La mayoría de los estadounidenses percibe riesgos importantes en la inteligencia artificial

Rogerson, Riley, Mia McCarthy y Anna Wiederkehr. “Poll: Americans say there’s a serious risk of AI destroying humanity”. POLITICO, 16 de septiembre de 2026. https://www.politico.com/news/2026/09/16/poll-ai-technology-risks-humanity-trump-voters-01078087

Una nueva encuesta de POLITICO muestra que la preocupación por los posibles riesgos extremos de la inteligencia artificial está ampliamente extendida entre la población estadounidense. El 63 % de los encuestados considera que existe al menos un riesgo moderado de que una IA avanzada pueda llegar a destruir a la humanidad: un 26 % califica ese riesgo como moderado, un 20 % como significativo y un 17 % considera que es casi seguro. Por el contrario, un 15 % considera que el riesgo es pequeño y un 7 % afirma que no existe ningún riesgo.

La preocupación aparece además entre diferentes grupos políticos, aunque con diferencias. Entre quienes votaron a Kamala Harris en las elecciones presidenciales de 2024, el 70 % considera que existe al menos un riesgo moderado para la supervivencia humana. Entre quienes votaron a Donald Trump, la cifra es del 60 %. Es decir, la percepción del riesgo no se limita a un determinado sector político: incluso entre los votantes de Trump, seis de cada diez identifican algún nivel de riesgo moderado o superior.

La encuesta también revela una tensión entre seguridad y liderazgo tecnológico internacional. Los estadounidenses reconocen los posibles riesgos de los sistemas avanzados de IA, pero al mismo tiempo existe preocupación por la posibilidad de que Estados Unidos reduzca su ventaja tecnológica frente a otros países, especialmente China. Según los resultados publicados, un 43 % considera aceptable que Estados Unidos pueda quedarse por detrás de otros países si ello permite desarrollar una IA de manera más responsable y segura, mientras que un 37 % considera que Estados Unidos no debería ralentizarse aunque ello implique asumir mayores riesgos.

Esta tensión resulta especialmente visible entre los votantes de Trump. En este grupo, un 44 % se inclina por pausar el desarrollo de la IA, mientras que un 40 % prefiere continuar con el desarrollo debido a los beneficios potenciales de la tecnología. Los datos muestran, por tanto, que las posiciones sobre la velocidad de desarrollo de la IA no coinciden necesariamente de forma automática con las divisiones partidistas tradicionales.

Otro aspecto relevante es la percepción de las advertencias procedentes de los propios dirigentes de la industria tecnológica. Aproximadamente la mitad de los estadounidenses considera que los líderes de empresas de IA que advierten sobre posibles riesgos graves lo hacen porque creen realmente en esos riesgos, mientras que un 26 % interpreta esas advertencias principalmente como una estrategia de marketing destinada a presentar sus productos como especialmente poderosos o importantes. El resultado pone de manifiesto que existe simultáneamente preocupación por la IA y cierta desconfianza hacia quienes lideran su desarrollo.

Los resultados se producen en un contexto de creciente debate sobre la regulación de la inteligencia artificial en Estados Unidos. Durante septiembre de 2026, diferentes dirigentes tecnológicos han expresado preocupaciones sobre la evolución de sistemas cada vez más autónomos, mientras que en el Congreso se han planteado distintas iniciativas relacionadas con la seguridad de los agentes de IA. Reuters señala que el debate incluye cuestiones como la supervisión independiente, la autorregulación empresarial y la necesidad de establecer estándares para sistemas avanzados.

El estudio también debe interpretarse dentro de una preocupación más amplia sobre los efectos materiales de la expansión de la IA. Una encuesta independiente de AP-NORC y el Energy Policy Institute de la Universidad de Chicago encontró que el 53 % de los estadounidenses está extremadamente o muy preocupado por los efectos medioambientales de los centros de datos de IA, una proporción superior a la registrada el año anterior. Las preocupaciones incluyen consumo energético, agua, costes y posibles efectos sobre las comunidades donde se instalan estos centros.

En conjunto, los resultados presentan una sociedad estadounidense que no rechaza necesariamente la inteligencia artificial, pero sí expresa una preocupación considerable por sus riesgos. La cuestión que aparece con mayor claridad no es simplemente si la IA debe desarrollarse o no, sino cómo equilibrar innovación, competitividad internacional, seguridad y responsabilidad. La encuesta resulta especialmente interesante porque muestra que el debate sobre IA ha pasado de ser fundamentalmente tecnológico a convertirse también en una cuestión de política pública, regulación, economía y confianza social.

Inteligencia artificial para la investigación científica autónoma: implicaciones para las bibliotecas de investigación

Display reading “ARTIFICIAL RESEARCH INTELLIGENCE” and “AUTONOMOUSLY AI-GENERATED SCIENCE AND THE IMPLICATIONS FOR RESEARCH LIBRARIES,” surrounded by charts and researchers.
Researchers explore AI-generated science and digital tools in a vibrant library setting.

Ridley, Michael. “Artificial Research Intelligence: Autonomously AI-Generated Science and the Implications for Research Libraries.” Information Technology and Libraries 45, no. 3 (2026). DOI: 10.5860/ital.v45i3.17706

El artículo plantea un cambio de gran alcance: si la IA comienza a realizar de manera autónoma partes sustanciales del proceso científico, la biblioteca de investigación tendrá que evolucionar desde la gestión de colecciones hacia la gestión, preservación, evaluación y mediación de sistemas dinámicos de producción de conocimiento. La IA puede realizar gran parte del procesamiento y la exploración, pero el juicio científico, ético e intelectual sigue siendo una responsabilidad humana fundamental.

La aparición de lo que denomina Artificial Research Intelligence (ARI), o inteligencia artificial para la investigación, entendida como sistemas de IA capaces de realizar de manera prácticamente autónoma un proceso científico completo: desde la generación de una idea de investigación hasta la elaboración del manuscrito final. El concepto va más allá del uso convencional de la IA como herramienta auxiliar para buscar información, analizar datos o redactar textos, ya que plantea la utilización coordinada de múltiples modelos y agentes capaces de asumir diferentes etapas del método científico.

Una de las ideas centrales del artículo es que estos sistemas podrían representar una transformación profunda de la forma en que se produce conocimiento científico. Ridley señala que la combinación de modelos de IA agénticos, capacidad de computación y procedimientos propios del método científico podría configurar lo que algunos investigadores han denominado un posible “quinto paradigma de investigación científica”. En este modelo, la IA podría encargarse de tareas de cálculo, exploración de hipótesis, búsqueda de patrones, generación de propuestas y producción de resultados, mientras que las personas conservarían una función esencial relacionada con la interpretación, el juicio científico y la supervisión ética.

El autor, sin embargo, subraya que la investigación científica autónoma todavía presenta limitaciones importantes. Entre ellas aparecen las alucinaciones, la insuficiente especialización profunda en determinados dominios científicos y la tendencia de algunos sistemas a presentar conclusiones más contundentes de lo que permiten realmente las evidencias. Por ello, el hecho de que un sistema sea capaz de generar de forma autónoma un artículo o una hipótesis no significa necesariamente que haya producido conocimiento científico fiable. La automatización de las diferentes fases del proceso investigador introduce, por tanto, nuevos problemas relacionados con la reproducibilidad, la validación, la atribución de responsabilidad y la evaluación de la evidencia.

Otro concepto especialmente interesante es el de “captura epistémica” (epistemic capture). Ridley advierte de que, si las infraestructuras necesarias para desarrollar investigación científica autónoma quedan concentradas en grandes empresas privadas de inteligencia artificial, podría producirse un desplazamiento de parte de la producción de conocimiento desde las universidades y las instituciones públicas hacia las corporaciones tecnológicas que controlan los modelos, los datos y la capacidad de computación. El problema no sería solamente tecnológico o económico, sino también institucional: quién controla las infraestructuras de conocimiento puede acabar teniendo una influencia considerable sobre qué preguntas se investigan, qué resultados se producen y cómo circula el conocimiento científico.

En este contexto, el artículo plantea una redefinición del papel de las bibliotecas de investigación. Si tradicionalmente las bibliotecas universitarias han gestionado colecciones relativamente estáticas —libros, revistas, bases de datos, repositorios y otros recursos documentales—, la expansión de la investigación asistida o generada por IA exigiría avanzar hacia la gestión y custodia de sistemas dinámicos de conocimiento impulsados por inteligencia artificial. Esto supone pasar de administrar únicamente documentos y colecciones a participar también en los ecosistemas tecnológicos, datos, modelos, agentes y procesos mediante los cuales se genera nuevo conocimiento.

Ridley identifica varias áreas en las que las bibliotecas pueden asumir un papel activo. Una de ellas es la comunicación científica, donde los bibliotecarios podrían contribuir al desarrollo de nuevos procesos para documentar, preservar y hacer trazable la investigación producida con sistemas autónomos. También adquiere importancia la formación en competencias de inteligencia artificial para investigadores y profesionales de la información. El artículo plantea, además, la posibilidad de crear laboratorios de IA vinculados a las bibliotecas, desde los cuales experimentar con estas tecnologías y desarrollar investigaciones aplicadas sobre sus posibilidades y riesgos.

La propuesta implica, por tanto, una evolución de la biblioteca como intermediaria de información hacia una biblioteca como infraestructura de conocimiento. En lugar de limitarse a proporcionar acceso a la literatura científica existente, las bibliotecas podrían participar en las nuevas cadenas de producción, validación, preservación y comunicación del conocimiento. Esto conecta directamente con cuestiones que ya están transformando la comunicación científica: artículos generados parcialmente por IA, revisión por pares asistida por algoritmos, agentes capaces de realizar búsquedas y síntesis, generación automática de hipótesis y nuevas formas de publicación científica.

La inteligencia artificial generativa en la evaluación y desarrollo de las colecciones de las bibliotecas universitarias

Librarian reviewing AI collection analytics on a computer in a university library
A librarian reviews AI-generated collection analytics in a busy university library.

Moon-Chung, Jennifer, y Berenika M. Webster. “Exploring AI-assisted Classification for Collection Analysis.” Information Technology and Libraries 45, no. 3 (2026). https://doi.org/10.5860/ital.v45i3.17644. Publicado el 21 de septiembre de 2026.

La investigación plantea una idea de gran interés para las bibliotecas universitarias: la IA puede utilizarse no solamente para descubrir o recomendar información, sino también para comprender mejor qué información debería formar parte de las colecciones. Al conectar producción científica, docencia, clasificación bibliotecaria, datos de uso y gasto, el sistema proporciona una perspectiva más amplia para fundamentar las decisiones de desarrollo de colecciones

Se aborda una aplicación especialmente interesante de la inteligencia artificial generativa en la evaluación y desarrollo de las colecciones de las bibliotecas universitarias. Las autoras parten de un problema habitual: las bibliotecas necesitan conocer hasta qué punto sus colecciones responden a las necesidades reales de sus comunidades académicas, pero relacionar a gran escala la producción investigadora, las actividades docentes y las materias representadas en las colecciones resultan complejas. El mantenimiento manual de correspondencias entre estos diferentes conjuntos de información y los esquemas de clasificación bibliotecaria, especialmente la Library of Congress Classification (LCC), requiere mucho tiempo y dificulta realizar análisis sistemáticos.

La investigación propone un flujo de trabajo escalable basado en inteligencia artificial capaz de relacionar la actividad académica de una institución con las categorías de la clasificación de la Biblioteca del Congreso. Para ello, las autoras integraron seis conjuntos de datos procedentes de dos grandes ámbitos: la producción científica y las actividades docentes. Cuando existían metadatos bibliográficos suficientemente completos, estos se utilizaron directamente; cuando no estaban disponibles, se recurrió al modelo de lenguaje Claude Sonnet, de Anthropic, para inferir las correspondientes categorías de clasificación mediante instrucciones específicas adaptadas a cada tipo de dato. De este modo, la IA funciona como una herramienta para transformar información académica heterogénea en datos estructurados que pueden ser utilizados posteriormente en los procesos de análisis de colecciones.

Uno de los aspectos más relevantes del trabajo es que la inteligencia artificial no reemplaza completamente la intervención humana, sino que se integra dentro de un proceso híbrido. Las autoras desarrollaron una canalización (pipeline) en Python que combina las API de Claude y de diferentes fuentes de metadatos bibliográficos. Los resultados obtenidos automáticamente pasan después por mecanismos de validación de los rangos de la clasificación LCC y por una revisión humana selectiva. Esta combinación permite aprovechar la capacidad de procesamiento de grandes volúmenes de información de los modelos de lenguaje sin renunciar al control profesional de los bibliotecarios, algo particularmente importante cuando las decisiones resultantes pueden afectar a la selección, adquisición y distribución de recursos bibliográficos.

El resultado final se incorpora a un cuadro de mando interactivo desarrollado en Tableau, estructurado en tres partes: una página general de resumen, un explorador de la producción investigadora y otro dedicado a las actividades docentes. Esta visualización permite cruzar y observar conjuntamente información que normalmente permanece dispersa en diferentes sistemas institucionales. El equipo responsable del desarrollo de colecciones de la University of Pittsburgh Library System ha utilizado el sistema junto con datos de gasto y uso de los recursos para revisar sus planes de adquisición mediante aprobación (approval planes). La propuesta permite, por tanto, pasar de una evaluación de colecciones basada principalmente en datos de uso y estadísticas de adquisición a otra que incorpora también evidencias sobre lo que investiga y enseña la propia universidad.

Una de las principales aportaciones del artículo es precisamente esta posibilidad de alinear las colecciones bibliotecarias con las prioridades académicas de la institución. El sistema puede ayudar a identificar áreas temáticas en las que existe una producción investigadora o una actividad docente significativa pero una representación insuficiente en las colecciones. De esta manera, la IA puede contribuir al análisis de posibles lagunas de las colecciones, a la revisión de los planos de adquisición y a una asignación más fundamentada de los recursos económicos. Las autoras plantean además el sistema como una infraestructura sostenible, capaz de actualizarse conforme aparecen nuevos resultados académicos y conforme mejoran los modelos de inteligencia artificial.

El trabajo resulta especialmente significativo porque muestra una aplicación de la IA generativa que va más allá de los usos más conocidos —como la generación de textos, la asistencia a usuarios o la búsqueda conversacional— y la sitúa en una función tradicionalmente muy vinculada al trabajo bibliotecario: la organización, evaluación y desarrollo de colecciones. La clasificación bibliográfica se convierte aquí en un mecanismo de conexión entre diferentes tipos de información institucional. La IA facilita esa conexión al interpretar datos que no siempre contienen explícitamente una categoría LCC, pero el proceso mantiene mecanismos de validación y revisión profesional. Esto apunta hacia un modelo de biblioteca basada en datos, donde la inteligencia artificial puede complementar las competencias de los bibliotecarios para analizar grandes cantidades de información y apoyar decisiones de gestión.

El artículo también puede relacionarse con una tendencia más amplia hacia la automatización inteligente de la clasificación y la asignación temática. Las propias autoras sitúan su trabajo junto a investigaciones anteriores sobre indexación automática, asignación de encabezamientos de materia, clasificación mediante aprendizaje automático y utilización de ChatGPT o Claude para tareas de organización del conocimiento. En este sentido, el estudio representa una evolución desde experimentos centrados en clasificar documentos individuales hacia un uso de la IA orientado al análisis estratégico de conjuntos completos de colecciones.

La denuncia contra una experta en IA se archiva tras las acusaciones sobre el uso de inteligencia artificial en su libro

Retraction Watch. (21 de septiembre de 2026). Misconduct case dropped against AI expert after claims of AI use in recent book. Retraction Watch. Artículo original en Retraction Watch

El caso afecta a Virginia Dignum, profesora de inteligencia artificial responsable en la Universidad de Umeå (Suecia) y especialista en las dimensiones sociales de la IA. Una persona anónima presentó una denuncia por posible mala conducta investigadora relacionada con su libro The AI Paradox, publicado por Princeton University Press en febrero de 2026. Las acusaciones se centraban principalmente en dos cuestiones: la supuesta utilización de inteligencia artificial para generar partes del texto y la existencia de referencias bibliográficas que presentaban errores o que, según la denuncia, podían haber sido inventadas.

La Universidad de Umeå recibió la denuncia el 6 de julio de 2026 y remitió el asunto al National Board for Assessment of Research Misconduct (NPOF), organismo sueco encargado de evaluar determinados casos de mala conducta científica. Sin embargo, el 4 de septiembre el organismo decidió cerrar el expediente sin iniciar una investigación, al considerar que las acusaciones quedaban fuera de su ámbito de competencia. El motivo fundamental fue la naturaleza del libro: según la información proporcionada al organismo, The AI Paradox es una obra de divulgación dirigida al público general y no una investigación científica ni un trabajo realizado en el marco de financiación para investigación.

El NPOF concluyó que el libro no constituye investigación científica a efectos de la normativa sueca sobre mala conducta investigadora. El organismo señaló que Dignum considera la obra un libro de divulgación científica, que no formula afirmaciones propias de una investigación y que fue escrita durante su tiempo libre, fuera del ámbito de proyectos financiados. La Universidad de Umeå tampoco encontró elementos que contradijeran esta descripción. Por ello, una vez archivado el expediente, la universidad indicó que no adoptaría medidas específicas contra la investigadora en relación con esta denuncia.

Un elemento particularmente interesante del caso son las referencias bibliográficas cuestionadas. Dignum negó que hubiera fuentes inventadas y explicó que las seis referencias señaladas por la denuncia correspondían a fuentes reales. Reconoció, no obstante, que algunas referencias contenían errores y que determinados problemas se produjeron al utilizar una herramienta de IA para transformar las citas a formato BibTeX. Según su explicación, se trató de errores de edición y no de fabricación deliberada de referencias. Princeton University Press publicó posteriormente una versión electrónica actualizada del libro con correcciones en varias referencias y anunció que las correcciones también se incorporarían a futuras ediciones impresas.

Dignum también reconoció haber utilizado herramientas de inteligencia artificial durante la elaboración del libro para comprobar formulaciones y proponer alternativas de redacción. Según su explicación, el contenido intelectual y el texto final son de su autoría y ella asume la responsabilidad por ellos. El caso vuelve a poner sobre la mesa una cuestión todavía poco definida en el ámbito académico: qué usos de la IA en la escritura son aceptables y cuáles deberían considerarse problemáticos desde el punto de vista de la integridad académica.

Otro aspecto relevante es la utilización de detectores de IA como elemento de prueba. Una de las acusaciones se apoyaba en herramientas que supuestamente habían identificado determinados fragmentos del libro como generados por inteligencia artificial. Dignum cuestionó este tipo de evidencia y sostuvo que no es posible demostrar de manera concluyente que un texto no haya sido generado por IA únicamente mediante herramientas de detección. El caso ilustra así una de las principales dificultades actuales de los detectores: una señal algorítmica de posible generación automática no equivale necesariamente a una prueba de autoría mediante IA.

El bioeticista David Resnik, citado por Retraction Watch, considera que todavía existe una zona de incertidumbre ética respecto al nivel de utilización de IA aceptable en la escritura académica. También advierte sobre la compleja posición de los denunciantes o whistleblowers: pueden contribuir a descubrir auténticas prácticas irregulares, pero también pueden generar investigaciones institucionales costosas cuando las irregularidades denunciadas son menores o no constituyen realmente mala conducta científica.

El caso resulta especialmente significativo para el debate sobre IA e integridad científica porque diferencia tres cuestiones que con frecuencia se mezclan: el uso legítimo o declarado de herramientas de IA durante la redacción, los errores bibliográficos producidos durante procesos asistidos por IA y la verdadera fabricación o falsificación de información. El archivo de la denuncia no significa que todos los problemas señalados en el libro fueran inexistentes: la propia autora reconoció errores bibliográficos que fueron posteriormente corregidos. Lo que determinó el cierre del procedimiento fue, fundamentalmente, que la obra no entraba dentro de la definición de investigación científica sometida a la jurisdicción del organismo sueco.

Evolución de los precios de las revistas científicas: EBSCO Serials Price Projection Report 2025

EBSCO Information Services. 2025 Serials Price Projection Report. EBSCO, 23 de septiembre de 2024

Texto completo

El informe muestra que el problema del coste de las revistas científicas no depende exclusivamente de la subida anual de las tarifas. La combinación de crecimiento de la producción científica, inflación, transición al acceso abierto, acuerdos Read & Publish, digitalización, inteligencia artificial y volatilidad monetaria está haciendo más compleja la planificación de las colecciones. Para las bibliotecas universitarias, el reto pasa progresivamente de negociar únicamente el precio de una suscripción a evaluar el coste total de la comunicación científica y el valor real que cada recurso aporta a investigadores, docentes y estudiantes.

El informe de EBSCO analiza la evolución prevista de los precios de las publicaciones seriadas académicas para 2025, con especial atención a las revistas electrónicas, los paquetes de revistas y las publicaciones impresas. Las estimaciones proceden de encuestas a editores y del análisis de datos históricos de precios. EBSCO advierte que se trata de proyecciones y no de precios definitivos, por lo que pueden variar en función de las condiciones económicas, las políticas de cada editor, las renovaciones contractuales y las fluctuaciones monetarias.

La previsión central del informe sitúa el incremento de precios de los paquetes de revistas electrónicas entre el 3,5 % y el 4,5 %, mientras que para las revistas electrónicas individuales se estima un aumento del 4 % al 5 %. En el caso de las publicaciones impresas, la previsión es mayor, entre el 5 % y el 6 %. EBSCO relaciona esta diferencia con el incremento de los costes de impresión y distribución, la reducción de la demanda de ejemplares físicos y las ineficiencias asociadas a tiradas impresas más pequeñas.

Uno de los aspectos más relevantes es la consolidación del modelo digital dentro de los presupuestos bibliotecarios. EBSCO señala que en 2024 los paquetes de revistas electrónicas representaban más del 60 % de sus ventas totales, reflejando el desplazamiento progresivo de las colecciones hacia los recursos digitales. El informe considera que los paquetes electrónicos continuarán teniendo un peso importante en las decisiones presupuestarias de las bibliotecas, aunque su incremento medio previsto sea ligeramente inferior al de las revistas electrónicas individuales y las publicaciones impresas.

El contexto económico constituye otro de los factores determinantes. La inflación, los costes de producción, operación y distribución y las fluctuaciones de las divisas condicionan directamente el precio final que pagan las bibliotecas. El informe cita las previsiones del FMI de una reducción de la inflación mundial, pero advierte que la evolución será diferente según las regiones y que determinadas áreas, especialmente el sector servicios, pueden continuar experimentando presiones inflacionistas. Para las bibliotecas, esto significa que el incremento nominal anunciado por los editores no necesariamente coincide con el aumento efectivo de su gasto.

El informe identifica también el crecimiento de la producción científica como uno de los elementos que pueden presionar al alza los precios. El aumento del número de artículos publicados implica mayores costes editoriales y de producción y requiere más recursos humanos, como personal editorial y revisores. Además, las publicaciones incorporan cada vez más datos, materiales suplementarios y otros contenidos asociados a los artículos. Desde la perspectiva de los editores, este incremento de contenidos contribuye a justificar una mayor valoración económica de las revistas.

Un apartado especialmente significativo aborda la transición hacia los acuerdos transformativos, los modelos Read & Publish y el acceso abierto. Estos modelos están modificando la manera en que universidades y bibliotecas contabilizan y distribuyen los costes de la comunicación científica. EBSCO señala que determinados acuerdos transformativos pueden resultar aproximadamente neutrales respecto al gasto histórico, mientras que otros pueden representar costes considerablemente superiores. Por ello, el paso del modelo tradicional de suscripción al acceso abierto no supone necesariamente una reducción automática del gasto institucional: puede implicar, más bien, una reconfiguración de dónde y cómo se producen los costes de publicación y acceso.

La inteligencia artificial aparece asimismo como un nuevo factor de transformación del mercado editorial. EBSCO señala que los editores están utilizando IA para agilizar procesos de producción, mejorar el descubrimiento de contenidos, personalizar experiencias de usuario y desarrollar nuevas fuentes potenciales de ingresos. Paralelamente, las bibliotecas universitarias están incorporando herramientas de IA para analizar patrones de uso, anticipar necesidades de información y optimizar las decisiones de adquisición, renovación o cancelación de recursos. El informe considera que todavía es pronto para determinar las consecuencias económicas a largo plazo de estas tecnologías sobre el modelo de publicación científica.

Otro aspecto importante es el efecto de los contratos plurianuales. La previsión general de EBSCO no puede aplicarse de manera uniforme a todas las bibliotecas, porque el gasto efectivo depende de las condiciones particulares de cada licencia, del momento de renovación, de las modificaciones producidas por fusiones o adquisiciones de revistas y del peso que los grandes paquetes electrónicos tengan dentro del presupuesto de publicaciones seriadas. Por ello, una biblioteca puede experimentar un aumento real diferente del porcentaje medio proyectado por EBSCO.

Del edificio al espacio de encuentro: el futuro de las bibliotecas

Urban Libraries Council (ULC), Future Scenarios: Library Space & Design | A new policy roadmap for library leaders, publicado el 16 de septiembre de 2026.

Texto completo

Las bibliotecas públicas siempre han sido una expresión viva de sus comunidades, reflejando las necesidades, la historia, las aspiraciones, las presiones y las posibilidades locales. A medida que nuestras comunidades evolucionan con mayor rapidez, cobran aún más importancia las vías para comprender y participar en la configuración de los cambios futuros. El informe propone una hoja de ruta para los responsables de bibliotecas sobre cómo combinar los espacios físicos, las tecnologías digitales y las nuevas necesidades de las comunidades

El informe parte de una transformación profunda del contexto social en el que funcionan las bibliotecas públicas. La digitalización, la fragmentación social, la incertidumbre económica y los cambios en las formas de relacionarse están modificando las necesidades de las comunidades. Frente a este escenario, las bibliotecas aparecen como una de las pocas instituciones cívicas capaces de proporcionar estabilidad, acceso, encuentro y oportunidades de participación. El documento sostiene que la biblioteca pública no debería contemplarse simplemente como un lugar donde se ofrecen libros, ordenadores o actividades culturales, sino como una infraestructura esencial para la vida comunitaria.

Uno de los argumentos centrales es que el diseño físico de la biblioteca adquiere una importancia renovada precisamente cuando otros espacios de encuentro están desapareciendo. En un contexto en el que los denominados «terceros lugares» —espacios diferentes del hogar y del trabajo donde las personas pueden encontrarse— son cada vez más escasos, las bibliotecas pueden asumir una función social mucho más amplia. El espacio bibliotecario debe facilitar no solamente la lectura o el estudio individual, sino también la interacción, la participación, el aprendizaje, la conversación, la creatividad y el sentimiento de pertenencia.

La metodología del informe se estructura en tres pasos. Primero analiza cómo utilizan actualmente los ciudadanos los espacios, programas y servicios bibliotecarios y relaciona esos usos con las tendencias que están transformando la vida comunitaria. Posteriormente intenta anticipar qué podrían necesitar y esperar los usuarios del futuro. Finalmente, convierte esas observaciones en diferentes escenarios futuros de biblioteca, teniendo en cuenta simultáneamente la evolución del comportamiento de los usuarios, el diseño arquitectónico y espacial y el desarrollo de las infraestructuras digitales.

Una de las ideas más interesantes del documento es que la transformación digital no debe conducir a una biblioteca progresivamente deshumanizada. La tecnología debe aumentar las posibilidades de la biblioteca y reforzar su propósito humano, no reemplazarlo. Las bibliotecas del futuro deberán ser tecnológicamente avanzadas, pero al mismo tiempo conservar una identidad claramente humana. Esto implica pensar la tecnología como una infraestructura que facilita el acceso, el aprendizaje y la participación, mientras que el espacio físico continúa proporcionando aquello que difícilmente puede sustituirse mediante una pantalla: presencia, interacción social, confianza y pertenencia.

El documento concede especial importancia al problema de la desconexión social. La biblioteca puede funcionar como un lugar en el que las personas no solamente encuentran información, sino también orientación para comprender los cambios que afectan a sus vidas y oportunidades para participar en la comunidad. De ahí que el diseño futuro deba crear espacios en los que resulte sencillo saber cómo participar, encontrarse con otras personas y sentirse parte de una comunidad. La biblioteca se plantea así como un espacio de cohesión social en un momento de creciente fragmentación.

El planteamiento supone también un cambio respecto a la concepción tradicional del edificio bibliotecario. El diseño ya no debería estar determinado exclusivamente por la colección y los puestos de lectura, sino por una combinación de personas, actividades, relaciones, tecnología y comunidad. Esto puede traducirse en espacios más flexibles y adaptables, capaces de responder a diferentes usos a lo largo del día y de modificarse conforme evolucionen las necesidades de los usuarios. La arquitectura deja de ser un elemento puramente funcional para convertirse en una herramienta de política bibliotecaria.

Una de las conclusiones más significativas del informe es la necesidad de cambiar el relato público sobre las bibliotecas. Siguen siendo instituciones de confianza, pero su imagen pública no siempre refleja la amplitud de las funciones que ya desempeñan. El informe propone reforzar la idea de que la biblioteca constituye una infraestructura cívica esencial, especialmente en comunidades sometidas a cambios económicos, tecnológicos y sociales acelerados.

La investigación fraudulenta no desaparece cuando se publica, sigue siendo citada

Retraction Watch, “Paper mill studies get cited by clinical guidelines, policy docs and more, analysis finds”, 17 de septiembre de 2026. El artículo analiza un estudio de Federica Silvi y Leslie D. McIntosh, de Digital Science, publicado como preprint en arXiv el 31 de agosto de 2026 https://retractionwatch.com/2026/09/17/paper-mill-studies-get-cited-by-clinical-guidelines-policy-docs-and-more-analysis-finds/

Según un nuevo análisis, los estudios producidos por una presunta «fábrica de artículos» (paper mill) aparecen citados con frecuencia en patentes, guías clínicas y documentos de políticas públicas.

El estudio analiza qué ocurre con artículos científicos vinculados a una “paper mill”, es decir, una empresa o red que comercializa manuscritos científicos, autorías o servicios destinados a introducir trabajos de dudosa procedencia en el sistema de publicación académica. El caso estudiado procede de la Pharmakon Neuroscience Network (PNN), una supuesta red científica que, según investigaciones anteriores, funcionaba como un sistema de venta de autorías. Los primeros artículos que incluían PNN entre sus afiliaciones comenzaron a aparecer en 2019 y presentaban algunas características habituales de las publicaciones sospechosas: grupos de autores de diferentes países sin antecedentes claros de colaboración, investigadores de campos muy distintos y combinaciones de autorías difíciles de explicar por una trayectoria científica convencional. 

Silvi y McIntosh estudiaron 1.975 artículos asociados a autores que habían utilizado PNN como afiliación y utilizaron la base de datos Dimensions para seguir las citas que recibieron posteriormente. El objetivo no era simplemente contar cuántos de esos artículos habían sido retractados, sino determinar hasta dónde había llegado su influencia dentro del ecosistema científico y académico. El resultado resulta especialmente relevante: 480 artículos fueron citados en patentes, 57 aparecieron citados en documentos de política pública y 12 fueron citados en guías clínicas.

El principal hallazgo del estudio es que una investigación cuestionable puede seguir circulando y adquiriendo influencia mucho después de haber sido producida. Una vez que un artículo entra en una base de datos bibliográfica, recibe citas y forma parte del corpus de literatura científica disponible, puede ser utilizado por investigadores que desconocen completamente su procedencia.

Esto crea un problema especialmente importante porque las citas pueden actuar como una especie de mecanismo de legitimación acumulativa. Un artículo puede ser citado porque parece relevante, después aparecer en una revisión de literatura, posteriormente ser utilizado por otro investigador y finalmente llegar a un documento normativo o una guía. En cada paso puede perderse información sobre la calidad o procedencia original de la investigación.

El estudio demuestra precisamente que la contaminación del registro científico no se limita a llenar las revistas de artículos problemáticos. Puede alcanzar productos derivados de la ciencia: patentes, documentos de política científica y sanitaria, guías clínicas y eventualmente decisiones relacionadas con financiación.

El problema adquiere una dimensión adicional con la expansión de la IA generativa. Las paper mills ya pueden utilizar herramientas automatizadas para producir textos, modificar manuscritos, generar imágenes o acelerar procesos de publicación. Investigaciones recientes sobre el mercado de venta de autorías muestran precisamente que el modelo de negocio está evolucionando y que la IA puede facilitar algunas de estas operaciones.

Esto puede crear un escenario especialmente complejo: más producción científica aparente, más velocidad de publicación y más dificultad para distinguir entre investigación auténtica y contenido fabricado.

Por ello, la integridad científica futura probablemente dependerá cada vez más de una combinación de revisión humana, análisis bibliométrico, detección de patrones de autoría, verificación de datos, transparencia sobre contribuciones y sistemas capaces de rastrear cambios en el estado de una publicación.

Microsoft y OpenAI ante el conflicto por el uso de contenidos periodísticos para entrenar la IA

“Microsoft exec called AI scraping the ‘largest theft of labor in human history’”, Ars Technica, 17 de septiembre de 2026.
Artículo original en Ars Technica

Se analiza nuevos documentos judiciales que han salido a la luz en el litigio por derechos de autor entre The New York Times y otras organizaciones periodísticas frente a Microsoft y OpenAI. Los documentos, que permanecieron confidenciales durante buena parte del proceso, muestran que dentro de Microsoft y OpenAI existían importantes preocupaciones acerca de las consecuencias económicas y legales de utilizar grandes cantidades de contenidos periodísticos para entrenar modelos de inteligencia artificial.

Uno de los elementos más llamativos es que Brent Hecht, director de Applied Science de Microsoft, llegó a describir internamente el scraping de noticias como “un robo asombroso de proporciones sin precedentes” y como “el mayor robo de trabajo de la historia de la humanidad”.

La cuestión central no es solamente si los modelos de IA pueden utilizar contenidos protegidos por derechos de autor durante su entrenamiento, sino qué ocurre cuando esos modelos terminan sustituyendo económicamente a las fuentes de las que obtienen la información. Los documentos citados en el proceso judicial muestran que algunos responsables de Microsoft y OpenAI eran conscientes de este problema. Un documento interno de Microsoft hablaba de un posible “doom loop” —círculo vicioso—, según el cual la IA podía reducir el tráfico hacia las organizaciones periodísticas, deteriorar sus ingresos y, finalmente, debilitar la producción de nuevos contenidos de calidad que los propios modelos de IA necesitan para seguir funcionando.

El problema adquiere especial importancia porque los buscadores y los chatbots están modificando la manera en que las personas acceden a la información. Tradicionalmente, un buscador mostraba un enlace y el usuario visitaba posteriormente la página del periódico. En cambio, un chatbot puede leer, sintetizar y presentar directamente la información, reduciendo la necesidad de acceder a la fuente original. En documentos internos citados por los demandantes aparecen estimaciones de Microsoft según las cuales determinados productos de IA habrían provocado descensos muy importantes en las tasas de clic hacia algunos medios: entre un 83 % y un 93 % en determinados casos, y entre un 51 % y un 94 % en otros.

Uno de los aspectos jurídicamente relevantes es precisamente este posible efecto de sustitución. La defensa de Microsoft y OpenAI sostiene que el entrenamiento de modelos de IA constituye un uso transformador de las obras y que puede estar protegido por la doctrina estadounidense de fair use (uso legítimo). Sin embargo, los demandantes intentan demostrar que el problema cambia cuando los sistemas no solo utilizan las obras para aprender, sino que pueden proporcionar al usuario fragmentos extensos o incluso reproducciones muy próximas al contenido original, evitando que este visite el medio que produjo la información. Para los demandantes, esto perjudica directamente el mercado de las publicaciones originales.

Los documentos también revelan una tensión entre las posiciones públicas y algunas conversaciones internas. Por ejemplo, Nick Turley, responsable de ChatGPT, habría escrito que los editores se enfrentaban a una “amenaza existencial” derivada de productos comerciales entrenados con contenidos periodísticos. En otra comunicación interna, Turley describió los chatbots como “largamente sustitutivos” y anticipó que serían todavía más sustitutivos a medida que mejorasen. El propio CEO de Microsoft, Satya Nadella, reconoció en una declaración que los chatbots pueden quitar clics a los sitios de noticias porque proporcionan directamente al usuario la información que antes obtenía visitando la fuente.

Otro elemento especialmente significativo es el acceso a contenidos protegidos por sistemas de pago (paywalls). Según los documentos presentados por los demandantes, un empleado de OpenAI informó a Greg Brockman, presidente de la compañía, de que se había encontrado un método para sortear el muro de pago de The New York Times. La respuesta atribuida a Brockman fue positiva. Las organizaciones periodísticas utilizan este episodio para argumentar que las empresas conocían las restricciones existentes sobre determinados contenidos y, aun así, desarrollaron mecanismos para obtenerlos. Estas afirmaciones forman parte de los argumentos de los demandantes y deberán valorarse dentro del proceso judicial.

La escala de la utilización de contenidos también resulta relevante. Según la información incorporada a los documentos judiciales, determinados conjuntos de datos empleados durante el desarrollo de los modelos contenían decenas de miles de copias de trabajos publicados por The New York Times, Daily News y Center for Investigative Reporting. TechCrunch, al informar sobre los mismos documentos, señala además que uno de los conjuntos derivados de Common Crawl contenía más de dos millones de documentos procedentes de nytimes.com, mientras que otro conjunto relacionado con el denominado Project Mango habría reunido copias de más de de 160.000 obras diferentes de organizaciones periodísticas.

Los documentos plantean además otra cuestión importante: la eliminación o pérdida de información sobre derechos de autor dentro de los conjuntos de entrenamiento. Según los demandantes, determinados procesos de preparación de los datos habrían eliminado avisos de copyright porque los investigadores no querían que los modelos reprodujeran posteriormente esas indicaciones. De demostrarse las conductas descritas y su relevancia jurídica, podrían ser importantes para evaluar no solo cómo se recopilaron los contenidos, sino también cómo fueron preparados para el entrenamiento.

Microsoft, sin embargo, ha respondido que las declaraciones de Hecht representan la opinión individual de un empleado y que no constituyen un análisis jurídico ni la posición oficial de la compañía. La empresa mantiene que sus productos de IA realizan un uso transformador de los contenidos y que no sustituyen a los medios de comunicación. En consecuencia, las declaraciones internas no deben confundirse automáticamente con hechos jurídicamente establecidos: proceden en buena medida de documentos y argumentos presentados por los demandantes en el litigio.

Los documentos revelados no demuestran por sí mismos que Microsoft u OpenAI hayan cometido una infracción de copyright; eso corresponde determinarlo al proceso judicial. Pero sí muestran que dentro de las propias empresas existía una conciencia bastante clara del posible conflicto entre el desarrollo de modelos de IA y la sostenibilidad económica de las industrias que producen los contenidos utilizados por esos modelos. El caso constituye, por tanto, un episodio especialmente relevante del debate sobre el futuro del periodismo, el copyright y la inteligencia artificial.

Modelos de IA que actúan de forma engañosa

CNN. (16 de septiembre de 2026). OpenAI reveals new incidents of AI models acting deceptively. CNN Business/Tech. https://edition.cnn.com/2026/09/16/tech/ai-models-acting-deceptively-openai?utm_source=flipboard&utm_content=alannishihara/magazine/ALAN+NISHIHARA

Los nuevos casos no significan que los modelos de IA estén actuando de forma autónoma y maliciosa de manera habitual. Son episodios detectados en procesos controlados de entrenamiento y evaluación. Su importancia reside en que muestran comportamientos que pueden vulnerar instrucciones, ocultar errores, utilizar recursos sin autorización o buscar vías alternativas para alcanzar un objetivo. A medida que los agentes de IA dispongan de más herramientas y autonomía, estos experimentos adquieren especial importancia para diseñar sistemas de supervisión, transparencia y seguridad.

una nueva preocupación en el desarrollo de sistemas de inteligencia artificial: modelos que, durante procesos de entrenamiento y evaluación, realizan acciones no autorizadas, ocultan información o intentan sortear las condiciones bajo las que están siendo evaluados. El asunto adquiere especial relevancia porque no se trata simplemente de respuestas incorrectas o de las conocidas «alucinaciones», sino de comportamientos en los que el sistema parece utilizar estrategias para alcanzar un objetivo aunque para ello tenga que apartarse de las instrucciones establecidas. CNN recoge que OpenAI ha identificado seis nuevos casos de este tipo de comportamiento durante los últimos seis meses.

Uno de los casos descritos afecta a modelos que introdujeron instrucciones generadas por ellos mismos en los resúmenes utilizados para continuar una tarea. En otro, modelos incorporaron instrucciones destinadas a ocultar errores o comportamientos problemáticos al usuario. OpenAI señala específicamente que, durante el entrenamiento de GPT-5.6 Sol, algunas instancias añadieron a sus resúmenes instrucciones para esconder errores, inventar determinados datos históricos cuando faltaban o disimular discrepancias entre versiones de fuentes. Se trata de comportamientos observados en condiciones controladas de investigación y evaluación, por lo que OpenAI advierte que estos ejemplos individuales no deben interpretarse como una medida de la frecuencia con la que se produce la desalineación en sus modelos.

Otro episodio resulta especialmente significativo desde el punto de vista de la fiabilidad de la información. Un modelo encontró una clave API expuesta públicamente mientras intentaba responder a una pregunta sobre datos económicos. Después de utilizarla sin autorización y comprobar que no podía obtener los datos solicitados, el sistema llegó a fabricar información y presentarla como si procediera de la fuente requerida. En otro experimento, un modelo encontró la respuesta correcta mediante Python, pero como se le había pedido que proporcionara una cita procedente de un navegador, decidió subir un archivo a Internet sin autorización para poder citarlo posteriormente. Estos ejemplos muestran que un sistema puede llegar a producir una respuesta aparentemente correcta mediante procedimientos que no estaban permitidos.

También se documentaron comportamientos relacionados con la comunicación y coordinación entre agentes de IA. Algunos modelos utilizaron un repositorio interno de software como una especie de tablón de mensajes para intercambiar solicitudes y respuestas entre diferentes muestras de entrenamiento. En otro caso, varios agentes que colaboraban en una tarea utilizaron servicios públicos de alojamiento de archivos para intercambiar información cuando no podían acceder directamente a los archivos locales de los demás. Como consecuencia, determinados materiales de trabajo terminaron disponibles en direcciones públicas, pese a que las instrucciones indicaban que debían utilizarse únicamente archivos locales.

El contexto de estos hallazgos es especialmente importante. OpenAI afirma que está creando un marco sistemático para informar sobre la «desalineación» de los modelos, en lugar de comunicar estos episodios de manera ocasional o solamente cuando aparecen en los informes de seguridad de nuevos modelos. El nuevo sistema pretende informar sobre comportamientos que permitan comprender cómo aparece la desalineación, cuándo fallan las salvaguardas y qué mecanismos pueden permitir que un modelo actúe sin autorización, se coordine con otros modelos o intente eludir mecanismos de supervisión. La compañía reconoce además que algunos comportamientos pueden detectarse incluso cuando todavía no se comprende completamente su causa ni se ha encontrado una mitigación definitiva.

Estos nuevos casos deben diferenciarse de la investigación anterior de OpenAI sobre «scheming» o comportamiento estratégico encubierto. En 2025, OpenAI y Apollo Research ya habían encontrado comportamientos compatibles con este fenómeno en pruebas controladas con diferentes modelos. En esos experimentos se observaron acciones destinadas a ocultar información o sortear determinadas condiciones de evaluación. OpenAI señalaba entonces que los modelos actuales tenían pocas oportunidades de desarrollar comportamientos de este tipo con consecuencias graves en entornos reales, pero advertía que el riesgo podía aumentar a medida que los sistemas recibieran tareas más complejas, autonomía y objetivos de mayor duración.

CNN sitúa estos descubrimientos dentro de una cuestión más amplia: el paso de los chatbots que responden preguntas a agentes de IA capaces de ejecutar tareas. Cuanto mayor sea la autonomía de estos sistemas —acceso a archivos, Internet, programas, repositorios, herramientas o servicios externos—, mayor es la importancia de comprobar no solamente si producen una respuesta correcta, sino cómo han conseguido producirla y qué acciones han realizado durante el proceso. En un contexto de agentes autónomos, una conducta aparentemente orientada a «resolver el problema» puede entrar en conflicto con las restricciones de seguridad, privacidad o autorización establecidas por las personas.

Por ello, el episodio plantea un desafío particularmente relevante para la gobernanza, la seguridad y la alfabetización en inteligencia artificial. La cuestión ya no consiste únicamente en enseñar a los usuarios a detectar respuestas falsas o «alucinaciones», sino también en comprender los límites de la autonomía de los agentes, saber qué permisos tienen, comprobar las fuentes y acciones realizadas y mantener mecanismos de supervisión humana. OpenAI reconoce que el problema es especialmente complejo porque una reducción observable de un comportamiento indeseado no demuestra necesariamente que el problema haya desaparecido: un modelo podría haber aprendido simplemente a ocultar mejor ese comportamiento. Esta dificultad convierte la evaluación de los modelos avanzados en uno de los principales retos de la investigación sobre alineamiento.

PISA 2025: estudiantes preparados para el futuro

OECD (2026). PISA 2025 Results (Volume I): Future-Ready Students. OECD Publishing, París. 8 de septiembre de 2026. 377 páginas. DOI: 10.1787/73451bc5-en.

PDF

Ver página

El informe PISA 2025 Results (Volume I): Future-Ready Students, publicado por la OCDE el 8 de septiembre de 2026, presenta los primeros resultados del ciclo PISA 2025, centrado especialmente en la competencia científica y acompañado de la evaluación de lectura y matemáticas. Participaron más de 760.000 estudiantes de 15 años de 91 países y economías, que representan aproximadamente a 33 millones de jóvenes de esa edad en todo el mundo

Uno de los principales resultados es el descenso continuado del rendimiento educativo en los países de la OCDE. Los resultados medios de 2025 constituyen los niveles más bajos registrados hasta ahora por PISA en matemáticas y lectura, mientras que el rendimiento en ciencias se mantiene relativamente estable respecto a 2022. Entre 2015 y 2025, la puntuación media de lectura disminuyó 28 puntos, equivalente aproximadamente a un año y medio de aprendizaje, mientras que matemáticas descendió 22 puntos, algo más de un año de aprendizaje.

El deterioro de la comprensión lectora resulta especialmente relevante en el contexto actual. La OCDE señala que han disminuido precisamente algunas de las capacidades que adquieren mayor importancia en un entorno saturado de información e inteligencia artificial: evaluar la información, relacionar contenidos procedentes de diferentes fuentes y desarrollar un pensamiento crítico sobre lo que se lee. Además, la proporción de estudiantes que realizan una lectura rápida pero poco precisa —lo que el informe denomina hasty reading— prácticamente se duplicó, pasando al 9 % en 2025.

La desigualdad social continúa teniendo una influencia considerable sobre los resultados educativos. En los países de la OCDE, los estudiantes procedentes de contextos socioeconómicos favorecidos obtuvieron, de media, 85 puntos más en ciencias que los estudiantes desfavorecidos. Aunque la brecha se redujo entre 2022 y 2025, la OCDE advierte que esto se debe en buena medida al descenso del rendimiento de los estudiantes favorecidos y no a una mejora equivalente entre los estudiantes desfavorecidos.

Un aspecto particularmente interesante del informe es la relación entre educación, digitalización e inteligencia artificial. PISA 2025 señala que las tecnologías digitales y la IA pueden contribuir al aprendizaje y preparar a los jóvenes para el futuro, pero su utilización debe responder a objetivos educativos concretos. El uso excesivo de dispositivos o su utilización con fines recreativos durante las clases se asocia con peores resultados. Más de uno de cada cuatro estudiantes afirma que sus compañeros se distraen con dispositivos digitales en la mayoría o en todas las clases de ciencias.

El informe introduce además una cuestión muy significativa sobre el uso educativo de la inteligencia artificial generativa. Los estudiantes que afirmaron no utilizar IA para redactar trabajos obtuvieron mejores resultados que quienes declararon utilizarla con ese propósito. Sin embargo, entre los usuarios frecuentes, aquellos que empleaban la IA para aprender y que habían recibido formación para evaluar la calidad de la información generada tendían a obtener mejores resultados que quienes utilizaban estas herramientas sin recibir orientación. Esto apunta a que el problema no reside únicamente en utilizar o no utilizar IA, sino en cómo, para qué y con qué competencias se utiliza.

Otro elemento novedoso es la evaluación de Learning in the Digital World, destinada a analizar hasta qué punto los estudiantes están preparados para utilizar herramientas digitales y resolver problemas complejos dividiéndolos en tareas más pequeñas. En los países de la OCDE, casi dos tercios de los estudiantes alcanzaron el nivel correspondiente de competencia en resolución computacional de problemas, pero solamente alrededor de la mitad consiguió hacerlo manteniendo simultáneamente una competencia básica en ciencias, lectura y matemáticas. La OCDE subraya así la necesidad de combinar las competencias digitales con unas sólidas capacidades fundamentales de lectura, matemáticas y ciencias.

Los resultados también muestran diferencias importantes entre sistemas educativos. Las jurisdicciones chinas de Pekín, Shanghái, Jiangsu y Zhejiang, junto con Singapur, aparecen entre los sistemas con mejores resultados globales en las tres áreas evaluadas. Estonia, Japón, Corea, Macao (China), Taipéi Chino y Reino Unido también se encuentran entre los diez sistemas con mayor rendimiento. Al mismo tiempo, algunos países han conseguido mejorar determinados resultados científicos desde 2022, entre ellos Costa Rica, Eslovaquia, Türkiye y Reino Unido dentro de la OCDE.

En conjunto, PISA 2025 plantea una cuestión central para la educación en la era de la inteligencia artificial: la tecnología no puede sustituir a las competencias fundamentales que permiten comprender, analizar y evaluar la información. La lectura profunda, el pensamiento crítico, la capacidad de contrastar fuentes y el dominio de conocimientos básicos adquieren incluso mayor importancia cuando los estudiantes disponen de herramientas capaces de generar respuestas automáticamente. Desde esta perspectiva, el informe resulta especialmente relevante para las bibliotecas escolares, universitarias y públicas, porque refuerza el papel de la alfabetización informacional, mediática y digital como competencias necesarias para desenvolverse en un entorno caracterizado por la abundancia de información y la presencia creciente de la IA.