Cuestionan en la comunidad científica la falta de código abierto y papers en el modelo Jev

La reproducibilidad de los descubrimientos y la transparencia empírica son los pilares inviolables sobre los que se construye el progreso científico desde la Ilustración. Sin embargo, la creciente mercantilización de los modelos de inteligencia artificial ha colisionado de frente con estos postulados éticos. En su edición digital de hoy, lunes 21 de septiembre de 2026, la revista científica Nature expuso el malestar generalizado de la comunidad académica global ante la presentación comercial del modelo fundacional 'Jev', un desarrollo que promete saltos cuantitativos en inferencia y razonamiento lógico, pero cuyos desarrolladores han omitido publicar el paper técnico, los pesos neuronales o la memoria de datos de entrenamiento.

El reclamo, impulsado por investigadores de universidades de primer nivel de Europa, Estados Unidos y América Latina, advierte que la sustitución de la revisión por pares por campañas de marketing digital y comunicados de prensa lesiona la confianza en la disciplina. Al operar como una 'caja negra' propietaria accesible únicamente a través de una API cerrada de pago, la comunidad científica se ve imposibilitada de auditar la presencia de datos contaminados, evaluar el sesgo de las respuestas, comprobar si los resultados divulgados son fruto de sobreajuste memorístico o determinar la huella de carbono real consumida durante el cómputo de sus capas intermedias.

1. La Crisis de Reproducibilidad y la Imposibilidad de Auditoría Externa

El eje de la crítica metodológica formulada en Nature se apoya en los principios FAIR (Findable, Accessible, Interoperable, and Reusable) para la gestión de datos de investigación. Los científicos señalan que afirmar que un modelo supera los benchmarks establecidos en resolución de problemas matemáticos o síntesis biomédica carece de validez empírica si no se revelan los prompts de evaluación exactos, las curvas de aprendizaje y las semillas de inicialización de los gradientes. Sin acceso a los pesos y al código de tokenización, resulta imposible discernir si el modelo Jev simplemente memorizó las respuestas de las pruebas estándar o si efectivamente desarrolló capacidades emergentes de generalización simbólica.

Asimismo, la controversia se extiende al ámbito de la ética de los datos. Diversas organizaciones de investigación abierta sospechan que la opacidad del modelo busca encubrir la utilización de corpus de entrenamiento no autorizados, incluyendo literatura científica protegida por paywalls editoriales, registros genómicos privados y bases de código sin licencias permisivas. La negativa a divulgar el manifiesto de datos impide a los titulares de propiedad intelectual y a los comités de bioética verificar el origen lícito de la información asimilada por las redes neuronales del sistema.

«La ciencia no puede avanzar bajo el principio del acto de fe corporativo; si una empresa no publica el paper con su metodología completa ni permite a revisores independientes auditar su código y sus datos, lo que están vendiendo no es ciencia rigurosa, sino una caja negra de relaciones públicas» — Dr. Fernando Pérez, profesor de estadística y computación científica en UC Berkeley y cofundador de Project Jupyter, en el reportaje especial publicado en Nature

2. Exigencias de la Comunidad Científica y Estándares de Publicación

Para restablecer los puentes con la comunidad académica internacional, el manifiesto de Nature propone cuatro condiciones innegociables:

• Publicación Obligatoria de Hojas de Datos (Model Cards y Datasheets): Detalle pormenorizado de las fuentes, filtrado semántico, curaduría de sesgos y métricas de desempeño cuantitativo.
• Disponibilidad de Pesos para Investigación Académica sin Fines de Lucro: Concesión de acceso no restringido a los parámetros del modelo para facultades de informática y laboratorios públicos.
• Auditoría de Benchmarks por Terceros Neutrales: Validación de capacidades mediante baterías de pruebas ciegas gestionadas por consorcios abiertos como MLCommons y Hugging Face.
• Transparencia en el Consumo Energético y Emisiones: Divulgación certificada de la cantidad de MWh de electricidad consumidos y toneladas de CO2 emitidas durante el entrenamiento.

Estas demandas buscan impedir que la investigación algorítmica quede cooptada exclusivamente por intereses corporativos opacos.

3. Análisis FinOps, Riesgo de Dependencia Tecnológica y Ecosistema Científico Argentino

La dependencia de modelos cerrados sin código abierto genera costos ocultos y vulnerabilidades estratégicas para laboratorios y empresas:

1. Riesgo de Encierro Tecnológico (Vendor Lock-in): Diseñar flujos operativos sobre APIs cerradas como Jev sujeta a la empresa a aumentos unilaterales de precios de tokens que pueden encarecer los costos operativos en más de un 40% anual.
2. Inversión en Modelos Abiertos Locales (Open Source Sovereignty): Adoptar modelos con pesos públicos (como LLaMA, DeepSeek o Qwen) permite a las PyMEs argentinas desplegar inferencia local en servidores propios sin fuga de divisas en dólares.
3. Valor Estratégico de la Investigación Universitaria Pública: La trayectoria de instituciones como la UBA, el CONICET, la UNICEN y el Instituto Balseiro demuestra que la ciencia abierta genera patentes y valor agregado exportable con alto retorno social.
4. Blindaje Legal ante Demandas por Propiedad Intelectual: Emplear modelos opacos expone a las compañías usuarias a contingencias judiciales en caso de que se demuestre que el sistema infringió masivamente derechos de terceros.

Para los directores de innovación y autoridades científicas, apostar por el software libre y la ciencia reproducible es una decisión económica indispensable para construir soberanía técnica.

4. Hoja de Ruta y Checklist de Implementación Técnica en 5 Fases

1. Fase 1: Auditoría de Dependencias de Modelos Propietarios Cerrados: Inventariar los servicios de IA en uso y evaluar el grado de opacidad metodológica de cada proveedor comercial.
2. Fase 2: Priorización de Arquitecturas de Código Abierto Verificadas: Probar alternativas basadas en modelos con pesos abiertos y documentación científica exhaustiva validada por la comunidad.
3. Fase 3: Establecimiento de Protocolos de Verificación de Datos Propios: Garantizar que la información sensible de la empresa no sea enviada a endpoints de inferencia que no ofrezcan garantías de no retención.
4. Fase 4: Articulación con Centros Universitarios de Supercómputo: Establecer acuerdos de I+D con laboratorios académicos nacionales para entrenar adaptadores específicos de dominio (LoRA).
5. Fase 5: Adhesión a Manifiestos de Ciencia Abierta y Transparencia: Suscribir políticas corporativas que exijan trazabilidad ética y reproducibilidad en todos los desarrollos tecnológicos adoptados.