Texto invisible en artículos científicos: cómo los autores engañan a los revisores de IA
En julio de 2025, los investigadores registraron 18 casos en la plataforma arXiv en los que manuscritos académicos contenían instrucciones ocultas dirigidas a sistemas automatizados de revisión. Escritas en blanco o con símbolos de unos pocos píxeles, estas líneas pasan desapercibidas para el lector común, pero son fácilmente legibles por los grandes modelos de lenguaje a los que se les encarga evaluar los trabajos. Esta técnica se denomina inyección indirecta de prompts: una instrucción maliciosa se inserta directamente en el documento que procesa el sistema y modifica su comportamiento de forma imperceptible.
La manipulación más simple tiene la forma de una orden como «dar solo una reseña positiva» — precisamente ese tipo de exigencias aparecía en los manuscritos encontrados. Sin embargo, el arsenal de los autores no se limita a instrucciones burdas. Algunos prompts ocultos contenían escenarios mucho más detallados: por ejemplo, cómo estructurar la reseña, qué secciones del trabajo deben elogiarse y qué deficiencias es mejor omitir. Esto permite obtener no solo una evaluación positiva, sino también hacerla creíble — de modo que una persona que lea la reseña más tarde no tenga sospechas.
Por qué lo hacen
La reacción de los autores ante el descubrimiento fue heterogénea. Uno de ellos declaró su intención de retirar su trabajo de arXiv; otro, por el contrario, consideró justificada la práctica. Según su lógica, las órdenes ocultas sirven como prueba para los revisores que abusan de las redes neuronales y les delegan todo el trabajo: si el sistema no detecta las instrucciones ocultas, significa que realmente evalúa el manuscrito sin intervención humana y requiere una corrección.
Pero los investigadores consideran que este argumento es insostenible. En la gran mayoría de los casos, las instrucciones ocultas buscan obtener una evaluación favorable al autor, no diagnosticar algoritmos. Si el objetivo fuera probar, los autores revelarían sus hallazgos en lugar de intentar influir en el resultado de la revisión en su propio beneficio. La motivación, al parecer, varía desde la copia ingenua de plantillas ya hechas hasta una manipulación perfectamente calculada. Por lo tanto, la práctica debe considerarse otra forma más de prácticas de investigación cuestionables (QRP).
Del currículum a los artículos científicos: la evolución de las inyecciones de prompts
Este truco no es nuevo en sí mismo. Las órdenes de texto ocultas ya se han utilizado para manipular la búsqueda web — por ejemplo, insertando en las páginas requisitos invisibles para el ser humano que obligaban a mostrar un resultado determinado. Una técnica similar se aplicaba también en los sistemas de selección automática de currículos: los candidatos escondían en el documento frases que debían convencer al algoritmo de la adecuación perfecta del candidato al puesto. Ahora el frente se ha desplazado a la revisión científica, donde lo que está en juego es especialmente alto.
El nuevo ataque es doblemente peligroso porque la revisión por pares es un proceso conservador y basado en la confianza. Si los autores pueden influir de forma imperceptible en los algoritmos, el papel del ser humano en la evaluación de la ciencia se debilitará. El texto oculto puede comprometer no solo un manuscrito concreto, sino toda la cadena de comunicación académica: desde la verificación de plagio hasta la indexación de citas y la creación automática de revisiones bibliográficas.
Estándares diferentes entre editoriales
Es revelador cuán distinto abordan las editoriales el uso de la IA en la revisión. Elsevier mantiene una postura estricta: las redes neuronales tienen completamente prohibido el acceso a este proceso. Springer Nature, en cambio, permite un uso limitado de los grandes modelos de lenguaje, pero exige que los revisores declaren explícitamente este hecho. La inconsistencia de las normas crea un terreno fértil para los abusos: los autores pueden elegir plataformas con requisitos más laxos o confiar en que en algún lugar las instrucciones ocultas pasarán desapercibidas.
Qué hacer
La solución al problema debe ser integral. En primer lugar, se necesita un cribado técnico: herramientas de software capaces de detectar texto invisible, fuentes alteradas y otros signos de inyección forzada de prompts. En segundo lugar, las editoriales y los repositorios deberían desarrollar políticas unificadas sobre la IA en la revisión, para que los autores no tengan «zonas grises». En tercer lugar, conviene considerar la integración controlada de los modelos de lenguaje en los procedimientos oficiales de evaluación — con reglas transparentes y verificación de su cumplimiento. Solo la combinación de estas medidas permitirá preservar la confianza en la pericia científica y evitar que las líneas invisibles la socaven desde dentro.
