Abordamos uno de los temas más actuales en nuestro campo: la incorporación de herramientas de inteligencia artificial (IA) en la búsqueda y descubrimiento de estudios primarios para revisiones sistemáticas. Analizamos si estas plataformas están listas para sustituir nuestros métodos tradicionales o si debemos enfocarlo desde otra perspectiva.
¿Puede la IA sustituir la búsqueda bibliográfica tradicional?
La respuesta corta es: todavía no. La evidencia disponible respalda el uso de herramientas de IA como métodos exploratorios, complementarios y de verificación, pero no respalda su utilización como sustitutos generales de una búsqueda bibliográfica sistemática y multibase diseñada por especialistas de la información.
La principal razón para mantener esta cautela es la evidente pérdida de exhaustividad (recall), unida a problemas de opacidad algorítmica, falta de cobertura adecuada en la literatura gris y graves retos de reproducibilidad (1).
Lo que nos dicen los estudios
El espejismo de la precisión inicial: Las herramientas de inteligencia artificial son eficaces para colocar documentos muy relevantes en los primeros puestos de la página de resultados. Esto resulta útil para exploraciones rápidas, pero genera una falsa seguridad metodológica en el usuario al ocultar todo el volumen de evidencia que el algoritmo ha omitido de forma invisible.
Un estudio del Comité de Metodología de la European Academy of Allergy and Clinical Immunology (EAACI) comprobó que estrategias basadas en IA identificaron el 85,7% de los artículos provistos de DOI, pero su sensibilidad cayó al 56,3% respecto al total de ensayos elegibles. Las plataformas no lograron recuperar literatura gris ni ensayos no publicados de los registros (1).
Al evaluar flujos totalmente automatizados con GPT-4 en revisiones de retinopatía diabética, la IA identificó apenas entre el 6,1% y el 32,7% de los artículos incluidos originalmente (3).
Pérdida crítica de sensibilidad: El pilar de una revisión sistemática es minimizar el sesgo de selección recuperando el universo completo de estudios elegibles. Los tres casos empíricos citados demuestran que las plataformas actuales fracasan en esta tarea, omitiendo proporciones inaceptables de la literatura (desde un 43,7% en el mejor de los casos clínicos hasta más de un 90% en flujos automatizados) (1, 4). En la evaluación del rendimiento de Elicit frente a las búsquedas bibliotecarias originales de cuatro revisiones sistemáticas, la sensibilidad media de la IA fue solo del 37,9%, muy inferior al 93,5% de la búsqueda convencional (2).
Agravamiento del sesgo de publicación: El hallazgo de la EAACI revela una deficiencia algorítmica profunda: la IA depende casi exclusivamente de metadatos estructurados y documentos comerciales con DOI. Al ser incapaz de rastrear literatura gris, resúmenes de congresos o registros de ensayos clínicos no publicados, la IA introduce un sesgo de difusión que alteraría gravemente las estimaciones de cualquier metanálisis en salud (1).
Superioridad de la búsqueda experta: La diferencia entre Elicit (37,9%) y la búsqueda bibliotecaria original (93,5%) confirma que el modelo semántico o generativo no puede sustituir a la arquitectura booleana multibase (2). La combinación de vocabularios controlados (MeSH, Emtree), truncamientos y diseño estructurado sigue siendo el único patrón de referencia válido.
Funciones metodológicas defendibles: El enfoque híbrido
Para integrar la IA de forma metodológicamente defendible, nunca debe aplicarse como una «caja negra» universal.
| Función | Objetivo | Uso admisible |
| Exploración | Comprender conceptos, terminología y estructura del campo. | Antes de cerrar el protocolo o la estrategia. |
| Complemento | Encontrar estudios no recuperados por coincidencia léxica o por una fuente concreta. | En paralelo o después de la búsqueda convencional. |
| Verificación | Comprobar si existen lagunas temáticas o referencias clave ausentes. | Tras ejecutar la estrategia principal. |
| Actualización | Detectar candidatos nuevos o relacionados. | Revisiones vivas o actualización periódica. |
| Sustitución parcial | Reducir tiempo en revisiones rápidas. | Solo en situaciones excepcionales y con alcance restringido. |
- Exploración: Muy útil en las etapas iniciales de la estrategia para comprender la terminología y sugerir sinónimos locales. Advertencia: Los términos propuestos pueden ser limitados o carecer de lenguaje controlado (MeSH/Emtree), por lo que siempre deben ser revisados y validados por un bibliotecario o especialista (1, 5-6).
- Complemento: Usar la búsqueda semántica y las redes de citas en plataformas de IA (en paralelo o después de la búsqueda convencional) resulta útil para hallar estudios que las cadenas booleanas no logran recuperar por simple coincidencia léxica (1, 7-8).
- Verificación: Las herramientas son eficaces para comprobar posibles lagunas temáticas o asegurar la inclusión de referencias clave tras haber ejecutado la estrategia principal (1).
Transparencia y documentación
Dado que un alto número de resultados relevantes puede dar una falsa sensación de seguridad, y considerando que la IA sufre de irreproducibilidad, la transparencia en el reporte es crucial.
Cualquier revisión sistemática que integre estas herramientas debe registrar y auditar el proveedor, la plataforma, la versión o modelo, la fecha exacta, los prompts completos, el criterio de parada y los procesos de exportación. Aunque existen herramientas de apoyo emergentes como la lista de comprobación PRISMA-trAIce (9), es necesario aclarar que dicha lista no es una extensión oficial y no cuenta actualmente con el respaldo ni la validación del grupo PRISMA (10).
Conclusión
La revolución de la IA nos abre puertas increíbles, pero los profesionales de la información bibliotecaria seguimos siendo el eje de una síntesis de evidencia libre de sesgos y opacidad. El camino a seguir es metodológicamente híbrido: mantengamos nuestra búsqueda sistemática y transparente como motor principal e integremos la IA como un potente asistente especializado, bajo estricta supervisión humana, documentación exhaustiva y validación constante.
Bibliografía
- Sousa-Pinto B, Bognanni A, Jemioło P, Vieira RJ, Nguyen TH, Munn Z, et al. Use of artificial intelligence-based platforms to support searches in evidence synthesis studies: a study of the EAACI Methodology Committee. Clin Transl Allergy. 2026;16:e70202.
- Lau O, Golder S. Comparison of Elicit AI and traditional literature searching in systematic reviews using four case studies [preprint]. medRxiv. 2025. doi:10.1101/2025.06.17.25329772.
- Chen HC, et al. Can large language models fully automate or partially assist paper selection in systematic reviews? Br J Ophthalmol. 2025. doi:10.1136/bjo-2024-326254.
- Di Febo R, et al. Comparative evaluation of artificial intelligence-assisted literature search tools for identifying clinically meaningful evidence in cardiology. Eur Heart J Digit Health. 2026. doi:10.1093/ehjdh/ztag125.
- Spillias S, Tuohy P, Andreotta M, et al. Human-AI collaboration to identify literature for evidence synthesis. Cell Rep Sustain. 2024;1:100132.
- Chen X, Feng Y. Exploring the use of generative artificial intelligence in systematic searching: a comparative case study of a human librarian, ChatGPT-4 and ChatGPT-4 Turbo. IFLA J. 2025;51(1):84-93. doi:10.1177/03400352241263532.
- van de Schoot R, Messina Coimbra B, Evenhuis T, et al. The hunt for the last relevant paper: blending the best of humans and AI. Eur J Psychotraumatol. 2025;16(1):2546214.
- Wätzold F, Popiela B, Mayer J. Methodology for AI-based search strategy of scientific papers: exemplary search for hybrid and battery electric vehicles in the Semantic Scholar database. Publications. 2024;12(4):49. doi:10.3390/publications12040049
- Holst D, Moenck K, Koch J, Schmedemann O, Schüppstuhl T. Transparent reporting of AI in systematic literature reviews: development of the PRISMA-trAIce checklist. JMIR AI. 2025;4:e80247. Moher D, Page MJ, McKenzie JE, Takwoingi Y, Mayo-Wilson E. PRISMA-trAIce: a name without endorsement. JMIR AI. 2026;5:e104210.
- Flemyng E, Noel-Storr A, Macura B, et al. Position statement on artificial intelligence (AI) use in evidence synthesis across Cochrane, Campbell Collaboration, JBI and Collaboration for Environmental Evidence 2025. Cochrane Database Syst Rev. 2025;(10):ED000178.
