Un experimento diseñado por la investigadora sueca Almira Osmanovic Thunström y colegas vinculados a la Universidad de Gotemburgo volvió a concentrar atención en 2026 al mostrar cómo varios chatbots de inteligencia artificial incorporaron como si fuera real una enfermedad inventada, bixonimania, después de que el equipo sembrara blogs y preprints falsos en internet para medir qué tan fácil es contaminar la información científica que luego consumen esos sistemas. El caso, documentado por Nature y retomado después por Scientific American, importa por una razón simple: cuando una falsedad entra con apariencia académica, la IA no siempre la filtra y puede devolverla al usuario con tono de autoridad.
Una trampa con señales visibles
La gracia amarga del experimento es que no se trataba de un engaño sofisticado. Según el relato de Nature, bixonimania solo existía en una pequeña constelación de materiales falsos: dos entradas en Medium y dos preprints publicados en 2024. Los textos incluían pistas que, para un lector atento, debían encender alarmas de inmediato. Había autores inventados, instituciones inexistentes y guiños que rozaban la parodia. Aun así, ese rastro bastó para que grandes modelos de lenguaje empezaran a describir la supuesta afección ocular como si formara parte del vocabulario médico legítimo.
El punto más delicado no es solo que un chatbot se equivoque. Es que lo haga en un terreno, la salud, donde millones de personas ya consultan primero una pantalla y después, si acaso, a un profesional. En el episodio de Science Quickly, Osmanovic Thunström explica que buscaba dejar “migas de pan” en el sistema para mostrar cómo se procesa, circula y reaparece la información dentro de los modelos. Lo sorprendente, dice, fue comprobar que incluso material tan frágil como un preprint sin revisión terminó pesando más de lo que ella esperaba.
Video real de Scientific American sobre el experimento de bixonimania. Verificado con verify_youtube_video.py.
Del internet al consultorio automatizado
La entrevista de Scientific American aporta una pieza clave para entender el mecanismo. La investigadora partió de una premisa conocida en el sector: una parte importante de los modelos comerciales se nutre de repositorios amplios de texto abierto en la web. Si algo parece creíble, está repetido en varios puntos y entra en esos circuitos de recolección, puede terminar reciclado como respuesta. En sus pruebas, la falsa enfermedad no aparecía siempre como primer diagnóstico, pero sí surgía después de descartar otras opciones cuando el usuario insistía con síntomas compatibles.
Ahí es donde la historia deja de ser una curiosidad académica y pasa a ser un problema de producto. El usuario no ve el entrenamiento del modelo, ni sus fuentes, ni el peso relativo que se le dio a un blog, a un preprint o a una guía clínica. Solo ve una respuesta redactada con soltura. Smithsonian Magazine resume bien el riesgo: la falsa dolencia terminó funcionando como un espejo de la facilidad con la que una pieza de desinformación puede adquirir barniz técnico y escalar entre personas y máquinas.
This researcher created a fictional illness, and fake studies funded by the Professor Sideshow Bob Foundation and University of the Fellowship of the Ring and the Galactic Triad.
LLMs warned people the illness was real.https://t.co/knCxx00VAZ
— nature (@Nature) 7 de abril de 2026
Traducción: una investigadora creó una enfermedad ficticia y estudios falsos; aun así, varios modelos de lenguaje advirtieron a usuarios que esa enfermedad era real.
La señal de alarma también apunta a la ciencia
El caso también expone un fallo más amplio que el simple uso doméstico de ChatGPT o Gemini. El problema es la fragilidad del ecosistema que rodea a la ciencia abierta cuando se combina con indexación automática, lectura superficial y automatización a escala. Nature citó al investigador Alex Ruani para advertir que, si el propio proceso científico y los sistemas que lo sostienen no son capaces de filtrar bloques de información tan evidentemente defectuosos, el margen para errores más sutiles se vuelve inquietante. En otras palabras, bixonimania importa menos por ser una rareza y más por mostrar el camino de una contaminación posible.
Para empresas que integran asistentes en salud, seguros, atención al cliente o búsqueda, la lección es incómoda pero concreta: no basta con que el modelo suene convincente. Hace falta jerarquizar fuentes, degradar material no verificado, distinguir preprints de evidencia consolidada y ofrecer trazabilidad visible al usuario. De lo contrario, la IA seguirá actuando como un amplificador elegante de errores ajenos. Y cuando ese error entra con bata blanca, el costo reputacional y humano puede ser demasiado alto.
