IA y agentes de código cambian la investigación en ciencias sociales | Keryc
La adopción de agentes de código ya está tocando a la puerta de la ciencia social. ¿Qué significa que una máquina escriba y ejecute análisis por sí misma? Este artículo resume y explica, con datos y sentido común, lo que revela una encuesta de 1,260 cientistas sociales cuantitativos sobre el uso de IA y agentes de código a inicios de 2026.
Qué son los "coding agents" y por qué importan
Un coding agent es más que un asistente que sugiere líneas de código. Herramientas como Claude Code o Codex pueden tomar una idea, acceder a un conjunto de datos, escribir y ejecutar análisis, interpretar resultados y iterar sin intervención humana constante. En términos técnicos, hablamos de plataformas agenticas que automatizan pasos empíricos que antes eran irremplazablemente manuales.
¿Por qué esto cambia el juego? Porque automatizar esos pasos puede acelerar el ritmo de proyectos, bajar el costo de experimentación y, potencialmente, alterar qué tipos de preguntas conviene investigar. Pero también plantea riesgos: congestión en el registro académico, sesgos amplificados por decisiones algorítmicas y desigualdades en acceso a estas herramientas.
Lo que mostró la encuesta: panorama general
Muestra: 1,260 investigadores cuantitativos encuestados en febrero y marzo de 2026. No es representativa, fue reclutada ofreciendo acceso a cuentas Claude Max, así que la muestra tiende a personas interesadas en probar IA.
Uso general de IA: 81% dijo haber usado modelos generativos para ayudar su investigación (chatbots, asistentes, etc.).
Adopción de agentes de código: solo 20% usa regularmente (más de una vez por semana) un agente de código integrado en la línea de comandos. Claude Code es el más reportado (86% entre usuarios de agentes), seguido por Codex (31%).
En resumen: mucha gente ha probado IA, pero pocos han integrado agentes que escriben y ejecutan código por sí mismos.
Disparidades en adopción: quiénes usan y quiénes no
La adopción es claramente desigual. Algunas cifras clave:
Por disciplina: economistas (39%) y politólogos (25%) usan agentes a tasas mucho mayores que investigadores en salud pública (6%), educación (4%) o comunicación (6%).
Por etapa de carrera: doctorandos y postdocs tienen más adopción; profesorado con tenencia adopta a menos de la mitad de la tasa de los juniors.
Por género y estatus: investigadores con nombres típicamente masculinos usan agentes a más del doble que quienes tienen nombres típicamente femeninos. Investigadores en universidades de alto prestigio usan agentes alrededor de 40% más.
Estas diferencias son estadísticamente significativas (p < 0.05) y sugieren que la difusión temprana favorece a quienes ya tienen más recursos o mayores presiones por productividad.
Para qué usan la IA: código primero, redacción después
Contrario a la narrativa de que la IA está reemplazando la escritura académica, la encuesta muestra esto:
97% de usuarios de agentes y 77% de otros usuarios de IA usan la tecnología para generar código de análisis.
El segundo uso más común es editar prosa. Solo cerca de un tercio de todos los usuarios de IA han pedido a la IA que redacte borradores de texto.
La conclusión práctica: por ahora, la IA impulsa el trabajo empírico y la ingeniería de análisis más que la escritura final de artículos.
¿Aumenta la productividad real? Señales tempranas y límites
Comparaciones descriptivas muestran que los usuarios de agentes inician más proyectos, publican más working papers y envían más propuestas de becas que pares en la misma disciplina y etapa profesional. En cifras aproximadas: empiezan alrededor de 0.25 papers adicionales y publican cerca de 0.5 working papers más en seis meses, medidas ajustadas por disciplina y etapa.
Pero ojo: esto no es causal. Los usuarios de agentes podrían haber sido ya más productivos antes. Además, no se observa aumento en envíos a revistas científicas ni en resometimientos más rápidos. Parece que los agentes ayudan a acelerar la fase inicial y a multiplicar ideas, pero no necesariamente a empujar el manuscrito hasta la meta final de publicación.
Expectativas y preocupaciones de los investigadores
Optimismo sobre productividad: 88% califica por encima de 5 en una escala de 1 a 10 respecto a que la IA ayudará a producir artículos publicables; la mediana está en torno a 8.
Menos optimismo sobre efectos en la disciplina: 70% son más optimistas sobre productividad individual que sobre el impacto neto en la ciencia social en su conjunto.
¿Por qué esa diferencia? Los investigadores temen congestión, baja calidad, y que la automatización reproduzca malas prácticas (por ejemplo, reporte selectivo o replicabilidad débil).
Limitaciones importantes del estudio
Muestra no representativa: los encuestados fueron reclutados para una prueba de acceso a herramientas, lo que sesga hacia interesados o usuarios tempranos de IA.
Autoselección y confusión causal: las diferencias observadas entre usuarios y no usuarios son descriptivas. Los autores están ejecutando un experimento aleatorizado que dará evidencia causal en el futuro.
Calidad versus cantidad: la encuesta mide número de proyectos y outputs, no la calidad o validez de esos outputs. Esa es una pregunta abierta.
Qué vigilar en el corto plazo
Resultados del experimento aleatorizado que acompaña la encuesta; eso dirá si dar acceso a Claude Code realmente cambia productividad causalmente.
Efectos sobre desigualdad: si agentes facilitan investigación solo a quienes ya tienen recursos, la brecha en visibilidad y financiamiento podría ampliarse.
Calidad y revisión por pares: si más working papers aparecen rápidamente, el sistema de revisión puede saturarse y cambiar los incentivos para publicar incrementales en vez de trabajos sólidos.
La automatización de pasos empíricos es real y está en expansión. Para ti, investigador o gestor académico, la pregunta práctica ya no es si vas a encontrarte con agentes de código, sino cómo los vas a integrar de forma que mejoren la ciencia sin empeorar la equidad ni la calidad.
