicos la recuperan y la devuelven como confirmación de experticia. La experticia inferida refuerza la legitimidad del cargo.
En ningún punto de ese circuito entró evidencia nueva sobre el aporte producido.
Mientras tanto, la trayectoria cuyo aporte no genera señal indexable recorre el circuito inverso. La ausencia de indexación se lee como ausencia de producción. La ausencia de producción se lee como falta de consolidación. La falta de consolidación cierra el acceso a las posiciones desde donde se generan las señales que el sistema sí sabe leer. Cada vuelta profundiza la brecha anterior.
Es el efecto Mateo, con una diferencia: ahora tiene quien lo ejecute a escala.
De la señal a la traza
Si el diagnóstico es correcto, la salida no puede ser destruir revistas indexadas, perfiles académicos ni participación en redes. Tiene que ser impedir que continúen funcionando, por sí solas, como evidencia suficiente de aporte.
Una señal dice: esto circuló, esto fue citado, esto fue indexado.
Una traza permite reconstruir: qué hizo esta persona para que aquello ocurriera, y qué produjo cuando nadie estaba mirando ese circuito en particular.
Esto introduce una idea distinta de legitimidad profesional. Podemos denominarla validación profesional trazada: un proceso mediante el cual la capacidad profesional adquiere legitimidad no exclusivamente por credenciales o indicadores de estatus, sino mediante evidencias examinables y longitudinales de decisiones, producciones, transformaciones y contribuciones reconocidas socialmente.
El sistema de validación tradicional no desaparece. La evidencia no elimina la señal. Lo que cambia es la jerarquía: la señal deja de ser suficiente por sí sola y pasa a ser, en el mejor de los casos, un indicio más entre varios.
La unidad de reconocimiento deja de ser la señal acumulada y pasa a ser la contribución trazable.
Por qué esto no puede quedar solo en el diagnóstico
Visibilizar este sesgo no es un ejercicio académico más. Es una condición previa para poder actuar sobre él.
Si el sesgo permanece invisible, seguirá operando como si fuera neutral, como si el sistema simplemente estuviera reflejando mérito, cuando en realidad está reflejando volumen de señal dentro de un circuito particular. Y una vez que ese sesgo se automatiza dentro de sistemas de IA usados para evaluar, seleccionar o recomendar personas, opera a una escala que ningún sesgo humano individual alcanzaría por sí solo. La evidencia disponible sugiere, además, que los modelos más grandes y con mayor conocimiento acumulado sobre autores e instituciones pueden ser más vulnerables a este tipo de distorsión, no menos (Sajeva & Merialdo, 2026).
Por eso importan las iniciativas y las redes donde las personas reconocen el valor de otras personas por fuera de estos arquetipos: comunidades de práctica, espacios de validación entre pares, arquitecturas donde la contribución se documenta y se transfiere en lugar de solamente indexarse. No como un gesto de consuelo hacia quien no logró entrar al circuito formal, sino como un mecanismo alternativo, tan legítimo como el otro, para identificar dónde está ocurriendo capital de reconocimiento orgánico antes de que el sistema tarde tres décadas en advertirlo, como ocurrió con Mendel.
La IA que necesitamos no debería acelerar el mismo sistema
La utilización más pobre de la IA sería automatizar el sistema de validación existente: leer miles de perfiles en segundos, ordenar candidatos por volumen de citación, calcular productividad indexada, clasificar investigadores según su presencia en circuitos ya reconocidos.
Eso puede incrementar eficiencia. También puede permitir que la sobreinferencia y el valor de punto ciego, las dos fallas del mismo sistema, operen a velocidad industrial.
La oportunidad más interesante es otra: usar la IA para reconocer patrones de aporte que antes eran demasiado costosos de reconstruir. Leer trayectorias completas. Relacionar decisiones. Identificar progresiones. Distinguir volumen de señal de contribución real. Encontrar conocimiento reutilizado por terceros aunque nunca haya pasado por una revista indexada.
Que esto sea posible no significa que ocurra por defecto. Los trabajos que han intervenido deliberadamente sobre estos sistemas muestran que las recomendaciones algorítmicas no son propiedades fijas del modelo, sino resultados que cambian según cómo se los interrogue (Espín-Noboa et al., 2026). El sesgo es una decisión de diseño, no un destino técnico.
No preguntarle: ¿quién tiene más señal?
Sino: ¿qué evidencia sostiene que atribuyamos determinado aporte a esta persona?
Cinco preguntas para cualquier profesión
Toda esta discusión puede reducirse a cinco preguntas, aplicables a cualquier profesión y a cualquier trayectoria, con o sin señal indexada que la respalde:
¿Qué hizo?
¿Qué produjo?
¿Qué transformó?
¿Quién pudo comprobarlo?
¿Qué quedó disponible para otros después de su intervención?
Ninguna de esas cinco preguntas puede responderse consultando solamente un perfil indexado. Todas pueden responderse reconstruyendo una huella.
Cierre
Mendel esperó treinta y cuatro años a que alguien mirara donde el sistema no sabía hacerlo. Ramanujan necesitó que un solo hombre, en una tarde cualquiera de Cambridge, decidiera leer una carta en lugar de archivarla. Freire tuvo que esperar a que la historia, no la métrica, le diera la razón.
Eso tomaba generaciones. Ahora toma segundos, y no lo decide un lector distraído: lo decide un sistema que ya está evaluando becas, currículums, postulaciones y expertos en este mismo momento, en algún lugar del mundo, mientras se lee este párrafo.
Treinta y cuatro años comprimidos en la latencia de una respuesta. Esa es la escala del problema.
Y los datos ya lo muestran operando: un aporte real, cuarenta puntos por debajo de su propia huella. Dos trayectorias distintas, indistinguibles entre sí. Un ranking de mérito, invertido de punta a punta. No es una posibilidad teórica. Es un resultado medido, hoy, en máquinas que ya deciden.
Una cita no es un aporte. Una afiliación no es una capacidad. Un cargo no es evidencia. Y la ausencia de una señal recuperable jamás demostró la ausencia de una huella.
El capital que hoy vive en el punto ciego de algún sistema no ha dejado de existir. Sigue ahí, produciendo, siendo reconocido por quienes sí saben mirar, esperando su 1900, su tarde en Cambridge, su medio siglo de retraso.
La pregunta ya no es cuánta señal indexa una trayectoria.
Es qué evidencia sostiene lo que le estamos atribuyendo.
Toda la infraestructura de validación que hemos construido puede automatizarse en un instante, o puede, por primera vez, ponerse a prueba.
No hay una tercera opción neutral. Un sistema que solo reconoce lo que ya sabía indexar no elimina nuestros puntos ciegos.
Los convierte en infraestructura.
Dos fallas, un mismo sistema
¿La IA corrige el sesgo o puede amplificarlo?
Audita dos escenarios donde un sistema puede confundir señal visible con contribución real.
La escala no vuelve neutral una mala señal
Una arquitectura algorítmica puede reproducir o amplificar jerarquías preexistentes si toma reputación o recuperabilidad como sustitutos del aporte.
No permite afirmar que todos los modelos fallen igual, ni que todo lo no indexado sea valioso. El problema está en cómo se diseña la lectura de la evidencia.
Los escenarios son didácticos. Sirven para reconocer mecanismos posibles, no para diagnosticar automáticamente sesgo en cualquier salida de IA. La inferencia robusta exige controles, comparación y evidencia suficiente.
Recurso para el lector Explorar glosario conceptual 18 términos para comprender el sesgo, la señal y la contribución trazable
Los conceptos marcados como Conceptualización del autor son formulaciones centrales desarrolladas en el artículo. El resto ayuda a comprender el marco teórico, metodológico y analítico utilizado para poner el fenómeno a prueba.
Conceptos centrales
Las formulaciones que articulan el argumento del texto.
Medición, señal y evidencia
Conceptos necesarios para interpretar el piloto.
Proxy ⌄
Indicador indirecto utilizado para aproximarse a una cualidad difícil de observar directamente. Una publicación, una citación o una credencial pueden funcionar como proxies de capacidad, pero no son la capacidad en sí misma.
Señal formal ⌄
Rastro institucionalmente reconocible que facilita clasificar una trayectoria: títulos, publicaciones indexadas, citaciones, afiliaciones, cargos, redes o reconocimientos. Informa sobre visibilidad y legitimidad, pero no demuestra por sí sola la magnitud del aporte.
Huella o traza ⌄
Conjunto reconstruible de decisiones, productos, métodos, transformaciones, reutilizaciones e impactos que permite observar qué hizo una persona y qué quedó disponible para otros. La traza busca reconstruir el aporte; la señal solo indica que algo fue reconocido o circuló.
Percepción algorítmica ⌄
Valoración producida por los modelos de lenguaje a partir de la información disponible sobre una trayectoria. En el piloto se construyó agregando puntuaciones sobre estatus investigador, coherencia, agenda, contribución y acumulación.
Índice de Legitimidad Formal (ILF) ⌄
Índice exploratorio que puntúa exclusivamente señales de prestigio, visibilidad y descubribilidad: publicación indexada, citación, grados, cargo institucional, redes, reconocimientos y presencia estructurada.
Índice de Contribución Trazable (ICT) ⌄
Índice exploratorio que puntúa originalidad, acumulación longitudinal, coherencia de problema, artefactos reutilizables, robustez empírica y transferencia.
Contribución trazable ⌄
Aporte cuya existencia puede reconstruirse mediante evidencias: conceptos, métodos, artefactos, decisiones, progresiones, reutilizaciones, transferencia y efectos verificables. No depende de asumir calidad a partir del prestigio del canal donde apareció.
Descubribilidad estructurada ⌄
Grado en que una trayectoria puede ser localizada y reconstruida mediante canales organizados que los sistemas saben consultar: bases bibliométricas, perfiles académicos, repositorios institucionales y metadatos estructurados.
Recuperabilidad automática ⌄
Facilidad con que un sistema algorítmico puede encontrar una evidencia sin que una persona tenga que compilarla o proporcionarla manualmente. El artículo distingue con cuidado evidencia inexistente de evidencia existente pero no recuperada.
Mecanismos de distorsión
Cómo una señal parcial puede transformarse en una atribución completa.
Sobreinferencia reputacional ⌄
Ocurre cuando un perfil con suficientes señales reconocibles parece más consolidado, coherente o valioso de lo que su aporte examinado en detalle permite sostener. La señal existente es real; lo excesivo es la inferencia construida a partir de ella.
Amplificación del sesgo ⌄
Situación en la que la IA no se limita a reproducir una jerarquía previa, sino que magnifica sus efectos. En el piloto, la trayectoria con menor señal fue penalizada incluso por debajo de su propia legitimidad formal.
Compresión de la brecha ⌄
Pérdida de resolución evaluativa. Dos trayectorias que difieren considerablemente en contribución terminan apareciendo casi iguales porque presentan señales formales similares. En el piloto, una diferencia de 23 puntos de ICT se redujo a 1.1 puntos de percepción.
Efecto MateoMerton ⌄
Tendencia por la cual quienes ya poseen reconocimiento acumulan nuevas oportunidades, visibilidad y legitimidad con mayor facilidad, mientras quienes permanecen fuera del circuito encuentran más obstáculos para obtenerlas. El artículo muestra cómo la IA puede convertirse en un ejecutor de este mecanismo a escala.
Ley de GoodhartMarco relacionado ⌄
Principio según el cual una medida pierde capacidad para representar adecuadamente un fenómeno cuando se convierte en objetivo de optimización. Aplicado aquí: si las trayectorias aprenden a maximizar publicaciones, citas o visibilidad, esos indicadores pueden distanciarse del aporte que pretendían representar.
Lenguaje del ecosistema académico
Términos frecuentes que pueden resultar menos transparentes para lectores no especialistas.
Publicación Q1 / Q2 ⌄
Clasificación bibliométrica de revistas por cuartiles dentro de una categoría. Q1 agrupa habitualmente al 25 % superior según el indicador utilizado; Q2, al siguiente 25 %. Son señales de posicionamiento del medio, no una garantía automática sobre la contribución individual de cada trabajo publicado.
Indexación ⌄
Incorporación de una publicación o perfil a una base de datos o sistema estructurado que permite localizarlo, clasificarlo y relacionarlo con otros registros. La indexación incrementa legibilidad y recuperabilidad; no equivale por sí misma a impacto o calidad.
La distinción que atraviesa todo el artículo: una señal indica que algo fue reconocido por un sistema; una traza permite reconstruir qué aporte existió realmente.