Puntos Clave
- La bixonimania fue una enfermedad completamente inventada.
- Investigadores suecos crearon el término y publicaron 2 trabajos falsos en 2024 para evaluar si los sistemas de inteligencia artificial podían distinguir una construcción ficticia del conocimiento médico verdadero.
- Los artículos contenían señales deliberadamente absurdas: investigadores e instituciones inexistentes, fotografías generadas con IA y referencias a Star Trek y a personajes de Los Simpsons.
- Aun así, distintos sistemas terminaron incorporando la supuesta enfermedad en sus respuestas.
- El fenómeno fue más allá de una simple “alucinación”: la IA encontró información falsa con apariencia científica y la reprodujo como conocimiento.
- El material ficticio terminó siendo citado posteriormente, incluso en literatura revisada por pares.
- Una referencia bibliográfica no garantiza que una afirmación sea verdadera: hay que evaluar procedencia, metodología, revisión por pares, coherencia con el conocimiento existente y jerarquía de la evidencia.
- El experimento abrió un dilema ético: para probar las debilidades de la IA se introdujo deliberadamente información falsa en un ecosistema científico usado por médicos, investigadores, estudiantes y pacientes.
- Existen formas más seguras de poner a prueba estos sistemas, como bases experimentales cerradas o documentos ficticios que no ingresen al circuito científico real.
- La principal enseñanza excede a la IA: en un entorno donde textos falsos pueden producirse, multiplicarse y citarse automáticamente, la medicina necesita reforzar la evaluación crítica de la evidencia.
Una enfermedad que nunca existió
Picazón ocular, molestias después de pasar mucho tiempo frente a una pantalla y cambios de coloración alrededor de los ojos. Si alguien reunía esos síntomas, podía padecer “bixonimania”, una supuesta enfermedad relacionada con la exposición a la luz de las pantallas.
El cuadro parecía suficientemente plausible como para despertar interés.
Había un problema: la bixonimania nunca existió.
El experimento fue diseñado para evaluar si los grandes modelos de lenguaje podían incorporar información falsa disponible en Internet y reproducirla como conocimiento médico.
Fue inventada por un equipo liderado por Almira Osmanovic Thunström, investigadora médica de la Universidad de Gotemburgo, en Suecia, como parte de un experimento destinado a explorar una debilidad de los grandes modelos de lenguaje.
La historia comenzó en marzo de 2024, cuando aparecieron publicaciones en Internet sobre esta supuesta enfermedad.
Poco después, los investigadores publicaron 2 preprints, es decir, trabajos científicos que todavía no habían pasado por revisión por pares.
Los artículos estaban construidos para parecer trabajos académicos, pero contenían pistas deliberadamente absurdas.
- El supuesto investigador principal, Lazljiv Izgubljenovic, no existía.
- Su fotografía había sido creada mediante inteligencia artificial.
- Su institución, Asteria Horizon University, también era ficticia.
- Uno de los trabajos reconocía explícitamente que el artículo era inventado y describía a los participantes como personas ficticias.
- Los agradecimientos mencionaban a la Starfleet Academy, del universo de Star Trek.
- Entre las supuestas fuentes de financiación figuraban instituciones inexistentes, como la Professor Sideshow Bob Foundation.
No eran errores escondidos: los autores querían que un lector atento pudiera darse cuenta de que estaba frente a una construcción deliberadamente falsa.
La inteligencia artificial cayó en la trampa
El experimento tenía una pregunta sencilla: ¿qué ocurriría cuando esa información entrara en el ecosistema digital del que se nutren los sistemas de inteligencia artificial?
La respuesta fue preocupante.
Según la investigación reconstruida por Nature, distintos sistemas comenzaron a incorporar la bixonimania en sus respuestas.
- Algunos describieron la enfermedad.
- Otros explicaron su supuesto vínculo con la exposición a las pantallas.
- Hubo sistemas que llegaron a utilizar el término ante consultas de usuarios sobre síntomas compatibles.
La presencia de información con apariencia académica fue suficiente para que una ficción comenzara a adquirir características de conocimiento médico.
El problema no quedó limitado a los chatbots.
La información falsa terminó además siendo citada en trabajos posteriores, incluido al menos un artículo publicado en una revista revisada por pares.
El experimento mostró así un fenómeno potencialmente más amplio que una simple “alucinación” de un chatbot.
La inteligencia artificial no necesariamente inventa la información desde cero: también puede encontrar información falsa, procesarla, resumirla y devolverla con apariencia de autoridad.
Y en medicina esa diferencia importa.
El problema no es solamente que la IA se equivoque
Los grandes modelos de lenguaje producen respuestas a partir de enormes cantidades de información.
Pero encontrar una afirmación repetida en Internet, o incluso publicada con formato científico, no equivale a demostrar que esa afirmación sea verdadera.
El caso de la bixonimania expone una diferencia fundamental entre recuperar información y evaluar evidencia.
Un médico que lee un estudio no debería limitarse a comprobar que el artículo existe.
También analiza quién lo publicó, dónde se realizó, cuál fue el diseño, cuántos pacientes participaron, qué métodos se utilizaron, si los resultados son plausibles y cómo encajan con el conocimiento previo.
Los sistemas de IA pueden realizar parte de ese análisis, pero siguen siendo vulnerables a fuentes incorrectas, manipuladas o directamente fabricadas.
Una referencia no es sinónimo de evidencia y una respuesta bien escrita no es sinónimo de verdad.
Cuanto más convincente sea la respuesta, mayor puede ser el problema.
Una afirmación falsa expresada con dudas puede despertar sospechas. Pero la misma afirmación, acompañada de lenguaje médico, mecanismos fisiopatológicos plausibles y referencias bibliográficas, puede resultar mucho más difícil de detectar.
Pero el experimento generó otro problema
La historia podría terminar allí: unos investigadores inventaron una enfermedad, la IA cayó en la trampa y quedó demostrada una vulnerabilidad importante.
Sin embargo, en julio de 2026, Harish Sharma, del Royal Liverpool University Hospital, publicó en Ethics, Medicine and Public Health un análisis que planteó una objeción diferente (2).
La pregunta ética fue incómoda: ¿es aceptable introducir información médica deliberadamente falsa en la literatura científica para estudiar cómo responde una IA?
Para Sharma, la respuesta es no.
El argumento central es que la literatura biomédica no constituye simplemente una base de datos disponible para realizar experimentos.
Es parte de la infraestructura sobre la cual médicos, investigadores, estudiantes y pacientes toman decisiones.
Introducir deliberadamente una enfermedad inexistente dentro de ese sistema implica utilizar como laboratorio un recurso compartido cuya confiabilidad tiene consecuencias sobre personas reales.
El objetivo del experimento podía ser legítimo: evaluar la vulnerabilidad de la IA frente a la desinformación.
Lo cuestionable fue el método.
¿Se puede contaminar la ciencia para estudiar la desinformación?
El análisis ético identifica varios problemas.
El primero es el riesgo de daño.
Una enfermedad ficticia publicada en Internet puede escapar rápidamente del contexto experimental. Puede ser indexada, citada, resumida, incorporada por buscadores y reutilizada por sistemas automatizados.
Exactamente eso ocurrió: la ficción salió del experimento y comenzó a circular dentro del ecosistema científico y digital.
El segundo problema es la decepción.
Aunque los trabajos contenían pistas que permitían descubrir el engaño, fueron introducidos deliberadamente en canales utilizados para comunicar investigación científica.
El tercer problema es la proporcionalidad.
Si el objetivo era evaluar si los modelos podían distinguir información verdadera de información falsa, podían haberse utilizado entornos controlados, bases de datos experimentales o documentos claramente aislados del ecosistema biomédico real.
No era indispensable introducir información ficticia en la literatura accesible públicamente.
Finalmente aparece un problema probablemente más profundo: la confianza.
La medicina moderna depende de una cadena de confianza.
Confiamos en que los investigadores describieron realmente sus experimentos, en que las instituciones existen, en que los pacientes estudiados fueron reales y en que las publicaciones representan un intento de comunicar conocimiento verdadero, aun cuando después pueda resultar equivocado.
Romper deliberadamente esa presunción tiene un costo.
Cuando el error empieza a retroalimentarse
La bixonimania permite imaginar un problema creciente para los próximos años.
- Una persona genera información falsa.
- La información aparece en Internet.
- Un sistema de IA la incorpora y produce nuevos textos a partir de ella.
- Esos textos vuelven a publicarse.
- Otros sistemas los encuentran y los utilizan como fuente.
- La información falsa comienza entonces a adquirir una validación circular.
La falsedad no se vuelve verdadera porque existan más documentos que la repiten.
En ese escenario, contar referencias deja de ser suficiente.
La pregunta fundamental pasa a ser otra: ¿de dónde surgió originalmente la información y cuál es la calidad de esa fuente?
Es una pregunta conocida para la medicina basada en la evidencia, pero adquiere una nueva dimensión cuando producir miles de textos convincentes puede hacerse en minutos.
La validación circular es uno de los riesgos centrales de un ecosistema donde información falsa, IA y publicaciones digitales pueden retroalimentarse.
Los preprints también forman parte del problema
El episodio vuelve a poner el foco sobre los servidores de preprints.
Los preprints cumplen una función importante: permiten comunicar resultados rápidamente antes de completar el proceso de revisión por pares.
Durante la pandemia de COVID-19 quedó particularmente clara tanto su utilidad como sus limitaciones.
Un preprint no equivale a un artículo revisado por pares.
La velocidad de publicación tiene como contrapartida que parte del control científico todavía no ocurrió.
Esto siempre fue importante para los lectores humanos.
Ahora también lo es porque esos documentos pueden incorporarse a buscadores, sistemas de recuperación de información y herramientas basadas en IA.
Después de que Nature publicara su investigación sobre la bixonimania el 7 de abril de 2026, los 2 preprints fueron retirados del servidor Preprints.org el 10 de abril (1).
Una vez que la información entra en el ecosistema digital, controlar todos los lugares donde fue reproducida resulta mucho más complejo.
La IA no reemplaza la jerarquía de la evidencia
El caso no demuestra que los grandes modelos de lenguaje sean inútiles para la medicina.
Demuestra algo diferente.
Su respuesta depende, entre otras cosas, de la calidad de la información a la que acceden y de su capacidad para discriminar fuentes confiables de fuentes que no lo son.
Una herramienta puede encontrar 10 artículos sobre un tema. La tarea científica comienza después: determinar cuáles merecen ser considerados.
Para una pregunta médica, una guía de práctica clínica de una sociedad científica, una revisión sistemática, un ensayo clínico aleatorizado o una base de datos oficial no tienen el mismo peso que un blog, un preprint aislado o una publicación sin metodología verificable.
La inteligencia artificial puede ayudar a localizar, organizar y sintetizar información.
La evaluación crítica de la evidencia sigue siendo indispensable.
Conclusiones: ¿qué nos deja este artículo?
La bixonimania nunca existió, pero su historia es real.
Una enfermedad deliberadamente inventada consiguió ingresar al ecosistema de información científica y varios sistemas de IA terminaron tratándola como conocimiento médico legítimo.
El experimento expuso una vulnerabilidad importante: la IA puede reproducir información falsa incluso cuando esta contiene señales que deberían despertar sospechas.
Para estudiar la vulnerabilidad de los sistemas de IA no deberíamos debilitar aquello que intentamos proteger.
La crítica publicada posteriormente plantea una segunda advertencia igualmente relevante.
La literatura biomédica constituye una infraestructura de conocimiento sobre la que se toman decisiones clínicas, científicas y sanitarias.
Contaminarla deliberadamente para demostrar que una máquina puede ser engañada puede terminar creando exactamente el problema que se pretendía estudiar.
