Los nombres fantasmas de la IA se están filtrando en la publicación académica

Expertos ficticios están dejando rastros reales en línea

Un nuevo preprint está generando alarma por un extraño subproducto de la IA generativa: identidades ficticias que los modelos de lenguaje repiten con tanta frecuencia que están empezando a contaminar partes del registro académico y en línea. Según un reportaje publicado el 27 de agosto de 2026, nombres como Elena Vasquez y Marcus Chen han aparecido en cientos de artículos, publicaciones y libros generados por IA, aunque no pertenecen a personas reales.

Los investigadores detrás del trabajo, de Samsung y la Universidad de Varsovia, describen estas identidades recurrentes como una especie de “aparición” de la IA. Su afirmación central no es solo que los grandes modelos de lenguaje inventan nombres, algo esperable, sino que tienden a inventar los mismos nombres una y otra vez en los mismos tipos de contextos. Con el tiempo, esa repetición puede sembrar una falsa autoridad en resultados de búsqueda, repositorios y publicaciones que parecen legítimos en la superficie.

Esto importa porque los nombres transmiten confianza. En la publicación académica y la comunicación de investigación, los lectores suelen usar el nombre de un autor, su cargo institucional o su área de especialización como atajo para evaluar credibilidad. Si los sistemas de IA generan repetidamente expertos con nombres plausibles y esos nombres terminan en documentos aparentemente formales, la barrera entre el contenido fabricado y el registro académico real se vuelve mucho más delgada.

Cómo surgen los patrones repetidos de nombres

El trabajo se centra en lo que los autores llaman “prioridades correlacionadas de nombres”. En términos sencillos, algunos modelos no generan identidades ficticias al azar. Parecen mostrar sesgo hacia ciertos nombres cuando se les pide crear determinados tipos de expertos, autores o personajes. El reportaje ofrece varios ejemplos: Elena Vasquez, Marcus Chen, Elara Voss, Aris Thorne, Lena Petrova y Elena Amara Okafor, según se informa, aparecen con una regularidad inusual dependiendo del modelo y del contexto del prompt.

El fenómeno va más allá de nombres individuales. Los investigadores dicen que los modelos también generan “conjuntos correlacionados de personajes”, lo que significa que algunos nombres tienen más probabilidad de aparecer juntos. Eso sugiere que los modelos no solo repiten etiquetas aisladas, sino que también reproducen grupos de patrones de identidad. Una vez que eso ocurre, la autoría falsa puede volverse más escalable. Un usuario que genere texto de estilo académico, libros, biografías o sitios web puede recibir una y otra vez el mismo elenco de personas inventadas con apariencia de autoridad.

Lo que vuelve más serio el problema es su persistencia. Un experto falso creado en una salida de IA puede ser trivial por sí solo. Pero si esa misma identidad reaparece en repositorios, sitios web y documentos, puede acumular una huella digital. Los motores de búsqueda y los sistemas de citación pueden entonces amplificar la ilusión, haciendo más difícil para los lectores determinar si una fuente es fabricada o simplemente poco conocida.

De rareza del modelo a problema editorial

El artículo vincula directamente este patrón con la infraestructura de la publicación académica. Según se informa, los investigadores buscaron en bases de datos nombres que sabían que los modelos producían con frecuencia y encontraron esos nombres incrustados en un amplio conjunto de materiales generados por IA. Uno de los ejemplos más llamativos citados es Zenodo, el repositorio operado por CERN que emite DOI reales de DataCite. El equipo dice haber identificado 1.655 registros atribuidos a autores fantasma y vinculados a revistas inexistentes con fechas de publicación fabricadas.

Ese detalle importa porque un DOI es una de las señales más sólidas de legitimidad en la comunicación académica. No garantiza calidad, pero indica que un registro ha entrado en un ecosistema organizado de publicación e indexación. Si revistas, fechas y autores fabricados pueden apoyarse en una infraestructura real de DOI, entonces los fallos de confianza ya no se limitan a blogs spam o granjas de contenido de baja calidad. Empiezan a afectar a sistemas utilizados por investigadores, bibliotecarios e instituciones.

El artículo también conecta el patrón con reportajes anteriores sobre “investigación” generada por IA vendida como si hubiera sido producida por humanos. En un caso citado, una empresa que ofrecía investigación médica había listado a una fundadora y directora metodológica llamada Elena Vasquez, que no existía. Tras el reportaje sobre el asunto, ese nombre fue supuestamente eliminado del sitio de la empresa. Otro ejemplo describía una declaración falsa difundida en Facebook y atribuida a una inexistente “directora ejecutiva Dra. Elena Vasquez”.

En conjunto, esos casos sugieren que el problema no es puramente académico. Las mismas identidades fabricadas pueden migrar entre afirmaciones de salud, rumores en redes sociales, servicios comerciales y plataformas de publicación. Esa difusión entre dominios es lo que da al fenómeno una relevancia más amplia.

Por qué está creciendo el riesgo de contaminación

La IA generativa reduce el costo de producir texto convincente a escala. Eso incluye artículos, informes, páginas web y documentos con apariencia de libro que pueden imitar formatos institucionales. Si los modelos también tienden a reutilizar un pequeño grupo de nombres ficticios persuasivos, los actores maliciosos ni siquiera necesitan inventar una nueva persona cada vez. El modelo hace parte del trabajo por ellos al proporcionar identidades recurrentes que ya suenan creíbles.

El peligro no se limita al fraude deliberado. Algunos usuarios pueden no verificar con cuidado los nombres generados, especialmente cuando producen borradores rápidamente. En flujos de publicación automatizados o semiautomatizados, un experto falso puede colarse en los registros públicos porque nadie comprueba si la persona existe. Una vez publicado, esa identidad puede ser citada, rastreada, indexada y reutilizada en otros lugares.

Esto crea un circuito de retroalimentación. La repetición por parte de los modelos lleva a la repetición en la web, y la repetición en la web a su vez puede reforzar lo que encuentren los modelos futuros. Con el tiempo, la distinción entre un artefacto del modelo y una persona documentada puede difuminarse para cualquiera que dependa de la búsqueda en lugar de la verificación directa.

Un desafío de integridad para los sistemas de investigación

El reportaje no ofrece una solución completa, pero hace más difícil restar importancia al tamaño del problema de integridad. La publicación académica lleva mucho tiempo lidiando con el plagio, las fábricas de artículos y la revisión por pares falsa. Los autores fantasma de la IA introducen un tipo distinto de falla: contaminación de identidades sintéticas dentro de sistemas construidos sobre supuestos de atribución humana.

Ese desafío afecta a repositorios, editores, publicaciones, servicios de indexación y plataformas de búsqueda. Puede que sean necesarias una verificación de autor más sólida, mejores filtros para detectar revistas fabricadas y un mayor escrutinio de patrones de identidad sospechosamente repetitivos. La idea central es que el uso indebido de la IA no trata solo de si el texto fue escrito por una máquina. También trata de si las personas vinculadas a ese texto existen realmente.

Los hallazgos del preprint probablemente resuenen porque describen un cambio sutil pero estructuralmente importante. Los modelos de lenguaje ya no solo generan prosa defectuosa o citas inventadas. También podrían estar estandarizando expertos falsos e insertándolos silenciosamente en el ecosistema del conocimiento. Si ese proceso continúa sin control, el registro académico podría volverse más difícil de auditar precisamente porque los errores parecen demasiado ordinarios.

Este artículo se basa en reportaje de 404 Media. Leer el artículo original.