La semana pasada, en mi clase de comunicación científica en la Universidad Nacional de San Marcos, un estudiante entregó el guion de un video de divulgación sobre resistencia antibiótica. A primera vista, el texto era impecable: transiciones suaves, vocabulario técnico preciso, un gancho inicial que enganchaba. Pero cuando le pedí que me explicara por qué había decidido abrir con la historia de un paciente y no con los datos de vigilancia epidemiológica, se quedó callado. “La aplicación lo sugirió”, admitió. No había sopesado la estructura. No se había peleado con la decisión de dónde colocar la tensión narrativa. Había delegado el acto de estructurar a un generador de inteligencia artificial.
Ese momento cristalizó una inquietud que llevo meses rumiando. Las herramientas de IA se venden cada vez más como “generadores de guiones”, con la promesa de convertir ideas sueltas en productos pulidos. Lo que vi en ese trabajo, sin embargo, no era escritura: era un simulacro de escritura. Fluido, sí. Comunicativamente intencionado, no. Y me preocupa lo que estamos perdiendo cuando estudiantes, periodistas y divulgadores empiezan a tratar la estructura narrativa como un problema que se puede delegar.
Escribir no es transcribir pensamientos
Detrás de buena parte del entusiasmo actual por la IA en la escritura hay una idea equivocada: la creencia de que escribir consiste simplemente en convertir pensamientos preexistentes en palabras. Si eso fuera cierto, cualquier herramienta que acelere la transcripción sería bienvenida. Pero escribir —y en especial escribir para comunicar ciencia— es un proceso de pensamiento. No es que primero pensemos y luego escribamos; escribimos para descubrir qué pensamos.
La neurociencia cognitiva respalda esta observación. En un estudio de neuroimagen funcional con 24 participantes, la escritura narrativa activó una red distribuida que incluye la corteza prefrontal dorsolateral (planificación y control ejecutivo), el giro angular (integración semántica) y el hipocampo (recuperación de memoria episódica). Es importante señalar que el estudio fue de tamaño moderado y que la resonancia magnética funcional captura correlatos, no mecanismos causales directos. Aun así, los resultados sugieren que no es una tarea mecánica, sino un proceso de alto nivel que exige tomar decisiones constantes sobre qué información incluir, en qué orden, con qué énfasis y para qué audiencia.
Cuando un estudiante o un divulgador le pide a un generador de IA que produzca un guion, se salta justamente la parte del proceso donde ocurre el aprendizaje más profundo. No es que la herramienta sea mala en sí misma; es que el acto de no tomar esas decisiones estructurales atrofia las habilidades que necesitamos para pensar con claridad.
Fluidez generativa versus intención comunicativa
Un concepto útil para entender esta diferencia es la distinción entre fluidez generativa e intención comunicativa. Los grandes modelos de lenguaje son formidables en lo primero: producen texto coherente, gramaticalmente correcto y estilísticamente plausible. Pero no tienen lo segundo. No tienen una audiencia real en mente, no han experimentado la frustración de que un concepto no se entienda, no cargan con la responsabilidad ética de comunicar incertidumbre con precisión.
La Authors Guild, en sus mejores prácticas para autores frente a la IA, lo dice sin rodeos: los productos de la IA son “amasijos genéricos de obras preexistentes ingeridas durante el entrenamiento”. No hay una voz propia, no hay una intención comunicativa genuina. Hay un patrón estadístico que imita la forma, pero no el fondo. Cuando un divulgador científico externaliza la estructura de su guion, está renunciando a lo que hace que su comunicación sea suya: las decisiones sobre qué enfatizar, qué omitir, cómo dosificar la complejidad.
En mi clase, el guion generado por IA sobre resistencia antibiótica incluía una metáfora bonita sobre “ejércitos bacterianos” y una conclusión esperanzadora. Pero omitía por completo el dato más importante para una audiencia peruana: que en hospitales de Lima se han documentado cepas de Klebsiella pneumoniae resistentes a carbapenémicos, y que esa resistencia está vinculada a prácticas de prescripción en farmacias sin receta. Ese dato no aparecía porque la IA no sabía que era relevante para esa audiencia. No podía saberlo. Solo un humano que conoce el contexto local y que ha pensado en su lector toma esa decisión.
Lo que se aprende al estructurar un guion desde cero
Escribir un guion —ya sea para un video, un pódcast o una presentación— implica un conjunto de habilidades cognitivas específicas que ningún generador puede reemplazar, precisamente porque no son habilidades de generación de texto. Son habilidades de pensamiento.
La primera es la jerarquización: decidir qué información es esencial y qué es accesoria. Esto requiere entender no solo el tema, sino también a la audiencia. ¿Qué saben ya? ¿Qué conceptos previos necesitan para entender el mensaje central? ¿Qué detalle técnico es imprescindible y cuál puede omitirse sin perder rigor?
La segunda es la secuenciación: ordenar la información de manera que cada elemento prepare el terreno para el siguiente. En un buen guion de divulgación el orden no es arbitrario. Se construye un andamiaje conceptual: primero se presenta un problema concreto, luego se introduce el concepto abstracto que ayuda a entenderlo, después se muestra la evidencia y finalmente se regresa al problema inicial con una nueva perspectiva. Ese ir y venir es profundamente cognitivo.
La tercera es la traducción: encontrar palabras, analogías y ejemplos que hagan accesible un concepto sin distorsionarlo. Esto no es solo cuestión de vocabulario; es entender la esencia del concepto lo suficientemente bien como para reformularlo en otros términos. Es una de las habilidades más difíciles de enseñar y una de las más valiosas para cualquier profesional de la ciencia.
StudioBinder, una plataforma dedicada a la enseñanza de escritura de guiones cinematográficos, desglosa estas habilidades en elementos concretos: los encabezados de escena (que obligan a pensar en la geografía narrativa), los subtítulos (que fuerzan decisiones sobre cambios de locación sin romper la continuidad) y el formato de diálogo (que exige considerar quién habla y por qué). Cada uno de estos elementos es una decisión estructural. Automatizarlos es vaciar el proceso de su contenido cognitivo.
El riesgo de atrofia cognitiva en contextos educativos
Mi preocupación no es abstracta. La veo en el aula cada semestre. Estudiantes brillantes que, al enfrentarse a la página en blanco, sienten una ansiedad que antes se resolvía con borradores desordenados y ahora se resuelve con un prompt. El problema no es que usen la herramienta; es que la usan antes de haber desarrollado las habilidades que la herramienta pretende asistir.
En contextos de educación científica en español, este riesgo se agrava. La mayoría de los modelos de lenguaje se entrenan predominantemente en inglés y arrastran sesgos culturales y epistemológicos de fuentes anglófonas. Cuando un estudiante peruano le pide a un generador que escriba un guion sobre desnutrición infantil, es probable que el producto asuma implícitamente un contexto de país desarrollado: hablará de “elecciones alimentarias” en lugar de acceso a alimentos, de “estilo de vida” en lugar de inseguridad alimentaria estructural. El estudiante que no aprendió a estructurar su propio guion no tendrá las herramientas para detectar esas distorsiones.
¿Entonces las herramientas de IA no sirven para nada?
No es esa mi postura. Sería deshonesto decir que no hay usos legítimos. En mi experiencia docente, he encontrado que los estudiantes que primero escriben sus guiones a mano —literalmente, con lápiz y papel— desarrollan una comprensión más profunda del tema. Cometen más errores al principio, sí, pero esos errores revelan dónde está la confusión conceptual. Un guion generado por IA es una superficie lisa que oculta las grietas del entendimiento. Sin embargo, una vez que un estudiante ya esbozó su estructura, ya decidió qué quiere comunicar y a quién, entonces ciertas herramientas de asistencia —que actúan como una a script writing app that fits the project— pueden ser útiles en una fase posterior para pulir transiciones o explorar formatos alternativos. La clave está en el momento: solo después de que el estudiante ha hecho el trabajo duro de jerarquizar y secuenciar, estas aplicaciones pueden ayudarle a ver opciones que no había considerado, precisamente porque la estructura base ya es suya.
Lo que está en juego para la comunicación científica en español
La comunicación científica en español ya enfrenta desafíos estructurales: menos revistas indexadas, menos financiamiento para periodismo científico, menos programas de formación especializada. Si a eso le sumamos una generación de divulgadores que aprenden a depender de generadores de texto para estructurar sus mensajes, corremos el riesgo de producir una comunicación científicamente correcta en la superficie pero hueca en su intención.
El rigor en la divulgación no está solo en los datos que se citan. Está en las decisiones que toma el comunicador: por qué eligió este estudio y no otro, por qué entrevistó a esta fuente, por qué decidió que la incertidumbre debía ir al principio y no al final. Esas decisiones son el esqueleto ético de la comunicación. Delegarlas a un modelo estadístico es renunciar a la responsabilidad que tenemos con nuestras audiencias. Cuando escribo sobre dengue, chagas o resistencia antibiótica para lectores en América Latina, sé que mis palabras pueden influir en decisiones de salud. No puedo permitirme que la estructura de mi mensaje sea un subproducto de probabilidades condicionales.
Volver a enseñar a estructurar
Después de aquella clase, cambié mi programa. Ahora dedico dos sesiones completas a la estructura narrativa antes de permitir que los estudiantes toquen cualquier herramienta digital avanzada. Trabajamos con papel, con pizarras, con discusiones en grupo sobre por qué un orden funciona y otro no. Analizamos guiones reales de divulgación y los desarmamos para ver sus costuras.
No estoy en contra de la tecnología. Estoy en contra de la sustitución prematura. Como bióloga, sé que un músculo que no se usa se atrofia. Las habilidades cognitivas funcionan igual. Si nunca exigimos a nuestros estudiantes que estructuren un argumento desde cero, no desarrollarán la capacidad de hacerlo. Y cuando llegue el momento en que realmente necesiten comunicar algo importante —algo sin plantilla previa, algo que ningún modelo ha visto antes— no tendrán con qué.
Conclusión: la estructura como acto de responsabilidad
La próxima vez que alguien me diga que un generador de IA puede escribir un guion en segundos, le diré que sí. Que puede producir un texto que parece un guion. Pero que escribir un guion no es producir un texto con formato de guion. Es tomar decisiones. Es jerarquizar, secuenciar, traducir. Es pensar en una audiencia real, con sus conocimientos previos y sus contextos. Es asumir la responsabilidad de lo que se comunica.
Eso no lo puede hacer una máquina. No porque no sea lo suficientemente avanzada, sino porque no es una cuestión de capacidad generativa. Es una cuestión de intención. Y la intención —por ahora, y espero que por mucho tiempo— sigue siendo profundamente humana.
Lo que sabemos sobre cómo escribimos es todavía incompleto. No hay estudios longitudinales que comparen el desarrollo cognitivo de estudiantes que aprenden a estructurar manualmente versus aquellos que dependen de asistentes de IA desde el inicio. Mi postura se basa en la observación en aula y en lo que la neurociencia nos dice sobre el aprendizaje, pero reconozco que necesitamos más evidencia. Mientras tanto, prefiero pecar de cautelosa: enseñar a pensar la estructura antes de delegarla.