CRediT-IA: triple trazabilidad editorial

La taxonomía CRediT (Contributor Roles Taxonomy), reconocida mediante el estándar ANSI/NISO Z39.104-2022, comprende catorce roles destinados a identificar las contribuciones individuales durante el desarrollo de una investigación científica.

Su incorporación en las publicaciones académicas representa un avance hacia una cultura de reconocimiento más transparente, al permitir distinguir las responsabilidades intelectuales, metodológicas, técnicas y organizativas que intervienen en la construcción del conocimiento. A diferencia de los modelos tradicionales centrados exclusivamente en el orden de las firmas, CRediT facilita la identificación de funciones específicas sin determinar automáticamente quién reúne los criterios de autoría científica. Esta distinción adquiere particular relevancia ante la incorporación de inteligencia artificial, dado que las actividades desempeñadas por los investigadores pueden incluir asistencia tecnológica sin que desaparezca su responsabilidad sobre los resultados. Comprender los catorce roles constituye, por tanto, el punto de partida para examinar cómo fortalecer la trazabilidad de las contribuciones humanas y documentar las intervenciones algorítmicas mediante mecanismos editoriales complementarios.

Tabla 1
Los 14 roles de la taxonomía CRediT

Nota. NISO (2022). Traducción y síntesis explicativa de los roles oficiales.

La autoría científica atraviesa una transformación que exige reconsiderar cómo se reconocen las contribuciones intelectuales y cómo se documentan las responsabilidades relacionadas con la producción del conocimiento. Tradicionalmente, la firma de un artículo ha representado el principal mecanismo de reconocimiento académico, aunque no permite identificar por sí sola quién diseñó la investigación, procesó los datos o interpretó sus resultados. Allen et al. (2014) propusieron fortalecer la atribución individual mediante funciones específicas, antecedente de la taxonomía CRediT, posteriormente formalizada como estándar ANSI/NISO Z39.104-2022. Godskesen et al. (2026), mediante una revisión de alcance de 45 publicaciones, identificaron beneficios relacionados con la transparencia y el reconocimiento de contribuciones, además de limitaciones en su implementación. La incorporación de inteligencia artificial generativa introduce un desafío adicional, porque determinadas actividades científicas pueden desarrollarse mediante interacciones entre investigadores y sistemas algorítmicos. Herramientas como ChatGPT, Claude o GitHub Copilot pueden intervenir en procesos de redacción, programación y análisis sin adquirir por ello condición de autoría científica. Esta situación exige distinguir las contribuciones humanas de las operaciones tecnológicas y reconocer quién verifica sus resultados. El problema editorial emergente no consiste únicamente en identificar quién participó en una investigación, sino en comprender cómo se construyó el conocimiento y quién responde por su integridad científica.

La participación de inteligencia artificial en los procesos investigativos plantea interrogantes epistemológicos y éticos relacionados con la originalidad, la verificabilidad y la responsabilidad académica. El Committee on Publication Ethics (COPE, 2024) establece que las herramientas de IA no pueden figurar como autoras, debido a que carecen de la capacidad para asumir las obligaciones propias de la autoría científica. En concordancia, el International Committee of Medical Journal Editors (ICMJE, 2026) recomienda declarar la utilización de tecnologías asistidas por IA e identificar las finalidades de su intervención. Cleland et al. (2026) profundizan esta discusión al considerar la transparencia sobre el uso de IA como una práctica de comunicación metodológica que no debe confundirse automáticamente con una irregularidad. Sin embargo, declarar una herramienta resulta insuficiente cuando se desconoce qué operaciones ejecutó o cómo influyó en las decisiones científicas. Por ejemplo, mejorar la claridad lingüística de un manuscrito representa una intervención diferente de generar código analítico, clasificar información o producir interpretaciones sobre resultados experimentales. Estas distinciones requieren políticas editoriales proporcionales, capaces de reconocer la naturaleza de cada aplicación tecnológica sin atribuirle responsabilidades humanas. La transparencia científica debe superar la declaración genérica del uso de IA para documentar su intervención efectiva y los procedimientos mediante los cuales se verificaron sus resultados.

A partir de esta problemática, se propone el modelo conceptual CRediT-IA de triple trazabilidad, concebido como una estrategia complementaria de aplicación editorial que integra tres dimensiones: contribución humana, intervención de IA y responsabilidad científica. La primera responde a la pregunta «¿Quién hizo qué?» y utiliza los catorce roles oficiales de CRediT para identificar las funciones desempeñadas por los investigadores. La segunda aborda «¿Qué tecnología intervino y cómo?», mediante el registro del sistema utilizado, su finalidad, la fase investigativa correspondiente y el alcance de sus operaciones. La tercera responde a «¿Quién verifica y responde?», identificando a las personas responsables de comprobar fuentes, procedimientos, resultados e interpretaciones asistidas tecnológicamente. Esta integración se fundamenta conceptualmente en los mecanismos de atribución previstos por NISO (2022), la posición de COPE (2024) y las recomendaciones de transparencia del ICMJE (2026). No obstante, CRediT-IA no constituye una ampliación oficial de la taxonomía ni un estándar aprobado por dichas organizaciones, sino una propuesta para fortalecer la trazabilidad editorial. Su valor diferenciador reside en conectar información que habitualmente se presenta mediante declaraciones independientes, permitiendo reconocer no solamente quién desarrolló una actividad, sino también qué asistencia tecnológica recibió y quién comprobó su validez.

La aplicación del modelo podría incorporarse progresivamente a los procesos de recepción, arbitraje y publicación de revistas científicas, particularmente en plataformas de gestión editorial como Open Journal Systems (OJS). Durante el envío del manuscrito, los autores declararían sus contribuciones mediante CRediT y completarían un registro complementario sobre las intervenciones sustantivas de IA. Por ejemplo, en una revisión sistemática podrían utilizar Rayyan para gestionar el cribado de referencias, ASReview para apoyar la priorización de registros y ChatGPT para explorar alternativas de organización textual, documentando las funciones efectivamente ejecutadas por cada sistema. Posteriormente, los investigadores identificarían quién comprobó los criterios de selección, las referencias y las interpretaciones incorporadas al estudio. Flanagin et al. (2024) destacan la importancia de informar las herramientas de IA utilizadas y sus funciones dentro de los procesos de investigación y publicación. En la etapa editorial, los roles humanos podrían conservarse mediante metadatos estructurados compatibles con las recomendaciones de JATS4R, mientras la información sobre IA se registraría separadamente, sin convertir los sistemas tecnológicos en nuevos roles oficiales. Esta integración facilitaría la revisión de posibles inconsistencias entre contribuciones declaradas, procedimientos metodológicos y resultados presentados. La innovación consiste en transformar las declaraciones editoriales en información estructurada y contrastable, capaz de fortalecer la transparencia sin alterar los estándares internacionales existentes.

Finalmente, la responsabilidad científica representa el componente fundamental de CRediT-IA, porque declarar contribuciones y herramientas no garantiza automáticamente la confiabilidad de una investigación. Cleland et al. (2026) subrayan la necesidad de comprobar de manera independiente referencias, cálculos, afirmaciones y contenidos producidos con asistencia tecnológica. Esta exigencia adquiere particular importancia ante los riesgos de información fabricada, errores analíticos y utilización inadecuada de datos confidenciales. La propuesta también reconoce sus propias limitaciones: una nueva declaración editorial podría convertirse en una carga administrativa si carece de criterios claros, proporcionalidad y procedimientos de evaluación. Por ello, su implementación debería comenzar mediante estudios piloto que permitan examinar la claridad de las dimensiones, la concordancia entre autores y editores, la completitud de los registros y su utilidad durante el arbitraje. Estas experiencias permitirían determinar si el modelo contribuye efectivamente a mejorar la trazabilidad sin sustituir la revisión por pares ni los mecanismos institucionales de integridad científica. Su adopción también necesitaría respetar los derechos de autor, la confidencialidad y las particularidades metodológicas de cada disciplina. En síntesis, CRediT-IA propone avanzar desde la declaración individual de contribuciones hacia una arquitectura editorial de triple trazabilidad, donde toda intervención tecnológica significativa pueda identificarse y toda decisión científica relevante permanezca bajo responsabilidad humana.

Tabla 2
Ejemplo de aplicación editorial del modelo CRediT-IA

Nota. Elaboración conceptual propia. El ejemplo es hipotético y no corresponde a un formato oficial de NISO. Las declaraciones deben reflejar las actividades reales y las políticas de cada revista.

Referencias

Allen, L., Scott, J., Brand, A., Hlava, M., & Altman, M. (2014). Publishing: Credit where credit is due. Nature, 508, 312–313. https://doi.org/10.1038/508312a

Cleland, J., Driessen, E., Masters, K., Lingard, L., & Maggio, L. A. (2026). When and how to disclose AI use in academic publishing: AMEE Guide No. 192. Medical Teacher, 48(4), 542–553. https://doi.org/10.1080/0142159X.2025.2607513

COPE Council. (2024). Authorship and AI tools [COPE position]. Committee on Publication Ethics. https://doi.org/10.24318/cCVRZBms

Flanagin, A., Pirracchio, R., Khera, R., Berkwits, M., Hswen, Y., & Bibbins-Domingo, K. (2024). Reporting use of AI in research and scholarly publication—JAMA Network guidance. JAMA, 331(13), 1096–1098. https://doi.org/10.1001/jama.2024.3471

Godskesen, T., Helgesson, G., & Eriksson, S. (2026). Implementation, barriers, and improvement strategies for CRediT: A scoping review. Accountability in Research, 33(4), Article 2528953. https://doi.org/10.1080/08989621.2025.2528953

International Committee of Medical Journal Editors. (2026). Recommendations for the conduct, reporting, editing, and publication of scholarly work in medical journals. https://www.icmje.org/recommendations/

JATS4R. (s. f.). CRediT taxonomy (Recomendación, versión 1.2). https://jats4r.niso.org/credit-taxonomy/

National Information Standards Organization. (2022). ANSI/NISO Z39.104-2022: CRediT, Contributor Roles Taxonomy. https://doi.org/10.3789/ansi.niso.z39.104-2022