La empresa de inteligencia artificial Anthropic, desarrolladora de la familia de modelos Claude, ha planteado la posibilidad de una pausa temporal y coordinada en el desarrollo de los sistemas de IA más avanzados del mundo. La compañía sostiene que la velocidad a la que progresan estos modelos podría superar la capacidad de las instituciones, los gobiernos y la sociedad para comprenderlos, regularlos y garantizar que actúen de forma segura.
El argumento central de Anthropic es que las nuevas generaciones de IA están mostrando capacidades cada vez más autónomas y podrían acercarse a un escenario denominado recursive self-improvement (auto-mejora recursiva). Este concepto describe una situación en la que un sistema de inteligencia artificial sería capaz de diseñar y desarrollar versiones más avanzadas de sí mismo con una intervención humana mínima. Según la empresa, aunque este escenario todavía no se ha producido, la tendencia observada apunta a que podría convertirse en una posibilidad real en un futuro relativamente cercano.
La compañía considera que disponer de la opción de ralentizar o suspender temporalmente el desarrollo de los modelos de frontera permitiría que la investigación en alineamiento, seguridad y gobernanza avanzara al mismo ritmo que la tecnología. Desde esta perspectiva, una pausa no tendría como objetivo detener permanentemente la innovación, sino conceder tiempo para construir mecanismos de supervisión y control que reduzcan los riesgos asociados a sistemas cada vez más poderosos.
Sin embargo, Anthropic reconoce que una suspensión unilateral sería ineficaz. Si una sola empresa decidiera frenar sus investigaciones mientras otras continuaran avanzando, estas últimas obtendrían una ventaja competitiva significativa. Por ello, la compañía insiste en que cualquier medida de este tipo debería ser internacional, verificable y coordinada entre los principales laboratorios de IA y las grandes potencias tecnológicas, especialmente Estados Unidos y China.
La propuesta ha generado un intenso debate en el sector tecnológico. Algunos expertos y responsables políticos consideran que la advertencia es razonable y refleja preocupaciones legítimas sobre la seguridad y el control de sistemas cada vez más sofisticados. Otros, en cambio, sostienen que la iniciativa podría responder también a intereses estratégicos de la propia Anthropic, buscando influir en la regulación del sector o limitar el avance de competidores.
El trasfondo de esta discusión es la creciente preocupación por el impacto social, económico y político de la inteligencia artificial. Anthropic advierte de que la cuestión ya no se limita a la automatización del empleo o a la productividad, sino que afecta a problemas más profundos relacionados con la capacidad humana para mantener el control sobre sistemas que podrían llegar a superar nuestras capacidades en determinadas tareas. La empresa considera que este desafío exige una conversación global sobre gobernanza, regulación y seguridad antes de que la tecnología alcance niveles aún más avanzados.
El informe presenta los resultados de las encuestas anuales de la Audio Publishers Association (APA), elaboradas junto a firmas de investigación como Edison Research y Toluna, que analizan la evolución del mercado de audiolibros en Estados Unidos durante 2025 y 2026. Los datos muestran un crecimiento sostenido del sector, con ventas que alcanzan los 2,43 mil millones de dólares en 2025, lo que supone un aumento del 9 % respecto al año anterior. Este crecimiento se acompaña de una expansión significativa del catálogo, que supera las 750.000 obras activas, un 43 % más que en 2024.
En cuanto al consumo, el estudio indica que aproximadamente el 58 % de los adultos estadounidenses ha escuchado al menos un audiolibro, lo que equivale a unos 157 millones de personas. Los oyentes consumen una media de 3,8 audiolibros al año, y más de una cuarta parte escucha cuatro o más títulos anualmente. El acceso a los audiolibros es diverso, combinando compras directas, suscripciones, préstamos en bibliotecas digitales y sistemas de créditos de plataformas especializadas.
El informe también destaca tendencias de comportamiento: la principal motivación para escuchar audiolibros es la posibilidad de realizar multitarea y el consumo “en movimiento”. Asimismo, se observa un crecimiento de la producción de audiolibros narrados con inteligencia artificial, aunque la disposición del público a consumirlos ha disminuido ligeramente. Por otro lado, el estudio identifica a la ficción como el principal motor del mercado, con especial crecimiento en géneros como romance, ciencia ficción y literatura juvenil.
En conjunto, las encuestas reflejan un sector en expansión, cada vez más diversificado en formatos, plataformas y hábitos de consumo, donde los audiolibros consolidan su papel como una de las principales formas de consumo de contenido narrativo digital.
Universitat Oberta de Catalunya (UOC). ¿Cómo citar la IA en los trabajos?Barcelona: Biblioteca de la UOC. Disponible en: https://hdl.handle.net/10609/148823
La guía elaborada por la Biblioteca de la Universitat Oberta de Catalunya ofrece orientaciones prácticas para el uso responsable y la correcta citación de herramientas de inteligencia artificial generativa en trabajos académicos y científicos.
El documento parte de la premisa de que la IA puede ser un apoyo útil para la investigación y la redacción, pero advierte que sus resultados deben verificarse siempre, ya que estas herramientas pueden proporcionar información incorrecta o incluso inventar fuentes bibliográficas. Por ello, recomienda solicitar las fuentes utilizadas por la IA, contrastarlas críticamente y citar directamente las fuentes originales cuando sean fiables. Además, cuando la IA forme parte del proceso de investigación, su utilización debe describirse explícitamente en la metodología del trabajo.
La publicación distingue entre la citación de una conversación mantenida con una herramienta de IA y la citación de la propia herramienta. Una conversación solo debería citarse cuando exista un enlace permanente y público que permita a otras personas recuperar y consultar el contenido exacto del diálogo. En aquellos casos en que la conversación no pueda compartirse por razones técnicas, éticas o de privacidad, la recomendación es citar únicamente la herramienta empleada, indicando claramente que se utilizó como apoyo durante la elaboración del trabajo.
La guía también aclara cuándo no es necesario citar la IA. Por ejemplo, no se requiere referencia cuando la herramienta se utiliza únicamente para localizar fuentes de información, del mismo modo que no se cita un buscador web o una base de datos. Tampoco suele ser necesario citar funciones de IA integradas en programas de uso cotidiano. Sin embargo, cuando la inteligencia artificial constituye una parte relevante del método de investigación, su utilización debe documentarse obligatoriamente.
Uno de los aspectos más valiosos del documento es su análisis comparativo de distintos estilos de citación. La UOC señala que, aunque todavía no existe una normalización universal, algunos estilos han comenzado a desarrollar pautas específicas. Entre ellos destaca especialmente APA, considerado el sistema que ofrece actualmente las orientaciones más completas y detalladas para referenciar contenidos generados mediante inteligencia artificial. Además, se subraya que las respuestas de los sistemas generativos son dinámicas y pueden variar entre sesiones, por lo que es importante documentar el texto exacto utilizado, incorporándolo en anexos o materiales suplementarios cuando resulte relevante para la comprensión del trabajo.
El documento dedica apartados específicos a los estilos APA, Vancouver, ISO 690, Chicago y Harvard. Para cada uno de ellos proporciona modelos concretos de referencia bibliográfica y ejemplos de citas dentro del texto. En términos generales, la recomendación es incluir la conversación en la bibliografía únicamente cuando exista una URL pública y permanente. En caso contrario, la referencia debe limitarse al texto o a notas explicativas. La guía adapta además las normas de estilos que todavía no contemplan oficialmente la inteligencia artificial, ofreciendo propuestas prácticas para mantener la coherencia académica y la trazabilidad de las fuentes utilizadas.
Finalmente, la guía insiste en la necesidad de actuar con transparencia académica. Los autores recomiendan informar siempre del uso de herramientas de IA cuando estas hayan intervenido en la elaboración, revisión, traducción o generación de contenidos. Esta transparencia permite evaluar adecuadamente el proceso de trabajo, favorece la reproducibilidad de la investigación y contribuye a mantener la integridad académica en un contexto en el que las tecnologías generativas están adquiriendo un papel cada vez más relevante en la producción de conocimiento
Estrés, es una joven banda salmantina de indie rock formada por Nila Iglesias, Teresa Sánchez Cañas, Emma Cabrero y Lara Kcam, que ha logrado hacerse un hueco en la escena musical local gracias a su personalidad artística y su energía sobre el escenario. A lo largo de la conversación, las integrantes explican cómo nació el grupo, el significado de su nombre y la manera en que construyen sus canciones. También reflexionan sobre los temas que inspiran sus letras, sus influencias musicales y la identidad que han desarrollado pese a mezclar distintos estilos. La entrevista aborda además el papel de la escena cultural salmantina en su crecimiento y su experiencia como banda integrada exclusivamente por mujeres. Finalmente, comparten sus aspiraciones de futuro, sus artistas soñados para colaborar y el mensaje de confianza y libertad creativa que desean transmitir a las nuevas generaciones de músicas.
Un Bookface es una actividad creativa y fotográfica que consiste en alinear la portada de un libro con una persona o un entorno real, de manera que la imagen de la cubierta se integre visualmente con la realidad y parezca una sola escena.
El Bookface es una técnica fotográfica creativa que consiste en combinar la portada de un libro con una persona, un objeto o un escenario real para crear una ilusión visual en la que ambos elementos parecen formar una única imagen. La clave de esta práctica reside en la alineación precisa entre la ilustración o fotografía de la cubierta y la realidad que la rodea. De este modo, una cara impresa en un libro puede convertirse en el rostro de una persona real, o un paisaje representado en la portada puede prolongarse de manera natural en el entorno donde se realiza la fotografía. El resultado suele ser sorprendente, divertido y visualmente atractivo, lo que explica su enorme popularidad en bibliotecas, centros educativos, librerías y redes sociales.
Esta práctica comenzó a ganar notoriedad durante la década de 2010 gracias a la difusión de fotografías en plataformas digitales bajo etiquetas como #Bookface o #BookfaceFriday. Bibliotecarios, docentes, estudiantes y lectores descubrieron en esta actividad una forma original de acercarse a los libros y de compartir su pasión por la lectura. A diferencia de otras iniciativas de promoción lectora basadas exclusivamente en la recomendación de obras, el Bookface introduce un componente artístico y participativo que invita a los usuarios a interactuar físicamente con los libros y a observar sus portadas desde una perspectiva diferente. La actividad combina elementos de fotografía, diseño visual, creatividad y expresión personal, convirtiendo al libro en protagonista de una experiencia cultural dinámica.
En el ámbito bibliotecario, el Bookface se ha consolidado como una herramienta eficaz para fomentar la lectura y aumentar la visibilidad de las colecciones. Muchas bibliotecas organizan concursos, exposiciones y campañas en redes sociales en las que usuarios y profesionales comparten sus creaciones. Estas iniciativas contribuyen a proyectar una imagen más cercana, innovadora y participativa de las bibliotecas, especialmente entre el público joven. Además, permiten destacar libros que podrían pasar desapercibidos en las estanterías, ya que la búsqueda de cubiertas adecuadas para realizar un Bookface lleva a los participantes a explorar géneros, autores y títulos muy diversos.
Desde una perspectiva educativa, el Bookface también posee un importante valor pedagógico. La actividad estimula la observación, la creatividad y la capacidad de planificación, ya que requiere analizar cuidadosamente las características de la portada, seleccionar el encuadre adecuado y coordinar la posición de los elementos para lograr el efecto deseado. Asimismo, favorece el trabajo colaborativo cuando se realiza en grupo y puede integrarse en proyectos relacionados con la lectura, las artes visuales, la alfabetización mediática o la comunicación digital. Al mismo tiempo, ayuda a desarrollar competencias vinculadas al uso de la imagen y a la comprensión de cómo se construyen los mensajes visuales.
El éxito del Bookface radica en su capacidad para transformar un objeto cotidiano como el libro en una experiencia interactiva y creativa. No se trata únicamente de una fotografía ingeniosa, sino de una forma de establecer nuevas conexiones entre las personas y los libros. Gracias a su sencillez y a los escasos recursos que requiere, cualquier biblioteca, escuela o lector puede participar en esta práctica, convirtiendo la promoción de la lectura en una actividad lúdica, participativa y altamente atractiva para la sociedad digital contemporánea.
Este informe final es el resultado del trabajo del Task Group del Program for Cooperative Cataloging (PCC) creado en diciembre de 2023 con el objetivo de analizar el impacto actual y potencial de la inteligencia artificial (IA) y el aprendizaje automático en los procesos de catalogación y gestión de metadatos en bibliotecas. El grupo llevó a cabo un estudio exploratorio basado en una encuesta distribuida en marzo de 2024, que obtuvo 193 respuestas de profesionales del ámbito bibliotecario y de la información.
El documento parte de el informe Environmental scan sobre el uso emergente de la IA en bibliotecas, especialmente en tareas relacionadas con catalogación, descripción bibliográfica, normalización de metadatos y apoyo a la toma de decisiones en sistemas de información. A partir de los resultados de la encuesta, el informe identifica patrones comunes de adopción, preocupaciones profesionales y oportunidades de desarrollo en el uso de estas tecnologías.
Uno de los aportes centrales del informe es la identificación de seis grandes temas transversales que reflejan cómo la comunidad bibliotecaria está interpretando la incorporación de la IA. Estos temas incluyen cuestiones relacionadas con la calidad de los datos, la confianza en los sistemas automatizados, la necesidad de supervisión humana, la formación profesional, la interoperabilidad de sistemas y el impacto organizativo de estas tecnologías en los flujos de trabajo bibliotecarios.
A partir de este análisis, el Task Group formula un conjunto de recomendaciones estratégicas dirigidas al PCC, orientadas a guiar la integración responsable de la IA en la catalogación. Entre estas recomendaciones se incluyen la necesidad de promover la alfabetización en IA entre los profesionales, fomentar marcos de gobernanza y ética, y apoyar el desarrollo de estándares que aseguren la calidad y consistencia de los metadatos generados o asistidos por IA.
El informe también propone líneas de acción institucional, entre las que destacan tres grandes direcciones:
(1) fortalecer la colaboración con comunidades más amplias de gestión de datos y metadatos,
(2) fomentar una cultura de pluralismo tecnológico que no dependa de una única solución o proveedor, y
(3) mejorar la forma en que el PCC documenta, almacena y comparte el conocimiento generado en torno a estas tecnologías.
Finalmente, el documento incluye un compendio de recursos sobre IA y catalogación, destinado a ser difundido a través del PCC Wiki, con el objetivo de servir como base de referencia para bibliotecarios, catalogadores e investigadores interesados en la aplicación de IA en el ámbito de los metadatos.
En conjunto, este informe representa un paso significativo en la reflexión institucional del mundo bibliotecario sobre la inteligencia artificial, al situar el foco no solo en la adopción tecnológica, sino también en sus implicaciones éticas, organizativas y profesionales dentro de los sistemas de catalogación modernos.
Seleccionar textos “adecuados” garantiza que la lectura sea una experiencia agradable —en lugar de frustrante—. Pero ¿qué hace que un texto sea realmente adecuado? La publicación de hoy es otra entrega de una serie no oficial sobre la ciencia de la lectura en la biblioteca.* Nuestro tema: los factores a tener en cuenta al seleccionar textos para lectores emergentes.
Interés
En primer lugar, un texto adecuado es aquel que interesa al niño o la niña. El interés infantil está relacionado con la motivación y el compromiso necesarios para leer un texto. Por ejemplo: si a un niño le interesan los dinosaurios, podrías seleccionar Ricitos de Oro y los tres dinosaurios en lugar de Ricitos de Oro y los tres osos.
Frustración
Que un texto sea adecuado no depende solo del interés del lector, sino también de si los niños lo leerán de forma independiente, con apoyo o como lectura en voz alta. Es importante destacar que estas pautas están pensadas para limitar la frustración, no el acceso a los textos. Sabemos que los niños —especialmente en la fase prealfabética— pueden disfrutar e interactuar con las ilustraciones de un texto.
Lectura independiente: un texto adecuado para lectura autónoma es aquel que el niño puede leer con al menos un 95% de precisión, es decir, que puede leer correctamente el 95% o más de las palabras. Estos textos pueden ser decodificables, graduados o libros comerciales.
Lectura con apoyo: un texto adecuado para leer con ayuda es aquel que el niño puede leer con una precisión del 90–95%, es decir, entre el 90% y el 95% de las palabras correctamente.
Lectura en voz alta: un texto en el que el niño lee correctamente menos del 90% de las palabras es más apropiado para lectura en voz alta. En educación se consideran textos de “nivel frustracional” porque pueden generar frustración si se leen de forma autónoma. Sin embargo, los niños pueden disfrutar igualmente de las ilustraciones.
Conocimiento previo
Otro factor que hace que un texto sea “adecuado” es si el niño posee los conocimientos previos necesarios —incluido el vocabulario— para comprenderlo. Hay dos enfoques generales para garantizar este conocimiento previo. Uno es construirlo activamente en los niños. Siguiendo el marco de Rudine Sims Bishop, lo llamo el enfoque de las “ventanas”. Por ejemplo: antes de leer Goldy Luck and the Three Pandas, se puede enseñar a los niños sobre el Año Nuevo chino.
El otro enfoque es ofrecer textos que se basen en las experiencias vividas por los niños. A esto lo llamo el enfoque de los “espejos”. Por ejemplo: podrías seleccionar Goldy Luck and the Three Pandas precisamente porque trabajas con niños que celebran el Año Nuevo chino. Como se puede ver, ambos enfoques no son excluyentes.
El artículo describe la implementación y evolución de un chatbot de referencia basado en inteligencia artificial en la Biblioteca de la Universidad de Calgary, desarrollado como parte de un sistema de atención bibliotecaria híbrido que combina asistencia humana y automatizada.
El proyecto de implementación de un chatbot de referencia basado en inteligencia artificial en la Biblioteca de la Universidad de Calgary se inicia en un contexto de fuerte presión sobre los servicios de atención al usuario. Desde comienzos de la década de 2010 la biblioteca ya ofrecía un servicio de chat en vivo atendido por personal bibliotecario en horario limitado (de 9:00 a 17:00). Sin embargo, la pandemia de COVID-19 provocó un incremento extraordinario de la demanda, lo que obligó a replantear el modelo de atención. Las cifras ilustran claramente esta presión: mientras en 2019 el servicio gestionaba entre 500 y 900 chats mensuales, en septiembre de 2020 se alcanzaron los 3.077. Este crecimiento exponencial generó problemas de carga de trabajo, necesidad de más personal y la imposibilidad de ampliar indefinidamente el servicio humano.
A este aumento de demanda se sumaban otros factores estructurales. El servicio, al depender de personal, estaba limitado a determinadas franjas horarias, lo que dejaba sin cobertura a estudiantes que necesitaban ayuda por la noche o a primera hora de la mañana. Además, incluso los usuarios que se encontraban físicamente en la biblioteca utilizaban el chat por su comodidad, lo que reforzaba la idea de que existía una fuerte demanda de asistencia inmediata, independiente del espacio físico. A ello se añadía un análisis clave: muchas de las preguntas recibidas eran repetitivas o fácilmente automatizables. En paralelo, la iniciativa encajaba con las prioridades estratégicas de la universidad, centradas en la mejora del éxito estudiantil y en servicios más accesibles y centrados en el usuario. Todo ello llevó a considerar seriamente la implementación de un chatbot basado en IA.
En la fase de análisis inicial, el equipo bibliotecario realizó un estudio detallado de unas 3.000 interacciones de chat registradas durante un mes del periodo pandémico. Estas consultas se exportaron y clasificaron manualmente en categorías temáticas como información sobre espacios de estudio, impresión o servicios de préstamo. Este trabajo de codificación, realizado principalmente con Excel y con una inversión aproximada de 30 horas, permitió identificar patrones claros en la demanda. El resultado más relevante fue que entre un 14% y un 24% de las consultas eran de carácter direccional o básico (por ejemplo, “¿dónde está…?”), lo que indicaba un alto potencial de automatización. El equipo señaló además que el uso de herramientas más avanzadas, como Python, podría haber agilizado este proceso de análisis.
Con esta evidencia, el proyecto avanzó hacia la definición del alcance del chatbot. Se seleccionó un conjunto inicial de aproximadamente 50 preguntas frecuentes que representaban los tipos de consultas más adecuadas para un sistema automatizado. El objetivo no era cubrir todo el espectro de preguntas posibles, sino evitar la “expansión de alcance” (scope creep) y centrarse en un núcleo manejable y bien definido. Paralelamente, se eligió una solución tecnológica comercial que combinaba modelos de lenguaje grande (LLM) con técnicas de recuperación aumentada por generación (RAG), entrenada exclusivamente con el contenido web de la biblioteca, incluyendo guías temáticas (LibGuides), horarios y páginas informativas institucionales. Esto garantizaba que el chatbot no “inventara” información, sino que respondiera a partir de fuentes oficiales controladas.
La fase de implementación práctica comenzó en abril de 2021 con un equipo de ocho personas encargado de entrenar, probar y ajustar el sistema junto con el proveedor tecnológico. El proceso de prueba se centró en mejorar la consistencia de las respuestas y asegurar que el chatbot respondiera de forma fiable a las preguntas seleccionadas. En julio de 2021, el sistema se abrió a pruebas más amplias con la participación de más personal de la biblioteca. Finalmente, el chatbot se lanzó oficialmente el 16 de agosto de 2021 bajo el nombre de “T-Rex”, diferenciándolo del chatbot “Rex” ya existente en el campus (gestionado por el Registro académico).
Tras su lanzamiento, la biblioteca estableció un sistema estructurado de evaluación continua de calidad. Las respuestas del chatbot se revisan semanalmente de forma anónima y se puntúan en una escala de 1 a 5, donde 5 representa una respuesta completamente correcta y satisfactoria. Este sistema permitió identificar distintos niveles de rendimiento: respuestas perfectas (5/5) cuando el bot resolvía correctamente preguntas como la disponibilidad de bases de datos; respuestas muy buenas (4–5/5) incluso con pequeñas variaciones en la formulación o errores ortográficos del usuario; y respuestas deficientes (2/5) cuando el chatbot no podía responder porque la información no estaba presente en el sitio web, aunque en algunos casos intentaba ofrecer una orientación genérica. Este proceso de evaluación permitió no solo medir el rendimiento, sino también comprender las limitaciones estructurales del sistema basado en su “cerebro” documental.
A partir del análisis de las consultas reales tras el lanzamiento, el equipo comenzó a desarrollar respuestas personalizadas para preguntas recurrentes. Este trabajo se basó en la observación de patrones: si una pregunta aparecía más de tres veces por semana en interacciones distintas, se creaba una respuesta específica. Durante el primer año, este proceso requirió aproximadamente cinco horas semanales y permitió desarrollar entre 10 y 15 nuevas respuestas cada semana. También se abordaron problemas frecuentes como errores ortográficos en nombres de recursos (por ejemplo, PsycInfo, con múltiples variantes de escritura), que fueron incorporados al sistema para mejorar la recuperación de información.
Asimismo, se implementaron reglas específicas para gestionar casos complejos o sensibles. Un ejemplo fue la consulta sobre la devolución de libros previamente declarados como perdidos, donde una respuesta automática inicial resultó incorrecta. Este tipo de situaciones llevó al equipo a crear respuestas condicionadas: si el usuario menciona palabras clave como “lost” y “book”, el sistema activa una respuesta que deriva al usuario al contacto con personal bibliotecario. De manera similar, consultas sobre “recalls” se redirigen a información contextual específica. Este enfoque permitió mejorar la seguridad y la fiabilidad del sistema sin necesidad de reestructurar completamente el contenido web.
En febrero de 2023, el sistema experimentó una evolución importante con la incorporación de una capa adicional basada en GPT, lo que permitió al chatbot generar respuestas más flexibles además de las respuestas previamente programadas. Esta mejora aumentó significativamente la capacidad del sistema para interpretar preguntas y ofrecer respuestas más naturales. Actualmente, el chatbot “T-Rex” proporciona soporte rápido y accesible las 24 horas del día, con cumplimiento de estándares de accesibilidad (WCAG 2.1 AA). El sistema maneja más de dos millones de palabras (considerando variantes léxicas como entradas distintas) y dispone de más de 1.000 respuestas personalizadas.
Los resultados obtenidos muestran un rendimiento superior al esperado inicialmente. Mientras que en la fase de diseño se estimaba que el chatbot podría responder entre el 14% y el 24% de las consultas, en la práctica alcanza aproximadamente el 50% de las preguntas con una calidad igual o superior a 4/5. Esto ha permitido derivar una parte significativa de las consultas del servicio humano, liberando aproximadamente 1,5 equivalentes a tiempo completo (FTE) para tareas más estratégicas. Aunque se han reducido algunas horas de atención en mostradores, no ha habido despidos, sino una redistribución del trabajo hacia actividades de mayor valor añadido.
En la fase de madurez, el mantenimiento del sistema se ha simplificado considerablemente. Actualmente requiere alrededor de una hora semanal de supervisión, centrada en la revisión de funcionamiento general y actualización de enlaces o cambios en la web institucional, gestionados mediante hojas de cálculo. El equipo también destaca la importancia de mantener la web de la biblioteca como única fuente de verdad, evitando duplicar la información directamente en el chatbot, ya que esto generaría problemas de mantenimiento.
Finalmente, el proyecto ofrece una serie de aprendizajes clave. Entre ellos destaca la necesidad de considerar el sitio web institucional como base de conocimiento del chatbot, la importancia de trabajar de forma colaborativa para reducir puntos de fallo y la necesidad de adaptar las respuestas a las expectativas de los usuarios, que prefieren soluciones directas con el menor número posible de clics. También se subraya que el chatbot debe anticipar preguntas no estrictamente bibliotecarias, como consultas sobre matrícula o servicios universitarios, lo que llevó a derivar este tipo de preguntas hacia otros chatbots del campus.
Otro aprendizaje importante es la persistencia de usuarios que prefieren la interacción humana: aproximadamente entre el 12% y el 15% solicitan hablar con una persona incluso cuando el chatbot podría resolver su consulta. Por ello, el sistema mantiene la opción de derivación a personal bibliotecario en horario laboral. En conjunto, la experiencia de la Universidad de Calgary demuestra que un chatbot de referencia basado en IA, bien diseñado y cuidadosamente mantenido, puede mejorar significativamente la eficiencia del servicio, aumentar la disponibilidad de atención y liberar recursos humanos, siempre que se mantenga una supervisión constante y una integración coherente con los sistemas de información institucionales.
Hannah Rosborough. The Legal Cost of Cutting Librarians. Publicado en la revista jurídica canadiense Slaw, 2 de junio de 2026.
El artículo analiza las consecuencias legales, educativas y sociales derivadas de la reducción de personal bibliotecario en instituciones públicas, tomando como punto de partida los recortes anunciados por el sistema de colegios comunitarios de Nueva Escocia (NSCC), que eliminó decenas de puestos de trabajo debido a un importante déficit presupuestario provocado por la reducción de la financiación pública provincial. Entre los puestos afectados se encuentran numerosos bibliotecarios y profesionales de la información.
La autora sostiene que, cuando los responsables políticos y administrativos buscan equilibrar presupuestos, las bibliotecas suelen ser consideradas servicios secundarios o prescindibles. Sin embargo, esta percepción ignora el papel fundamental que desempeñan los bibliotecarios en la garantía del acceso a la información, la alfabetización informacional y el apoyo al aprendizaje. El recorte de estos profesionales no solo tiene efectos educativos inmediatos, sino que puede generar importantes riesgos jurídicos e institucionales a medio y largo plazo.
Uno de los argumentos centrales del texto es que las bibliotecas constituyen una infraestructura esencial para el acceso equitativo al conocimiento. Los bibliotecarios ayudan a estudiantes, investigadores y ciudadanos a localizar información fiable, evaluar fuentes, comprender derechos de autor, acceder a recursos especializados y desarrollar competencias críticas para desenvolverse en una sociedad saturada de información. Cuando desaparecen estos servicios, aumentan las desigualdades entre quienes poseen recursos y habilidades para acceder a la información por sí mismos y quienes dependen de la mediación profesional para hacerlo.
Desde una perspectiva jurídica, el artículo advierte que la pérdida de personal bibliotecario puede afectar al cumplimiento de obligaciones legales relacionadas con la accesibilidad, la igualdad de oportunidades educativas y la preservación documental. Las instituciones públicas tienen responsabilidades específicas en materia de acceso a la información, apoyo a personas con discapacidad, conservación de registros y garantía de servicios educativos adecuados. La reducción de bibliotecarios puede dificultar el cumplimiento de estas obligaciones y aumentar el riesgo de litigios, reclamaciones administrativas o cuestionamientos regulatorios.
La autora también destaca que los bibliotecarios son profesionales especializados en la gestión de riesgos informativos. Su trabajo contribuye a evitar errores derivados del uso de información inexacta, obsoleta o poco fiable. En ámbitos como la educación superior, la investigación científica o el asesoramiento jurídico, la ausencia de este apoyo profesional puede traducirse en decisiones deficientes, problemas de cumplimiento normativo y costes institucionales mucho mayores que el ahorro obtenido mediante los despidos.
Otro aspecto relevante es la función de las bibliotecas como espacios de inclusión social y participación democrática. Más allá de la gestión de colecciones, los bibliotecarios facilitan el acceso a servicios digitales, apoyan a usuarios vulnerables, promueven la alfabetización mediática y ayudan a combatir la desinformación. Reducir estos servicios puede debilitar la capacidad de las instituciones para atender a comunidades diversas y responder a las necesidades informativas de la ciudadanía.
El artículo concluye que los recortes en bibliotecas suelen presentarse como medidas de ahorro económico, pero en realidad pueden generar costes ocultos muy elevados. La pérdida de acceso a la información, el incremento de las desigualdades educativas, los riesgos de incumplimiento legal y la erosión de la capacidad institucional para servir al público representan consecuencias que a menudo superan ampliamente los beneficios presupuestarios inmediatos. En este sentido, la autora defiende que los bibliotecarios deben ser considerados una inversión estratégica y no un gasto prescindible
El artículo ofrece una panorámica histórica y estratégica del papel de la inteligencia artificial en las bibliotecas, situando la IA no como una ruptura repentina, sino como la continuación de un proceso largo de automatización que comenzó décadas atrás con sistemas de catalogación, códigos de barras y tecnologías de circulación.
La idea central del texto es que la IA actual —especialmente la generativa— representa una nueva fase dentro de una evolución continua de las tecnologías bibliotecarias. Desde los primeros sistemas basados en reglas hasta los modelos de aprendizaje automático actuales, las bibliotecas han ido incorporando herramientas que amplían su capacidad de organización, acceso y mediación de la información, sin abandonar su misión fundamental: facilitar el acceso equitativo al conocimiento.
El artículo insiste en que la historia de la biblioteca es, en gran medida, una historia de automatización progresiva. Los sistemas MARC, los catálogos informatizados, los sistemas de autopréstamo o los motores de búsqueda han ido reduciendo la carga mecánica del trabajo bibliotecario, permitiendo centrar más esfuerzos en tareas de mediación, curación y atención al usuario.
En este marco, la IA no aparece como un elemento aislado, sino como la extensión natural de esta trayectoria. La diferencia es que ahora los sistemas no solo ejecutan tareas, sino que también interpretan datos, generan lenguaje y toman decisiones probabilísticas, lo que introduce un nivel de complejidad cualitativamente distinto.
Aplicaciones principales de la IA en bibliotecas
El texto identifica varias áreas clave donde la IA ya está impactando o puede impactar de forma significativa:
Descubrimiento y recomendación de información
Los sistemas de búsqueda evolucionan hacia modelos semánticos capaces de interpretar la intención del usuario más allá de palabras clave. Esto permite mejorar la relevancia de los resultados y facilitar el acceso a contenidos que antes quedaban ocultos en los catálogos tradicionales.
Chatbots y servicios de atención continua
Las bibliotecas incorporan asistentes automatizados para responder preguntas frecuentes, gestionar renovaciones o guiar la navegación de servicios. Su principal ventaja es la disponibilidad permanente, aunque el artículo advierte de la necesidad de control humano para evitar errores o respuestas inexactas.
Automatización de procesos internos
La IA se utiliza para tareas como la generación de metadatos, la gestión de colecciones o el análisis de uso de recursos. Esto permite optimizar tiempos y recursos humanos, aunque genera también debates sobre la calidad del trabajo automatizado y el papel profesional del bibliotecario.
Analítica y gestión operativa
Las bibliotecas modernas utilizan sistemas de análisis basados en IA para comprender patrones de uso, planificar servicios y optimizar infraestructuras. Esto transforma la toma de decisiones hacia modelos más basados en datos.
Accesibilidad y servicios inclusivos
Algunas herramientas de IA mejoran la accesibilidad mediante traducción automática, síntesis de voz o adaptación de contenidos, ampliando el alcance social de la biblioteca.
Impacto en los profesionales de la información
Uno de los puntos más relevantes del artículo es la transformación del rol profesional del bibliotecario. La automatización de tareas rutinarias desplaza el foco hacia funciones más estratégicas:
evaluación crítica de tecnologías
diseño de servicios digitales
alfabetización informacional y mediática
mediación entre usuarios y sistemas algorítmicos
supervisión ética del uso de datos y herramientas
El texto subraya que este cambio no implica la desaparición del rol bibliotecario, sino su reconfiguración hacia tareas de mayor valor cognitivo y social.
Tensiones y desafíos
El artículo también reconoce varios desafíos estructurales:
Privacidad y ética de datos: la personalización basada en IA requiere información sensible sobre usuarios.
Brecha de capacidades: no todas las bibliotecas tienen recursos técnicos o humanos para implementar estas tecnologías.
Dependencia tecnológica: riesgo de depender de proveedores externos para funciones clave del servicio.
Calidad de la información: especialmente en chatbots y sistemas generativos, donde pueden aparecer errores o “alucinaciones”.
Estas tensiones reflejan que la adopción de IA no es solo una cuestión técnica, sino también organizativa, ética y política.
Uno de los argumentos más importantes del texto es que las bibliotecas no deben limitarse a adoptar IA, sino que deben posicionarse como espacios de mediación crítica de la tecnología. Esto implica enseñar a los usuarios a comprender cómo funcionan los sistemas algorítmicos, sus sesgos y limitaciones.
En este sentido, la IA refuerza —más que debilita— la misión tradicional de la biblioteca: ayudar a interpretar la información en un entorno cada vez más complejo y mediado por algoritmos.
La conclusión implícita es clara: el futuro de las bibliotecas no depende solo de la tecnología que adopten, sino de cómo definan su papel como instituciones de acceso, mediación y pensamiento crítico en la era de la inteligencia artificial.
IFLA — Statement on Libraries and Artificial Intelligence (2020) El documento ético fundamental para las bibliotecas que utilizan inteligencia artificial. Define los principios de libertad intelectual, privacidad, equidad y transparencia. Un punto de partida indispensable para cualquier política interna. En español En español
Descubrimiento, búsqueda e inteligencia operativa
Bibliotheca — libraryConnect LINK (AI-based Insights) Inteligencia operativa basada en IA integrada en LINK. El personal puede formular preguntas en lenguaje natural sobre los datos de los dispositivos y su uso, y recibir paneles visuales e informes comparativos, lo que facilita la planificación basada en datos y la supervisión del sistema.
EBSCO — AI Insights: Library Research Platforms Resultados del programa piloto de IA de EBSCO, que incluyen datos sobre búsqueda en lenguaje natural, resúmenes por documento y eficiencia en la investigación.
Ex Libris — Primo Research Assistant Un asistente de IA generativa integrado en Primo. Un ejemplo concreto de cómo la IA puede incorporarse a las herramientas de búsqueda que ya se utilizan en las bibliotecas académicas.
NISO ODI — Generative AI and Web-Scale Discovery (2025) Examina las tensiones y expectativas que la IA generativa crea en los sistemas de descubrimiento. NISO sitúa el momento actual como comparable, en términos de disrupción, a la llegada del descubrimiento a escala web en 2010.
Universo Abierto 