Sobre la mesa del científico brilla una imagen: la computadora ha calculado cómo dos planetas chocan entre sí. Dan ganas de ajustar un poco las sombras, eliminar manchas, para que el espectador vea lo principal. Pero ¿dónde termina la simple mejora estética y empieza la falsificación? Los investigadores mostraron a 95 especialistas en visión artificial (análisis de imágenes) 15 formas distintas de retocar imágenes científicas — desde un inocente giro de cámara hasta añadir detalles inexistentes. La mitad de las ediciones las hizo una persona, la otra mitad un programa con aprendizaje automático (entrenable con ejemplos).

Las evaluaciones formaron una clara escalera. El giro, el ajuste de iluminación y el suavizado de ruido recibieron puntuaciones altas (alrededor de 3 de 5). Pero mover un objeto o cambiar su forma fueron acciones casi prohibidas (por debajo de 2). Lo más sorprendente: cuando las mismas ediciones las realizaba un programa, los expertos daban puntuaciones más bajas. ¿Por qué? A los humanos se les atribuye comprensión de intenciones y cautela, mientras que un programa parece poco fiable: puede "inventarse" detalles que no existen. Incluso si el programa intenta ser IA explicable (informar de sus pasos), la confianza no aumenta.

Estos resultados son importantes para los desarrolladores de herramientas de procesamiento digital de imágenes. Las redes neuronales modernas — en particular los modelos de difusión, las Redes Generativas Antagónicas y las redes basadas en Transformadores — se usan cada vez más para el retoque. Pero, como se ha visto, cualquier algoritmo que cambie la forma debe advertir al usuario. Es más, todas las ediciones deberían registrarse, como el historial de un navegador. Porque lo principal en la ciencia no es la imagen perfecta, sino la confianza en lo que muestra. Tras un retoque honesto, esa misma imagen del choque de planetas podrá colgar en las páginas de una revista. No todo adorno es engaño. La transparencia: esa es la verdadera moneda.