La reproducibilidad es la base de la confianza científica. Exige publicar el código del modelo, los parámetros de entrenamiento y, cuando sea posible, el conjunto de datos (o una versión sintética). Cuando no es reproducible, un resultado queda como anécdota y no se consolida como conocimiento validado.

Adherirse a los principios FAIR implica documentar, compartir y reutilizar los datos de forma responsable. Supone depositar conjuntos de datos en repositorios públicos, emplear licencias abiertas y aplicar técnicas sólidas de anonimización. Así se protege la privacidad y se acelera la innovación científica y social.

Los métodos de IA deben someterse a una evaluación rigurosa por parte de la comunidad. Esto exige documentar con claridad las decisiones de modelado, las métricas empleadas y la justificación de la arquitectura. Permite revisar el método algorítmico, no solo los resultados, y mitigar el sesgo de publicación.

Asegurar que las contribuciones de datos, infraestructura, código y modelos sean citadas correctamente fortalece el ecosistema de investigación. Implica utilizar identificadores persistentes, como DOIs, para todos los activos. De este modo, se reconoce y valora la diversidad de formas de contribución científica.

Promover que las herramientas de IA sean usables para investigadores con distintos niveles de recursos y habilidades es una cuestión de equidad. Los resultados deben publicarse en formatos de acceso abierto, evitando barreras de pago, para que el conocimiento derivado beneficie a la sociedad en su conjunto.

La investigación en IA debe buscar soluciones con impacto social positivo y contribuir a formar a la próxima generación. Requiere desarrollar recursos abiertos, establecer colaboraciones diversas y participar activamente en el diálogo público, de modo que las políticas se basen en evidencia y sirvan al bien común.