En la comunidad de aprendizaje automático, la revisión por pares es el pilar para asegurar el avance científico. Sin embargo, esta tradición fundamental enfrenta una crisis de escalabilidad. El crecimiento exponencial en el envío de manuscritos a prestigiosas conferencias como NeurIPS, ICML y ICLR está desbordando la capacidad del limitado número de revisores cualificados. En 2024, NeurIPS recibió 17,491 envíos, diez veces más frente a los 1,678 de 2014, generando serias preocupaciones sobre la calidad y consistencia de las revisiones.

La carga de trabajo ha derivado en fatiga entre los revisores, plazos comprimidos y calidad variable de las evaluaciones. Estudios recientes sugieren que hasta el 23% de las decisiones de aceptación podrían cambiar dependiendo de la asignación de revisores, destacando una inconsistencia aleatoria que pone en riesgo la validación científica. Además, la proliferación de herramientas de escritura basadas en grandes modelos de lenguaje (LLMs) aumenta la cantidad de envíos, lo que agrava aún más el problema.

En respuesta a estos desafíos, se propone una revisión por pares asistida por inteligencia artificial como una prioridad urgente de investigación. No se trata de reemplazar el juicio humano, sino de usar la IA como un colaborador sofisticado. Los LLMs pueden desempeñar roles críticos en la verificación factual, el rendimiento del revisor y el apoyo a los autores para mejorar la calidad.

Mientras las herramientas automatizadas como los escáneres de plagio y los sistemas de asignación de revisores ya han mostrado eficacia en tareas administrativas, la verdadera promesa radica en un ecosistema coherente y asistido por IA. Ilustrativamente, un estudio de ICLR 2025 mostró que el 26.6% de los revisores mejoraron sus informes tras recibir sugerencias enfocadas de LLMs.

Nuestro documento enfatiza la necesidad de desarrollar un ecosistema de revisión por pares asistido por IA, resaltando desafíos técnicos y éticos significativos, pero también presenta una agenda de investigación para avanzar en este camino. Las LLMs no sólo pueden guiar a los revisores, sino también apoyar a los autores con retroalimentación previa al envío y construir refutaciones efectivas. Además, la incorporación de IA ayudaría a los presidentes de área en la evaluación de la calidad de las revisiones y la toma de decisiones.

La urgencia de implantar un sistema así radica en la salvaguarda de la integridad y escalabilidad de la validación científica. Aunque quedan desafíos por superar, esta integración tecnológica promete un procedimiento de revisión más ágil y equitativo, protegiendo la calidad de las investigaciones en un mundo donde el crecimiento de la producción científica parece imparable.