La IA alucina… y sus errores ya están entrando en la ciencia: riesgos para la investigación, la medicina y el conocimiento

Bove, Tristan. “AI Hallucinations in Research, Legal Filings, and Books Are Growing and Getting Harder to Fix.” Fortune, 24 de mayo de 2026. Fortune

El artículo analiza un problema cada vez más preocupante en la era de la inteligencia artificial: la incorporación de información falsa generada por sistemas de IA en documentos científicos, jurídicos, periodísticos y editoriales. Estas falsas afirmaciones, conocidas como “alucinaciones” de la IA, no son simples errores aislados, sino contenidos inventados que se presentan con apariencia de veracidad y que pueden terminar integrándose en el conocimiento académico y profesional.

El texto se centra especialmente en el caso de Maxim Topaz, investigador especializado en aplicaciones de IA para la salud. Durante la revisión de un artículo científico suyo, descubrió que una herramienta de inteligencia artificial había introducido una referencia bibliográfica inexistente sin advertirlo. Este incidente le llevó a investigar la magnitud del problema junto con otros colegas. Los resultados fueron alarmantes: tras analizar cerca de 2,5 millones de artículos biomédicos y alrededor de 97 millones de citas bibliográficas, identificaron más de 4.000 referencias falsas distribuidas en casi 3.000 trabajos científicos. Además, la frecuencia de estas referencias ficticias se ha multiplicado rápidamente desde la popularización de las herramientas de IA generativa.

El estudio revela que la presencia de referencias inexistentes en la literatura biomédica ha crecido de forma exponencial. Mientras que en 2023 aproximadamente uno de cada 2.828 artículos contenía alguna cita falsa, en 2025 la proporción había aumentado hasta uno de cada 458 trabajos. Los datos preliminares de 2026 muestran una tendencia todavía más preocupante, con una incidencia cercana a un artículo problemático por cada 277 publicados. Los investigadores consideran que estas cifras probablemente representan solo una parte del problema real, ya que muchas referencias falsas aún no han sido detectadas.

La preocupación principal radica en que la ciencia funciona como una cadena acumulativa de evidencias. Un artículo cita investigaciones previas, las revisiones sistemáticas sintetizan múltiples estudios y, posteriormente, las guías clínicas y protocolos médicos se basan en esas revisiones para orientar decisiones terapéuticas. Cuando una referencia inexistente se introduce en ese proceso, existe el riesgo de contaminar toda la cadena de conocimiento. En ámbitos como la medicina, esto podría afectar indirectamente a decisiones sobre diagnósticos, tratamientos o políticas sanitarias.

El artículo también destaca que el problema no se limita al ámbito científico. Casos recientes muestran cómo libros, informes periodísticos y documentos legales han incorporado citas o afirmaciones inventadas por sistemas de IA. En el sector jurídico, por ejemplo, se han documentado cientos de resoluciones y escritos legales que incluyen referencias erróneas generadas por modelos de lenguaje. Del mismo modo, algunos autores y periodistas han publicado obras que contenían citas inexistentes o atribuciones incorrectas producidas durante procesos de investigación asistidos por inteligencia artificial.

Otro aspecto especialmente inquietante es que la mayoría de estos errores no parecen ser fraudes deliberados. En muchos casos, los investigadores utilizan herramientas de IA para tareas aparentemente inocuas, como mejorar la redacción, corregir el estilo o formatear referencias. Sin embargo, los sistemas pueden introducir información falsa de manera silenciosa, lo que hace que incluso expertos familiarizados con las limitaciones de la IA puedan pasar por alto los errores. La confianza excesiva en estas herramientas aumenta el riesgo de que información incorrecta llegue a publicarse.

El artículo concluye señalando que la solución no consiste en abandonar la inteligencia artificial, sino en establecer procedimientos rigurosos de verificación. Los autores defienden que cualquier contenido generado o asistido por IA debe ser revisado cuidadosamente antes de incorporarse a publicaciones científicas, decisiones legales o productos informativos. La verdadera amenaza no es la existencia de errores ocasionales, sino que estos errores pasen desapercibidos y se integren en el registro permanente del conocimiento humano, dificultando posteriormente su corrección.

Apasionadas preferencias: la mirada del traductor

Miguel Crespo, Olivia de. Apasionadas preferencias: la mirada del traductor. Serie 23 de Abril. Madrid: CSIC Libros, 2025. eBook.

Apasionadas preferencias: la mirada del traductor es una obra divulgativa en la que la traductora Olivia de Miguel Crespo reflexiona sobre la práctica profesional de la traducción desde una perspectiva vivencial y crítica. El libro se enmarca dentro de la Serie 23 de Abril y se orienta a mostrar la traducción no solo como un ejercicio técnico, sino como una actividad interpretativa en la que intervienen decisiones complejas, sensibilidad lingüística y responsabilidad cultural.

El autor expone las tensiones habituales del oficio, especialmente la dificultad de trasladar la “esencia” de un texto a otra lengua sin perder matices estilísticos, culturales o emocionales. A través de su experiencia, plantea dilemas recurrentes del traductor: la fidelidad frente a la recreación, la invisibilidad del traductor frente a su papel activo, y las estrategias que permiten equilibrar precisión y naturalidad en la lengua de llegada.

En conjunto, la obra funciona como una reflexión accesible sobre el acto de traducir, subrayando su dimensión creativa y ética, y destacando el papel del traductor como mediador cultural entre textos, lenguas y comunidades lectoras.

Por qué las bibliotecas son más importantes que nunca para la democracia

Chon, Margaret (2026) «Why Libraries Matter Now More Than Ever to Democracy: Legal and Policy Issues Affecting the Future of Public Knowledge,» Seattle University Law Review Online: Vol. 49, Article 1. Available at: https://digitalcommons.law.seattleu.edu/sulro/vol49/iss1/1

El conocimiento público es un bien común tan esencial como el aire o el agua, y su existencia no puede darse por sentada. En una sociedad plural, donde conviven perspectivas diversas y en ocasiones irreconciliables, las bibliotecas desempeñan un papel clave al preservar la visibilidad del debate intelectual a lo largo del tiempo. Esta función permite que cada generación pueda acceder a las huellas del conocimiento, revisarlas críticamente y continuar el proceso de construcción cultural y democrático. Desde esta perspectiva, las bibliotecas no son únicamente depósitos de información, sino infraestructuras fundamentales para la deliberación democrática y la continuidad del pensamiento público.

La autora sitúa su reflexión en un contexto político contemporáneo marcado por tensiones institucionales y por lo que interpreta como amenazas crecientes a la infraestructura del conocimiento. En este escenario, destaca la importancia de las bibliotecas como instituciones que garantizan el acceso estable, plural y no partidista a la información. Sin embargo, advierte que estas instituciones han sido frecuentemente infravaloradas o mal comprendidas, a pesar de su papel silencioso pero decisivo en la protección del acceso ciudadano al conocimiento y, por extensión, en el equilibrio de poder frente a posibles formas de opresión estatal o privada.

Un eje central del texto es la importancia de las bibliotecas federales en Estados Unidos, especialmente la Library of Congress, presentada como una institución singular tanto por su magnitud como por su valor simbólico y funcional. Chon destaca que esta biblioteca alberga colecciones de enorme relevancia histórica y cultural, desde la Biblia de Gutenberg hasta manuscritos fundacionales del país y testimonios de la esclavitud. Más allá de su función como archivo, también actúa como organismo de referencia legislativa y como pieza clave en el sistema de derechos de autor, lo que refuerza su carácter híbrido entre institución cultural, jurídica y política.

El artículo también subraya la fragilidad institucional de estas estructuras en el contexto político reciente. Se describen episodios de tensiones en torno a la financiación de bibliotecas y museos federales, así como controversias sobre el liderazgo y la independencia de la Library of Congress y de la Oficina de Derechos de Autor. Estos acontecimientos son interpretados como síntomas de una vulnerabilidad estructural que afecta a la estabilidad del sistema de conocimiento público, al tiempo que ponen de relieve la necesidad de proteger la autonomía de estas instituciones frente a posibles interferencias del poder ejecutivo.

En el marco del simposio que la autora introduce, se agrupan diversas contribuciones académicas que analizan las bibliotecas desde tres perspectivas complementarias. La primera se centra en el papel de las bibliotecas federales como infraestructuras democráticas de información; la segunda aborda los problemas constitucionales relacionados con la separación de poderes y la estructura institucional de la Library of Congress; y la tercera examina los desafíos que plantea el entorno digital, especialmente en relación con las licencias de contenidos y las restricciones legales que afectan al acceso al conocimiento en bibliotecas públicas.

En relación con el segundo bloque, se discuten propuestas para reformar la estructura institucional de la Library of Congress, particularmente en lo que respecta a la ubicación y funciones de la Oficina de Derechos de Autor. El debate gira en torno a la necesidad de clarificar las competencias entre funciones legislativas, ejecutivas y administrativas, con el objetivo de proteger la independencia de la institución y garantizar la continuidad de su misión pública. Esta discusión refleja tensiones más amplias en el diseño constitucional del sistema estadounidense y en la interpretación de la separación de poderes en el ámbito del conocimiento.

El tercer bloque aborda el impacto de la digitalización y de los modelos de licencia sobre el acceso a la información en bibliotecas. Se argumenta que los contratos digitales han introducido nuevas barreras que limitan la capacidad de las bibliotecas para conservar, prestar y preservar contenidos en formato electrónico. Frente a ello, algunos autores proponen soluciones basadas en el depósito legal y en la propiedad pública de los materiales depositados, mientras que otros analizan las consecuencias más amplias de la privatización del acceso al conocimiento, incluyendo problemas de vigilancia digital y desinformación.

En conjunto, el texto concluye con una reflexión de carácter normativo y casi programático: la defensa de las bibliotecas no es únicamente una cuestión técnica o profesional, sino una condición esencial para la supervivencia de la democracia. En un contexto histórico marcado por celebraciones fundacionales y al mismo tiempo por incertidumbres políticas, la autora reivindica la necesidad de reforzar las instituciones del conocimiento público como garantía de continuidad democrática, justicia informativa y memoria colectiva.

Lo que 81 000 personas realmente desean de la IA

Hinkle, Mark R. “What 81,000 People Want From AI: Human-AI Behavior Study.” The Artificially Intelligent Enterprise, 2026. https://www.theaienterprise.io/p/what-81000-people-want-from-ai-human-ai-behavior-study


Anthropic entrevistó a 81 000 usuarios de Claude en 159 países. La esperanza y el miedo conviven en la misma persona. Esto es lo que significa para quienes implementan la IA en el ámbito laboral.

Se trata de uno de los estudios más amplios realizados hasta la fecha sobre comportamiento humano frente a la inteligencia artificial, basado en entrevistas a 81.000 usuarios de Claude en 159 países. El trabajo busca responder a una pregunta central en la adopción de la IA en entornos laborales y personales: qué esperan realmente las personas de estas herramientas y qué temen de ellas al mismo tiempo. El hallazgo principal es que la relación con la IA no es dicotómica, sino ambivalente: los mismos usuarios que perciben beneficios claros también expresan preocupaciones profundas sobre dependencia, pérdida de autonomía y posibles efectos en su desarrollo cognitivo.

Uno de los resultados más relevantes del estudio es la llamada dinámica de “luz y sombra” (light and shade), que muestra cómo la esperanza y el miedo coexisten en un mismo individuo. Las personas valoran la IA como una herramienta para aumentar la productividad, reducir la carga mental y abrir nuevas oportunidades de aprendizaje o emprendimiento. Sin embargo, simultáneamente temen que esa misma tecnología pueda erosionar su capacidad de pensar por sí mismos o generar una dependencia excesiva. Esta tensión interna redefine la forma en que deben diseñarse las estrategias de adopción tecnológica, ya que no existe un usuario puramente entusiasta ni uno completamente escéptico, sino perfiles mixtos que combinan ambas posturas.

El estudio también identifica diferencias significativas según contexto geográfico y socioeconómico. En economías más desarrolladas, la IA se percibe principalmente como una herramienta para gestionar la sobrecarga cognitiva del trabajo moderno: correos, decisiones rutinarias y tareas administrativas. En cambio, en contextos con menos recursos, la inteligencia artificial se interpreta más como una palanca de acceso a oportunidades económicas, formación y emprendimiento. Esta divergencia sugiere que la “utilidad” de la IA no es universal, sino profundamente dependiente del entorno social en el que se utiliza.

Otro eje central del análisis es la experiencia de productividad. Aunque una gran mayoría de usuarios afirma haber mejorado su rendimiento, el estudio introduce una matización importante: muchos describen un fenómeno de “productividad ilusoria”, en el que se produce más trabajo pero no necesariamente se percibe una mejora equivalente en bienestar o control del tiempo. En otras palabras, la IA acelera el ritmo de producción, pero no siempre libera tiempo de forma tangible para el usuario, lo que puede generar sensación de sobrecarga en lugar de alivio.

En el plano de las preocupaciones, destacan tres grandes categorías: la pérdida de autonomía, el temor a la sustitución laboral y el posible deterioro de habilidades cognitivas. Este último punto aparece especialmente en sectores educativos, donde se observa la preocupación de que el uso intensivo de IA pueda debilitar procesos de aprendizaje profundo. El estudio subraya que estas preocupaciones no son abstractas, sino que están relacionadas con el nivel de exposición real a la automatización de tareas en cada profesión.

Por otro lado consideran que la implementación de la inteligencia artificial en entornos laborales no puede basarse únicamente en métricas de adopción o eficiencia. Es necesario considerar también la experiencia subjetiva de los usuarios, ya que la coexistencia de entusiasmo y ansiedad puede influir en la sostenibilidad de estas tecnologías a largo plazo. El desafío no es únicamente tecnológico, sino organizativo y cultural: diseñar sistemas que no solo aumenten la productividad, sino que también preserven la percepción de control, aprendizaje y bienestar de las personas que los utilizan

La inteligencia artificial busca artículos científicos, pero ¿Cómo evaluar sus resultados?

Aaron Tay. “AI Academic Search and the Missing Benchmark Problem”. Aaron Tay’s Musings about Librarianship, 2026.

Uno de los problemas más importantes en la evaluación de los sistemas de búsqueda académica basados en inteligencia artificial: la ausencia de estándares de referencia sólidos y compartidos. Mientras proliferan herramientas como Elicit, Consensus, Scite, Scopus AI o los sistemas de “Deep Research”, existe una gran dificultad para determinar objetivamente cuál de ellas ofrece mejores resultados, ya que no disponemos de benchmarks ampliamente aceptados que permitan comparar su rendimiento de forma rigurosa.

Tay señala que la situación recuerda a los primeros años de otros campos de la inteligencia artificial, donde los avances tecnológicos fueron más rápidos que los mecanismos de evaluación. Muchas plataformas promocionan capacidades como la búsqueda semántica, la recuperación aumentada por generación (RAG), la identificación automática de literatura relevante o la elaboración de revisiones bibliográficas asistidas por IA. Sin embargo, los usuarios suelen disponer únicamente de demostraciones comerciales o ejemplos seleccionados por los propios desarrolladores, lo que dificulta conocer el rendimiento real de estas herramientas en contextos de investigación auténticos.

Uno de los argumentos centrales del autor es que la búsqueda académica constituye un problema mucho más complejo que responder preguntas generales. No basta con recuperar documentos relacionados; también es necesario encontrar trabajos relevantes aunque utilicen terminología diferente, identificar literatura seminal, reconocer relaciones de citación y ofrecer resultados adecuados para distintas etapas del proceso investigador. Debido a ello, evaluar únicamente la precisión de una respuesta generada por IA resulta insuficiente.

El artículo destaca además que muchas pruebas actuales se centran en tareas demasiado simples. Un sistema puede responder correctamente a preguntas factuales concretas y aun así fracasar cuando se enfrenta a necesidades reales de investigación, como localizar artículos fundamentales omitidos en una revisión bibliográfica, detectar debates emergentes o construir estrategias de búsqueda exhaustivas. Tay sostiene que los escenarios de evaluación deberían reflejar mejor las tareas cotidianas de investigadores, estudiantes y bibliotecarios.

Otro problema importante es la falta de transparencia. Muchas herramientas académicas basadas en IA funcionan mediante modelos propietarios cuyos índices documentales, algoritmos de recuperación y mecanismos de clasificación no son públicos. Como consecuencia, resulta difícil reproducir experimentos o comprender por qué dos sistemas ofrecen resultados distintos ante la misma consulta. Esta opacidad limita la posibilidad de desarrollar evaluaciones comparables y acumulativas.

Tay también subraya que la calidad de un sistema RAG depende de dos componentes distintos: la recuperación de información y la generación de respuestas. Un modelo puede producir un texto aparentemente convincente pero basado en documentos poco relevantes, o bien recuperar excelentes artículos y resumirlos de forma deficiente. Por ello, propone evaluar por separado la capacidad de recuperación y la fidelidad de la síntesis generada.

En sus análisis previos sobre herramientas de búsqueda académica, el autor ha mostrado que algunos sistemas especializados fracasan en tareas relativamente sencillas para un investigador humano, mientras que modelos generales pueden resolverlas con más eficacia. Estos resultados sugieren que muchas plataformas funcionan mediante flujos de trabajo predefinidos que son muy eficaces en determinados escenarios, pero menos flexibles cuando la consulta se aparta de los casos previstos por sus diseñadores.

El texto conecta además con una cuestión más amplia dentro de la inteligencia artificial: la importancia de los benchmarks. Históricamente, disciplinas como el procesamiento del lenguaje natural o la visión artificial han avanzado gracias a conjuntos de pruebas estandarizados que permiten comparar sistemas bajo condiciones comunes. Sin estándares equivalentes para la búsqueda académica asistida por IA, resulta difícil distinguir entre mejoras reales y simples estrategias de marketing.

Aaron Tay defiende la necesidad de construir marcos de evaluación abiertos, transparentes y orientados a tareas reales de investigación. Solo mediante benchmarks compartidos será posible determinar qué herramientas mejoran verdaderamente el descubrimiento académico y cuáles simplemente generan respuestas convincentes. Para bibliotecarios, investigadores y responsables institucionales, esta cuestión resulta especialmente relevante en un momento en que las plataformas de búsqueda basadas en IA comienzan a integrarse en bases de datos científicas, catálogos bibliotecarios y servicios de apoyo a la investigación.

El sesgo negativo de la inteligencia artificial

Newspapers with headlines about AI riots, superintelligence, robot overlords, and humanity's downfall
A newsstand features alarming headlines about AI causing global chaos and extinction risks.

Bloom, Sahil. “AI Negativity Bias: Why You Only Hear About AI Doom.” The Curiosity Chronicle, 6 de marzo de 2026. The Curiosity Chronicle

Se analiza cómo los discursos pesimistas sobre la inteligencia artificial dominan el debate público y las redes sociales. El autor observa que las noticias que anuncian despidos masivos, crisis económicas o la sustitución inminente de los trabajadores por sistemas de IA se difunden con enorme rapidez, mientras que las visiones más equilibradas u optimistas reciben mucha menos atención. Según Bloom, esta situación no refleja necesariamente la realidad tecnológica, sino un fenómeno psicológico ampliamente estudiado: el sesgo de negatividad.

Para explicar este fenómeno, Bloom cita investigaciones sobre el comportamiento de los usuarios en internet. Un estudio de 2023 que analizó más de 105.000 titulares y 370 millones de impresiones concluyó que cada palabra negativa adicional en un titular aumenta significativamente la probabilidad de que una persona haga clic en él. Esta dinámica genera lo que el autor denomina un “bucle de negatividad”: los contenidos alarmistas obtienen más atención, los creadores producen más mensajes de ese tipo y los algoritmos los amplifican porque generan interacción y beneficios económicos. El resultado es una percepción distorsionada de la realidad, donde los escenarios más extremos parecen más probables de lo que realmente son.

Frente a este panorama, Bloom propone adoptar una visión más equilibrada de la inteligencia artificial. Reconoce que la IA puede provocar transformaciones profundas y disrupciones laborales, pero sostiene que también puede generar nuevas oportunidades. Recuerda que, históricamente, las grandes innovaciones tecnológicas han provocado incertidumbre inicial antes de impulsar mejoras en productividad, nuevas industrias y formas inéditas de trabajo. En este sentido, diferencia entre la existencia de una tecnología y su adopción masiva, señalando que la integración real de la IA en la economía está condicionada por múltiples limitaciones técnicas, energéticas y organizativas.

El autor también argumenta que los aumentos de productividad no necesariamente conducen al desempleo generalizado. Apoyándose en reflexiones económicas sobre el impacto histórico de la innovación, sostiene que una mayor eficiencia suele reducir costes, ampliar la demanda y crear nuevas actividades económicas. Desde esta perspectiva, la IA podría convertirse en una herramienta capaz de ampliar las capacidades humanas más que de reemplazarlas completamente.

Otro aspecto central del texto es la defensa de la curiosidad y la capacidad de adaptación. Bloom considera que las personas que aprendan a utilizar la IA como una herramienta para crear, emprender y desarrollar nuevas habilidades estarán mejor posicionadas para prosperar. A su juicio, la tecnología está reduciendo el peso de las credenciales tradicionales y aumentando la importancia del valor que cada individuo es capaz de generar. Por ello, interpreta la actual revolución tecnológica como una oportunidad especialmente favorable para quienes mantengan una actitud abierta al aprendizaje continuo.

Finalmente, el autor reivindica el valor del optimismo informado. No propone ignorar los riesgos de la inteligencia artificial, sino evitar que el miedo y el sensacionalismo monopolicen la conversación pública. Su mensaje central es que los cambios tecnológicos siempre implican incertidumbre, pero también capacidad de adaptación humana. En consecuencia, recomienda construir una “dieta informativa” más equilibrada, consciente de los incentivos que favorecen las narrativas alarmistas y abierta a considerar tanto los riesgos como las posibilidades que ofrece la IA.

Como contrapunto académico, diversos investigadores han señalado que los ciclos de entusiasmo y pesimismo han acompañado históricamente al desarrollo de la inteligencia artificial, alternando periodos de expectativas exageradas con fases de desilusión. Esta perspectiva ayuda a contextualizar tanto el actual entusiasmo como los discursos catastrofistas que proliferan en torno a la IA.

La omnipresencia de la inteligencia artificial

La omnipresencia de la inteligencia artificial. BNP Paribas Asset Management. (2024) Disponible en: Documento de BNP Paribas Asset Management

La inteligencia artificial se ha convertido en una tecnología transversal capaz de transformar sectores económicos, procesos empresariales y modelos de negocio a escala global. El informe destaca que el desarrollo de sistemas de IA generativa, aprendizaje automático y automatización avanzada está impulsando aumentos de productividad, mejoras en la toma de decisiones y nuevas oportunidades de innovación en ámbitos tan diversos como las finanzas, la salud, la industria, la educación y los servicios digitales.

Asimismo, el texto subraya que la expansión de la IA plantea importantes desafíos relacionados con la gobernanza tecnológica, la protección de datos, la regulación, la transparencia algorítmica y el impacto sobre el empleo. La adopción masiva de estas herramientas exige desarrollar marcos éticos y normativos que permitan aprovechar sus beneficios sin comprometer derechos fundamentales ni aumentar desigualdades sociales y económicas.

Desde una perspectiva económica y de inversión, el informe señala que la IA está redefiniendo cadenas de valor completas y generando nuevas oportunidades para empresas vinculadas al software, los semiconductores, la computación en la nube, la gestión de datos y las infraestructuras digitales. Al mismo tiempo, advierte que el entusiasmo por estas tecnologías debe acompañarse de una evaluación rigurosa de los riesgos asociados a la concentración del mercado, la ciberseguridad y la sostenibilidad de los modelos de crecimiento impulsados por la inteligencia artificial

Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis

Cabrera Huaycochea, Daril. 2025. Declaración del uso de inteligencia artificial en la redacción de artículos académicos y tesis: Hacia un estándar ético y transparente para la producción científica en la era de los modelos de lenguaje de gran escala. ResearchGate. Consultado el 30 de mayo de 2026.

Texto completo

La expansión de los modelos de lenguaje de gran escala, como GPT, Claude o Gemini, ha transformado profundamente la producción académica, facilitando tareas como la redacción, la síntesis bibliográfica y la revisión textual. Sin embargo, este avance tecnológico no ha ido acompañado de normas homogéneas para declarar su utilización, generando importantes desafíos éticos relacionados con la transparencia, la autoría y la evaluación del mérito académico. El artículo de analiza esta problemática y propone un marco estandarizado para la declaración del uso de inteligencia artificial en artículos científicos y tesis.

El autor examina las políticas adoptadas por algunas de las principales instituciones y editoriales científicas internacionales, entre ellas arXiv, Elsevier, Nature y el Comité de Ética en Publicaciones (COPE). Aunque existen diferencias en los procedimientos, todas coinciden en dos principios fundamentales: las herramientas de inteligencia artificial no pueden ser consideradas autoras de trabajos académicos y cualquier utilización relevante debe ser declarada de manera explícita. Estas organizaciones subrayan que la responsabilidad sobre la exactitud, integridad y ética de los contenidos recae siempre en los autores humanos.

Uno de los principales aportes del trabajo es la formulación de una taxonomía de cuatro niveles de declaración. El Nivel 1 corresponde a trabajos elaborados sin IA generativa; el Nivel 2 contempla el uso de herramientas para corrección gramatical y estilística; el Nivel 3 incluye la generación de borradores, síntesis o análisis supervisados por los autores; y el Nivel 4 se refiere a aquellos casos en los que la IA participa de forma sustancial en la estructura argumentativa o conceptual del trabajo. El objetivo de esta clasificación no es juzgar moralmente los distintos usos de la tecnología, sino ofrecer un marco de transparencia que permita comprender el grado de intervención tecnológica en cada investigación.

El artículo también proporciona modelos prácticos de declaración para revistas científicas y tesis universitarias. Estas plantillas buscan facilitar la adopción de estándares comunes que permitan describir qué herramientas se utilizaron, en qué fases del proceso participaron y qué mecanismos de revisión humana se aplicaron posteriormente. Según el autor, la normalización de estas declaraciones contribuiría a reducir la ambigüedad normativa y fomentaría una cultura de integridad académica basada en la transparencia y la responsabilidad.

Se presta especial atención al contexto latinoamericano, donde identifica importantes desafíos relacionados con la desigualdad en el acceso a tecnologías avanzadas, la obsolescencia de los reglamentos universitarios y los sesgos lingüísticos de los modelos entrenados principalmente en inglés. Ante esta situación, propone que las universidades actualicen sus normativas y distingan claramente entre el uso declarado de la inteligencia artificial y el fraude académico por ocultamiento u omisión. La conclusión central del trabajo es que el verdadero debate no debe centrarse en prohibir o permitir la IA, sino en garantizar que su utilización sea transparente, verificable y compatible con los principios fundamentales de la integridad científica.

La búsqueda en IA para la ciencia aún depende de los metadatos

Man searching academic articles with AI software on computer in library
A man uses AI-powered research software in a library setting.

Hansen, Stephanie Lovegrove. 2026. “Scholarly AI Search Shortcomings and the Need for Better Metadata.” The Scholarly Kitchen, 29 de mayo de 2026. https://scholarlykitchen.sspnet.org/2026/05/29/guest-post-scholarly-ai-search-shortcomings-and-the-need-for-better-metadata

El artículo defiende que el futuro de la búsqueda académica no será una sustitución de los sistemas actuales, sino un modelo híbrido en el que coexistan la búsqueda por palabras clave, la IA generativa y los sistemas de metadatos enriquecidos. En este escenario, la calidad, estandarización y estructura de los metadatos se convierten en un elemento clave: sin ellos, incluso los sistemas de IA más avanzados no pueden ofrecer resultados fiables ni plenamente utilizables en entornos científicos.

Se analiza las limitaciones actuales de los sistemas de búsqueda académica basados en inteligencia artificial y sostiene que su rendimiento depende de forma crítica de la calidad de los metadatos subyacentes. A partir de la evaluación de herramientas de descubrimiento científico impulsadas por IA, la autora argumenta que estos sistemas aún no logran sustituir de manera fiable a la búsqueda tradicional basada en palabras clave, especialmente cuando se trata de consultas precisas, técnicas o altamente estructuradas.

Uno de los problemas centrales es la dificultad de las herramientas de IA para manejar con precisión información exacta como fórmulas, datos químicos, identificadores o referencias bibliográficas específicas. Aunque la IA destaca en tareas de síntesis y en la exploración de preguntas abiertas en lenguaje natural, tiende a fallar en escenarios donde la exactitud, la reproducibilidad y la trazabilidad son esenciales. Esto genera una tensión entre dos modelos de descubrimiento: el tradicional, basado en control y precisión, y el emergente, centrado en interpretación y síntesis automática.

El texto subraya además la opacidad de muchos sistemas de IA, que dificulta comprender por qué un resultado es recuperado o no. Esta falta de transparencia afecta directamente a la confianza de los usuarios y complica su uso en contextos académicos formales, como revisiones sistemáticas o investigación regulatoria.

No me gusta leer: de la prescripción a la mediación con Elisa Yuste. Planeta Biblioteca 2026/05/29

No me gusta leer: de la prescripción a la mediación.

Planeta Biblioteca 2026/07/29

ESCUCHAR

Descargar

Información e inscripción

IV Jornada Profesional «No me gusta leer»

sábado 6 de junio Torre de los Anaya (Salamanca)

Matricula 15 Euros

Entrevistamos a Elisa Yuste en el programa Planeta Biblioteca de Radio USAL con motivo de la jornada «No me gusta leer: de la prescripción a la mediación», organizada por La SAL Asociación en Salamanca para el día 6 de junio de 2026. La conversación aborda las causas de la desafección lectora y los cambios en los hábitos culturales contemporáneos. Yuste reflexiona sobre el paso de la prescripción lectora tradicional a modelos de mediación más abiertos, sociales y participativos. También analiza el papel de las comunidades lectoras y el impacto de lo digital en la mediación cultural. Se destaca la importancia de la formación de profesionales del libro para acompañar nuevas formas de lectura. La entrevista ofrece claves para repensar cómo se fomenta la lectura desde bibliotecas, educación y entorno cultural.