Se analiza un fenómeno social emergente en Seúl: la transformación de las librerías y grandes espacios de libros en puntos de encuentro romántico y social. Lo que tradicionalmente eran lugares silenciosos de lectura y compra de libros se han convertido, especialmente entre jóvenes, en escenarios donde se producen interacciones personales, aproximaciones y, en algunos casos, citas espontáneas. Este cambio refleja una evolución en la forma en que los espacios culturales se integran en la vida social contemporánea.
El artículo describe una tendencia reciente en Seúl en la que las librerías han pasado de ser espacios tradicionales de lectura a convertirse en lugares informales de encuentro romántico entre jóvenes, especialmente de la generación Z. Este fenómeno surge en un contexto en el que los modelos habituales de citas —aplicaciones móviles, encuentros a través de amigos o actividades organizadas— están siendo sustituidos o complementados por nuevas formas de interacción más espontáneas y presenciales. Las librerías, con su atmósfera tranquila, estética cuidada y ambiente cultural, se han convertido en un escenario inesperado para el flirteo.
El texto explica que este fenómeno, conocido informalmente como “flirteo en librerías”, se ha viralizado en redes sociales, donde circulan vídeos de jóvenes que acuden a estos espacios no solo a leer, sino también a conocer posibles parejas. En grandes librerías de Seúl, como Kyobo Book Centre, se han identificado incluso “zonas calientes” simbólicas asociadas a determinados tipos de lectores, como las secciones de filosofía o literatura, que funcionan como indicadores de personalidad e intereses. Los libros, en este contexto, se convierten en señales sociales que permiten inferir valores, sensibilidad o estilo de vida.
Uno de los factores que explican la popularidad de este fenómeno es el desgaste emocional asociado a las aplicaciones de citas, percibidas por muchos jóvenes como superficiales, agotadoras y poco satisfactorias. Frente a ello, las librerías ofrecen una alternativa más lenta y orgánica, donde la afinidad puede surgir a partir de intereses compartidos visibles en tiempo real. Ver a alguien leyendo un libro concreto o explorando una sección específica permite interpretar posibles compatibilidades de forma más inmediata y menos artificial que en el entorno digital.
El artículo también destaca que las librerías contemporáneas en Corea del Sur ya no son solo espacios de venta de libros, sino grandes centros culturales híbridos que incluyen cafeterías, zonas de descanso, papelerías y espacios de ocio. Esta transformación las convierte en lugares ideales para la interacción social casual, ya que permiten pasar largos periodos de tiempo sin la presión de un entorno exclusivamente comercial o de ocio nocturno. En este contexto, la interacción entre desconocidos se vuelve más natural.
Sin embargo, el fenómeno no está exento de críticas. Algunos visitantes habituales consideran que esta tendencia está alterando la naturaleza tradicional de las librerías como espacios de silencio, concentración y lectura. La presencia de personas que acuden con la intención de socializar o de crear contenido para redes sociales ha generado incomodidad en ciertos usuarios, que perciben una pérdida de intimidad y tranquilidad. Incluso se han reportado situaciones en las que intentos de aproximación romántica han resultado invasivos o incómodos.
A pesar de estas tensiones, el artículo señala un efecto positivo inesperado: el aumento del interés por la lectura entre los jóvenes. En un contexto de preocupación por la caída de los hábitos lectores en Corea del Sur, los datos recientes indican un repunte en la franja de edad de 20 a 29 años. Las librerías independientes y los grandes centros culturales están experimentando una revitalización, impulsados por su papel como espacios sociales además de culturales.
El texto interpreta este fenómeno como parte de una transformación cultural más amplia en la que los espacios de lectura se integran en la vida social contemporánea y en la estética digital. La idea de un romance que surge entre estanterías de libros conecta con una narrativa romántica profundamente arraigada en la cultura popular, donde la lectura y la afinidad intelectual funcionan como base idealizada del amor. En este sentido, las librerías de Seúl se consolidan como espacios híbridos donde convergen cultura, identidad, consumo y relaciones sociales.
El artículo narra la historia de Lindzi Hargrave, una mujer de Leicester que transforma un antiguo autobús de dos pisos en una biblioteca móvil y hogar autosuficiente fuera de la red eléctrica. El proyecto surge de una idea que la acompañaba desde la infancia —tener un autobús propio— y que evolucionó desde sueños juveniles de ser conductora o montar una cafetería sobre ruedas hasta convertirse en un ambicioso espacio cultural y comunitario. En 2023 compra el vehículo por eBay por 18.000 libras y, tras un proceso de reconversión durante 2024, invierte alrededor de 50.000 libras en convertirlo en vivienda y biblioteca itinerante.
El autobús se diseña como un espacio híbrido: hogar, biblioteca y punto de encuentro comunitario. Está equipado con paneles solares, mobiliario reutilizado y un interior lleno de libros y plantas que lo convierten en un entorno cálido y acogedor. Más allá de su valor estético, el proyecto está pensado como una herramienta social para acercar la lectura a comunidades donde las bibliotecas han desaparecido o son de difícil acceso. La iniciativa incluye un servicio de intercambio de libros y busca fomentar la lectura, la conversación y la conexión entre personas.
El texto subraya que este proyecto se diferencia de otras tendencias de “tiny homes” o viviendas alternativas porque no responde solo a una estética de vida minimalista o viral, sino a un propósito social claro: recuperar el papel de los libros y los espacios de lectura en un contexto de creciente digitalización y aislamiento social. En este sentido, el autobús funciona como una biblioteca en movimiento que reactiva la idea de la biblioteca como espacio vivo de comunidad, aprendizaje y encuentro.
La historia también tiene una dimensión personal profunda. Lindzi relata que el proyecto supuso un punto de inflexión en su vida tras atravesar problemas de alcoholismo. Como parte de su proceso de cambio, tomó decisiones simbólicas como raparse el cabello antes de iniciar su nueva etapa. La compra del autobús representa, así, no solo un cambio de estilo de vida, sino una reconstrucción personal basada en la acción, la creatividad y el propósito.
El artículo destaca el valor simbólico y social del proyecto en un contexto en el que muchas bibliotecas públicas están perdiendo financiación o cerrando. El autobús de Lindzi se presenta como una respuesta creativa a esa tendencia: una biblioteca sin edificio fijo que viaja para devolver el acceso a los libros y la experiencia comunitaria de la lectura a lugares donde se ha perdido. Con la aprobación técnica del vehículo, la autora del proyecto inicia ahora su recorrido por festivales y comunidades del Reino Unido, llevando consigo libros, encuentros y una idea renovada de lo que puede ser una biblioteca.
La lista AI 50 de Forbes reúne cada año a las 50 empresas privadas de inteligencia artificial más destacadas del mundo. La edición de 2026 refleja un cambio importante en el sector: ya no se premia solo la potencia tecnológica de los grandes modelos, sino la capacidad de las empresas para convertir la IA en productos útiles, eficientes y económicamente sostenibles.
Entre las compañías destacadas aparecen líderes consolidados como OpenAI, Anthropic, Mistral AI y Perplexity, junto a startups emergentes que están transformando sectores como el software, la salud, el derecho o la creación de contenidos. La selección incluye empresas de Norteamérica, Europa y otras regiones, lo que evidencia la globalización del ecosistema de la IA.
El informe también subraya varias tendencias clave: el crecimiento de la IA aplicada a industrias específicas, el auge de los agentes de IA en el entorno laboral, la importancia del control de costes computacionales y la aparición de modelos más eficientes frente a los sistemas gigantescos tradicionales.
En conjunto, el AI 50 de Forbes funciona como una radiografía del ecosistema actual de la inteligencia artificial, mostrando tanto a los gigantes que lideran la infraestructura como a las startups que están redefiniendo el uso práctico de esta tecnología en la economía global.
El panorama actual de la Inteligencia Artificial y el software de datos se caracteriza por una descomunal inyección de capital que, si bien está distribuida en decenas de empresas emergentes, se encuentra fuertemente centralizada en unos pocos jugadores dominantes. La suma total de financiamiento de las compañías analizadas supera los $311,000 millones de dólares, pero esta cifra está profundamente sesgada por gigantes como OpenAI y Anthropic, que juntos absorben la mayor parte de los recursos económicos del sector. Excluyendo a estos titanes de la infraestructura y los modelos masivos, la mediana de financiamiento se sitúa en los $667.5 millones de dólares, lo que demuestra que, aunque el mercado es altamente competitivo, las startups dedicadas a aplicaciones específicas operan con presupuestos notablemente más terrenales pero igualmente multimillonarios.
Geográficamente, el sector opera bajo una hegemonía casi absoluta de los Estados Unidos, consolidando a la Bahía de San Francisco como el epicentro indiscutible de la revolución tecnológica actual. Con la gran mayoría de las empresas listadas operando desde ciudades como San Francisco, Palo Alto o Sunnyvale, el ecosistema de Silicon Valley demuestra una capacidad inigualable para atraer tanto el talento técnico como el capital de riesgo. Fuera de este núcleo, la ciudad de Nueva York emerge como el segundo polo estadounidense más relevante, especializándose en soluciones verticales como el software legal y financiero. A nivel internacional, la presencia es sumamente fragmentada, con apariciones discretas pero importantes en países como Suecia, Francia, el Reino Unido, Canadá y Alemania, lo que refleja que Europa y el resto de América del Norte aún luchan por descentralizar el liderazgo estadounidense.
En cuanto a las tendencias de negocio, se observa una transición clara desde los modelos de lenguaje de propósito general hacia la hiper-especialización y la automatización de nichos profesionales. Las herramientas orientadas a transformar la ingeniería de software, como Cursor y Cognition, están capturando el interés de los inversores al prometer la autonomía en la programación. Paralelamente, sectores tradicionales con altos costes operativos y regulatorios están adoptando agentes de IA altamente especializados; es el caso de la medicina con plataformas de asistencia para doctores, el sector legal con automatización de contratos, y la atención al cliente con agentes autónomos complejos.
Durante décadas, las bibliotecas universitarias han desempeñado un papel claramente definido dentro de las universidades: gestionar colecciones físicas y digitales, organizar recursos documentales y facilitar el acceso a información adquirida externamente para estudiantes, docentes e investigadores. Este modelo tradicional, centrado en la gestión de colecciones y servicios bibliográficos, permitió que las bibliotecas funcionaran de forma relativamente autónoma, siendo percibidas como espacios dedicados principalmente a custodiar conocimiento y proporcionar acceso a materiales académicos. Sin embargo, los profundos cambios experimentados por la investigación científica, la digitalización y las nuevas dinámicas institucionales han provocado una transformación sustancial de este paradigma.
El informe desarrollado por OCLC Research introduce el concepto “The Library Beyond the Library” (“La biblioteca más allá de la biblioteca”), una idea que refleja cómo las bibliotecas universitarias están expandiendo su radio de acción mucho más allá de sus funciones históricas. Ya no se limitan a administrar colecciones o proporcionar servicios de préstamo, sino que participan activamente en áreas estratégicas vinculadas al ecosistema global de investigación institucional. Esto incluye la gestión de datos científicos, repositorios institucionales, apoyo a políticas de ciencia abierta, análisis bibliométricos, visibilidad académica, gestión de perfiles de investigadores, preservación digital, apoyo a la publicación científica y desarrollo de infraestructuras de información para la toma de decisiones universitarias.
Uno de los hallazgos centrales del estudio es que esta evolución está obligando a las bibliotecas a establecer alianzas transversales con otras unidades universitarias. Servicios antes exclusivamente bibliotecarios ahora requieren colaboración con oficinas de investigación, departamentos de tecnologías de la información, unidades de innovación educativa, áreas de gestión institucional y oficinas dedicadas a la captación de fondos o al cumplimiento de políticas científicas internacionales. Estas colaboraciones generan nuevos modelos organizativos en los que la biblioteca deja de ser una unidad aislada para convertirse en una pieza integrada dentro de la infraestructura estratégica de la universidad. El conocimiento especializado de los bibliotecarios comienza así a insertarse en procesos institucionales mucho más amplios relacionados con la producción científica y la reputación académica.
Los investigadores Brian Lavoie y Rebecca Bryant subrayan que este cambio no consiste únicamente en ampliar servicios, sino en redefinir la propuesta de valor de la biblioteca. Tradicionalmente, el valor de la biblioteca se medía por indicadores visibles como número de préstamos, tamaño de la colección o afluencia de usuarios. En el nuevo escenario, buena parte del trabajo bibliotecario ocurre “detrás del escenario”, influyendo en procesos complejos que muchos actores universitarios no identifican inmediatamente como parte del trabajo bibliotecario. Esto genera un desafío importante: cuanto más estratégica se vuelve la biblioteca, más invisible puede parecer su contribución si no se comunica adecuadamente su impacto dentro de la institución. La percepción pública continúa asociando a menudo la biblioteca únicamente con libros, salas de estudio o acceso a recursos electrónicos, ignorando funciones emergentes de enorme relevancia institucional.
El estudio presenta varios casos concretos que ilustran esta transición. En la University of Manchester, por ejemplo, la biblioteca lidera una nueva oficina institucional dedicada a la investigación abierta, centralizando servicios que involucran a múltiples departamentos universitarios. En la Montana State University se creó una alianza de investigación donde unidades bibliotecarias y no bibliotecarias trabajan conjuntamente desde un mismo espacio operativo, posicionando a la biblioteca como nodo central del ecosistema investigador. En la University of Illinois Urbana-Champaign, la biblioteca administra sistemas institucionales de gestión de información científica financiados por el vicerrectorado de investigación, extendiendo su experiencia en metadatos hacia la construcción de infraestructuras que apoyan la planificación estratégica universitaria. Estos ejemplos muestran cómo la biblioteca puede asumir un rol de liderazgo en estructuras institucionales antes alejadas de su ámbito tradicional.
Otro concepto clave asociado al informe es el de interoperabilidad social, entendido como la capacidad de crear relaciones funcionales sostenibles entre personas, departamentos e instituciones distintas para facilitar colaboración efectiva. Las bibliotecas necesitan hoy no solo competencias técnicas en organización del conocimiento o gestión documental, sino también habilidades para negociar, coordinar proyectos interdisciplinarios, liderar redes institucionales y construir puentes entre comunidades académicas diversas. El bibliotecario contemporáneo evoluciona así hacia un perfil híbrido donde conviven capacidades tecnológicas, analíticas, comunicativas y estratégicas. La gestión de información sigue siendo central, pero ahora inserta dentro de un ecosistema mucho más interdependiente y colaborativo.
En última instancia, el informe advierte que las bibliotecas que no logren adaptarse a esta transformación corren el riesgo de perder relevancia institucional, recursos económicos e influencia dentro de sus organizaciones. A medida que universidades y centros de investigación priorizan productividad científica, ciencia abierta, colaboración interdisciplinaria y financiación competitiva, las bibliotecas deben demostrar de manera clara cómo contribuyen directamente a estos objetivos estratégicos. El futuro bibliotecario ya no depende únicamente de preservar colecciones o garantizar acceso a información, sino de posicionarse como un actor imprescindible dentro de la infraestructura intelectual y científica de la institución. “La biblioteca más allá de la biblioteca” representa precisamente esta transición: pasar de ser un espacio de servicios tradicionales a convertirse en un socio estratégico esencial para la creación, gestión y circulación del conocimiento en la universidad del siglo XXI.
A modern library integrates artificial intelligence for advanced information access and digital learning.
Pressley, Lauren.What Libraries Actually Do. Publicado en el blog Libraries as Epistemic Institutions, 23 de marzo de 2026. Disponible en: Lauren Pressley – What Libraries Actually Do
Lauren Pressley plantea una reflexión profunda sobre la verdadera función de las bibliotecas en un contexto marcado por la expansión de la inteligencia artificial y la transformación radical de los ecosistemas informativos.
La autora parte de una idea central: uno de los mayores problemas a la hora de explicar el valor de las bibliotecas es que cada persona percibe una biblioteca de forma distinta según su experiencia y sus necesidades. Para un estudiante puede ser simplemente un lugar tranquilo donde estudiar; para un investigador, un sistema complejo que proporciona acceso a recursos especializados; para un profesor, una infraestructura invisible que sostiene gran parte del trabajo académico cotidiano. Esta diversidad de percepciones dificulta comunicar de manera clara qué hacen realmente las bibliotecas.
Pressley sostiene que históricamente las bibliotecas han sido descritas en términos demasiado reduccionistas, asociándolas casi exclusivamente con el acceso a la información: colecciones, préstamos, consultas o espacios físicos. Sin embargo, argumenta que esta visión resulta hoy insuficiente, especialmente en un mundo donde herramientas de inteligencia artificial permiten acceder instantáneamente a enormes volúmenes de información. En este nuevo escenario, centrarse únicamente en la idea de “dar acceso” puede llevar a pensar erróneamente que las bibliotecas han perdido relevancia. La autora considera que precisamente ocurre lo contrario: cuanto más abundante y automatizada es la información, más necesaria resulta la labor intelectual que las bibliotecas llevan décadas desarrollando.
Uno de los puntos fundamentales del texto es la distinción entre información y conocimiento. La inteligencia artificial puede ofrecer respuestas rápidas, sintetizar contenidos y generar textos aparentemente coherentes, pero no produce conocimiento en sentido profundo. Transformar información en conocimiento exige contexto, interpretación, comprensión crítica y capacidad para evaluar la procedencia, calidad y fiabilidad de las fuentes. Según Pressley, este es precisamente el núcleo del trabajo bibliotecario: ayudar a las personas a entender cómo se produce el conocimiento, cómo se valida a través de procesos como la revisión por pares, cómo distinguir entre distintos tipos de publicaciones académicas y cómo evaluar si una fuente realmente sustenta una afirmación o una investigación.
La autora también critica la tendencia histórica de las bibliotecas a justificar su valor mediante métricas cuantitativas tradicionales: número de préstamos, visitas físicas, tamaño de las colecciones o consultas atendidas. Aunque estos indicadores fueron durante décadas la forma habitual de demostrar impacto institucional, Pressley argumenta que la inteligencia artificial obliga a replantear esas métricas. Cuando el acceso a la información deja de ser escaso, lo verdaderamente importante es destacar el papel de las bibliotecas como instituciones que sostienen la construcción colectiva del conocimiento, preservan la calidad del ecosistema informativo y enseñan a navegar críticamente entornos saturados de datos.
Otro eje esencial del artículo es la idea de que las bibliotecas constituyen una infraestructura epistemológica. Inspirándose en conceptos de la epistemología social desarrollados por Jesse H. Shera y Margaret Egan, Pressley sostiene que las bibliotecas no son simples depósitos de información, sino instituciones que organizan la manera en que las comunidades producen, validan, comparten y preservan el conocimiento. Su función consiste en mantener visibles elementos que la inteligencia artificial suele ocultar: la autoría, el contexto de producción del conocimiento, la trazabilidad de las ideas, la diversidad de perspectivas y las condiciones bajo las cuales una afirmación puede considerarse confiable.
En relación con ello, la autora advierte que los sistemas de inteligencia artificial generan respuestas con una apariencia de autoridad que puede resultar engañosa. Los modelos de lenguaje producen textos fluidos y convincentes, pero a menudo eliminan o difuminan el origen de la información utilizada. Esta ausencia de procedencia dificulta la verificación crítica y puede fomentar una aceptación acrítica de contenidos potencialmente erróneos. Frente a ello, las bibliotecas desempeñan un papel irremplazable enseñando competencias informacionales, promoviendo el pensamiento crítico y preservando los mecanismos de validación que sostienen la producción académica y científica.
Finalmente, Pressley concluye que el discurso que presenta a la inteligencia artificial como una amenaza que volverá obsoletas a las bibliotecas parte de una comprensión equivocada de lo que estas representan. Si se piensa que una biblioteca solo sirve para localizar información, entonces parecería que la IA puede sustituirla. Pero si se entiende que las bibliotecas son instituciones dedicadas a construir conocimiento confiable, preservar memoria cultural, garantizar transparencia en las fuentes y enseñar a evaluar críticamente la información, entonces la inteligencia artificial no reduce su importancia, sino que hace todavía más evidente su papel esencial dentro de la sociedad contemporánea.
El artículo termina proponiendo una reformulación profunda del relato institucional bibliotecario: las bibliotecas nunca han sido solamente espacios de acceso a información, sino estructuras fundamentales que sostienen las condiciones necesarias para que las sociedades puedan conocer, aprender y producir conocimiento de manera crítica y responsable. En la era de la inteligencia artificial, esa función se vuelve no secundaria, sino absolutamente central.
El artículo advierte que la rápida expansión de los agentes de inteligencia artificial en entornos empresariales está generando un problema crítico de gobernanza: muchas organizaciones les están otorgando permisos demasiado amplios sin los controles adecuados, lo que aumenta el riesgo de errores graves, fugas de datos o acciones irreversibles.
La idea central es que los agentes de IA deben ser tratados como “becarios” o empleados junior, no como trabajadores plenamente confiables. Igual que un interno en su primer día, un agente no debería tener acceso generalizado a sistemas críticos ni capacidad de decisión autónoma sin supervisión.
El texto señala que uno de los principales fallos actuales es el “exceso de confianza” en los agentes, que lleva a otorgarles permisos de escritura, acceso a bases de datos o capacidad de ejecutar acciones sensibles. Este crecimiento gradual de privilegios puede parecer razonable en cada paso, pero acaba creando un nivel de acceso desproporcionado y peligroso.
Para evitarlo, el artículo propone un enfoque de gobernanza basado en la mínima autoridad necesaria y en la supervisión continua. Entre las recomendaciones clave destacan:
Definir claramente la función del agente antes de asignarle permisos.
Limitar su acceso estrictamente a lo necesario para esa tarea.
Usar credenciales separadas y específicas por agente.
Monitorizar sus acciones de forma constante.
Revisar periódicamente sus permisos.
También se insiste en que la gobernanza no puede ser un añadido posterior, sino que debe diseñarse desde el inicio del sistema. La conclusión es clara: los agentes de IA pueden ser muy útiles, pero sin una estructura de control equivalente a la de un entorno laboral humano supervisado, pueden convertirse en un riesgo significativo para las organizaciones.
«Toda la biblioteca es fundadora. Pero hay días en que uno querría deshacerse de los libros a carretilladas. Ya no tengo el valor de hacerlo. En otro tiempo dispuse de un vertedero doméstico, una trampilla que se abría en cada cocina de un edificio y que, por un conducto estrecho, enviaba los desechos a un cubo comunitario. Ese modo de ejecución rápida ha desaparecido hoy, por exigencias de higiene. Sin embargo, era tan práctico para despachar una brazada de libros: un gesto, y dos mil años de trabajo y de esperanzas caían de golpe seis pisos abajo, entre las cáscaras de cebolla».
An infographic explaining what AI detectors can confidently identify and where their analysis falls short.
Atamhenwan, Lucky E. (2026). How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin? Education and Information Technologies. Springer Nature. DOI: 10.1007/s10639-026-14049-2
La rápida expansión de herramientas de inteligencia artificial está transformando profundamente la educación y la escritura académica. Ante este cambio, universidades e instituciones recurren cada vez más a detectores automáticos como Turnitin para identificar textos generados por IA. El estudio de Lucky E. Atamhenwan analiza hasta qué punto Turnitin puede distinguir con precisión entre escritura humana y contenido producido total o parcialmente por inteligencia artificial.
La expansión acelerada de la inteligencia artificial generativa en los últimos años ha transformado profundamente la educación superior y los procesos de producción textual. La aparición de modelos de lenguaje de gran escala como ChatGPT, Microsoft Copilot, Google Gemini y Grammarly ha permitido que estudiantes, investigadores y profesionales generen textos complejos con rapidez y una calidad lingüística cada vez más cercana a la escritura humana. Frente a este nuevo escenario, instituciones educativas de todo el mundo han comenzado a depender de sistemas automáticos de detección de contenido generado por IA, siendo Turnitin una de las herramientas más utilizadas. El estudio de Lucky E. Atamhenwan se propone analizar hasta qué punto Turnitin es realmente capaz de diferenciar entre textos escritos por humanos y textos producidos, parcial o totalmente, mediante modelos de lenguaje artificial.
La investigación parte de una cuestión central: aunque numerosas universidades están comenzando a utilizar detectores automáticos de IA para evaluar trabajos académicos, existe todavía una gran incertidumbre acerca de la precisión real de estas herramientas. El autor recuerda que la irrupción masiva de ChatGPT en noviembre de 2022 marcó un punto de inflexión sin precedentes en la relación entre inteligencia artificial y educación. En apenas unos meses aparecieron múltiples sistemas generativos capaces no solo de redactar textos completos, sino también de resumir documentos, corregir gramática, traducir contenidos, programar código y reformular ideas con notable coherencia. Este avance ha generado enormes beneficios pedagógicos, pero también ha abierto interrogantes sobre plagio, autoría y honestidad académica, especialmente cuando los estudiantes presentan como propio un contenido producido parcial o totalmente por IA.
Para estudiar la eficacia de Turnitin, el investigador diseñó un experimento de gran escala basado en 81 documentos diferentes, construidos a partir de combinaciones variables entre escritura humana y texto generado por modelos de lenguaje. Los documentos contenían mezclas progresivas que iban desde un 100% de texto humano hasta un 100% de texto generado por IA, utilizando cuatro sistemas distintos: ChatGPT, Copilot, Gemini y Grammarly. Se crearon textos de aproximadamente 4.000 palabras y se fueron introduciendo porcentajes crecientes de contenido generado artificialmente: 5%, 10%, 15%, 20%, 30%, 50%, 70%, hasta llegar al 100%. Cada documento fue sometido al detector de Turnitin para observar qué porcentaje del contenido era identificado como generado por inteligencia artificial. Este diseño experimental permitió estudiar no solamente si Turnitin detecta IA, sino también cómo cambia su comportamiento cuando el texto combina escritura humana y escritura algorítmica.
Uno de los resultados más relevantes del estudio es que Turnitin no detectó absolutamente ningún contenido generado por IA cuando este representaba solo el 5% o el 10% del texto total. Esto significa que si un estudiante escribe la mayor parte de un trabajo por sí mismo y utiliza un modelo de lenguaje únicamente para generar pequeños fragmentos, Turnitin puede no generar ninguna alerta. A partir de porcentajes cercanos al 15%, el sistema comienza a identificar contenido sospechoso, pero con un problema importante: las puntuaciones no son exactas. Cuando el porcentaje real de texto generado por IA es bajo, Turnitin suele sobreestimar la cantidad de contenido artificial, produciendo falsos incrementos. Paradójicamente, cuando el porcentaje real de IA es muy alto, el detector comienza a subestimar la presencia artificial, mostrando cifras inferiores a la realidad. Esta inconsistencia cuestiona seriamente la confianza absoluta en el sistema.
El comportamiento del detector varía además según el modelo de lenguaje utilizado. En el caso de ChatGPT, Turnitin mostró una tendencia sistemática a detectar porcentajes inferiores al contenido real generado por IA. Incluso cuando un texto estaba producido al 100% por ChatGPT, Turnitin solo identificó un 60% como artificial. Con Copilot y Gemini los resultados fueron algo más equilibrados, aunque igualmente inconsistentes: en algunos casos sobreestimaban la presencia de IA y en otros la reducían. Grammarly presentó un patrón diferente, con detecciones superiores al porcentaje real cuando la intervención de IA era baja, pero subestimaciones cuando aumentaba la proporción de texto generado automáticamente. Esto demuestra que no existe un criterio homogéneo y que el detector responde de manera distinta según las características lingüísticas propias de cada modelo de inteligencia artificial.
Un segundo bloque del estudio analiza un fenómeno cada vez más extendido: el uso de herramientas diseñadas específicamente para “humanizar” textos creados por IA con el objetivo de evitar ser detectados. Para ello se utilizaron plataformas como QuillBot, EasyEssayAI y RyneAI, muy conocidas en comunidades digitales por su capacidad para reformular textos y hacerlos parecer escritos por humanos. Los investigadores tomaron textos generados al 100% por ChatGPT, Copilot, Gemini y Grammarly, y posteriormente los pasaron por estas herramientas de reformulación antes de volver a analizarlos en Turnitin. Los resultados fueron especialmente reveladores: textos completamente generados por Copilot y posteriormente reformulados con QuillBot obtuvieron una puntuación del 0%, es decir, Turnitin los consideró completamente humanos. De manera similar, RyneAI consiguió que textos enteramente generados por Copilot, Gemini o Grammarly fueran clasificados también con 0% de contenido artificial.
Desde un punto de vista estadístico, el estudio confirma que existe una correlación muy fuerte entre la cantidad real de texto generado por IA y la puntuación otorgada por Turnitin. Sin embargo, esta relación no implica precisión. Los análisis de correlación y regresión muestran que el sistema detecta patrones asociados al texto artificial, pero no logra cuantificar de manera fiable cuánto contenido ha sido realmente producido por inteligencia artificial. El modelo estadístico utilizado revela que el 82,5% de la variabilidad observada en las puntuaciones depende efectivamente de la presencia de texto generado por IA, pero el margen de error sigue siendo considerable. En otras palabras: Turnitin reconoce señales asociadas al uso de IA, pero no constituye una herramienta exacta para determinar porcentajes reales de autoría algorítmica.
Las implicaciones educativas del trabajo son profundas. El autor sostiene que las universidades no deberían utilizar las puntuaciones de Turnitin como prueba concluyente para sancionar estudiantes, especialmente cuando los porcentajes detectados son bajos o moderados. Según el estudio, puntuaciones inferiores al 40% deben interpretarse con gran cautela, mientras que valores superiores al 60% pueden ser indicativos más sólidos, aunque nunca definitivos. Más allá de la detección, el artículo plantea que el verdadero desafío no consiste en prohibir la inteligencia artificial, sino en redefinir el modo en que se evalúa el aprendizaje. A medida que los modelos generativos evolucionen, será cada vez más difícil impedir su uso en tareas escritas tradicionales. Esto obliga a replantear metodologías de evaluación, incorporando sistemas supervisados, navegadores bloqueados, evaluaciones presenciales y nuevas formas de demostrar conocimiento que no dependan exclusivamente de la producción textual.
El estudio concluye que la educación necesita abandonar la visión puramente punitiva sobre la inteligencia artificial y avanzar hacia un modelo de integración ética y transparente. La IA debe entenderse como una herramienta legítima de aprendizaje, siempre que existan normas claras sobre su uso. El autor propone una cooperación entre universidades, empresas tecnológicas y plataformas como Turnitin para desarrollar sistemas que no solo detecten contenido generado por IA, sino que permitan rastrear el origen y el proceso de creación de los textos. En definitiva, esta investigación desmonta la idea de que los detectores actuales sean infalibles y muestra que, en el contexto actual, confiar ciegamente en estas herramientas para tomar decisiones académicas puede generar errores, injusticias y conflictos éticos considerables. Más que una solución definitiva, los detectores de IA representan apenas una tecnología en desarrollo dentro de un escenario educativo que está cambiando a una velocidad sin precedentes.
Datos clave:
Precisión con textos humanos: Turnitin no arrojó falsos positivos en el texto escrito completamente por humanos (0% de puntuación de IA).
Umbral mínimo de detección: Turnitin no detectó la presencia de IA cuando el porcentaje real de texto generado por los LLM era del 5% o 10% (marcando 0% en la puntuación).
Distorsión en porcentajes bajos (Inexactitud por exceso): Cuando la cantidad de IA era baja pero detectable (ej. 15% o 20%), Turnitin tendió a sobreestimar el puntaje, otorgando porcentajes de IA detectada más altos que la realidad (ej. detectó entre 21% y 24% para un 15% real).
Distorsión en porcentajes altos (Inexactitud por defecto): A medida que aumentaba el texto de IA en la combinación, el detector tendió a subestimar el puntaje real. Al llegar al 100% de contenido de IA en textos largos (4,000 palabras), Turnitin nunca puntuó 100%; las calificaciones máximas para textos puros de IA fueron de 87% (Copilot/Gemini), 82% (Grammarly) y apenas un 60% (ChatGPT).
Correlación: Existe una relación positiva muy fuerte ($R^2$ de Nagelkerke = 0.825): a mayor porcentaje real de IA, mayor es la puntuación de detección de Turnitin, confirmando que la detección se debe efectivamente a los fragmentos de IA
ChatGPT: Fue el modelo que más «burló» el detector en formato mixto. Turnitin puntuó por debajo de la realidad en el 65% de sus textos. Incluso al 25% de contenido real de ChatGPT, Turnitin marcó 0%.
Copilot y Gemini: Siguieron un comportamiento similar entre sí; Turnitin tendió a sobreestimar el porcentaje de IA en rangos bajos y medianos, pero empezó a reportar por debajo de la realidad a partir del 75% de contenido de IA.
Grammarly: Turnitin detectó niveles inflados (más altos que la realidad) entre el 15% y 40% de contenido, pero empezó a puntuar por debajo del porcentaje real a partir del 45% de texto generado por Grammarly.
RyneAI: Fue la herramienta de evasión más efectiva. Logró reducir la puntuación de Turnitin a 0% para Copilot, Grammarly y Gemini (haciendo que el detector los aceptara por completo como humanos). Para ChatGPT, la redujo al 26%.
QuillBot (AI Humanizer): Consiguió reducir la puntuación de Copilot a 0%. Sin embargo, fue menos efectivo con los demás: ChatGPT (33%), Grammarly (62%) y Gemini (83%).
EasyessayAI: Fue la menos efectiva. Turnitin siguió detectando altas tasas de IA en los textos procesados: Copilot (80%), ChatGPT (65%), Gemini (63%) y Grammarly (56%).
Efecto de la longitud del texto: El estudio demostró que Turnitin es mucho más preciso detectando textos puramente de IA cuando el documento es más corto (500-1000 palabras frente a las 4000 de la primera fase).
Simons, Bright. “The Social Edge of Intelligence”. The Ideas Letter, 16 de abril de 2026
La IA no es realmente inteligente por sí misma, sino que funciona como un espejo estadístico que reproduce la inteligencia colectiva generada por las sociedades humanas. Según el autor, los modelos de lenguaje como ChatGPT no “piensan” de manera autónoma, sino que aprenden de enormes cantidades de lenguaje producido históricamente por interacciones humanas complejas. El verdadero peligro, sostiene, es que el uso excesivo de la IA podría erosionar precisamente las condiciones sociales que hicieron posible su desarrollo.
Simons parte de una observación central: el progreso de la inteligencia artificial se alimenta del conocimiento acumulado por generaciones humanas. Para demostrarlo, propone un experimento mental en el que imagina entrenar distintos modelos de IA con textos de diversas épocas históricas: el antiguo Egipto, la Grecia clásica, Roma, Bagdad medieval, el Renacimiento italiano y el mundo contemporáneo. La conclusión es clara: aunque la arquitectura tecnológica fuera idéntica, cada modelo sería más “inteligente” en la medida en que la civilización que produjo los textos fuera socialmente más compleja. Esto sugiere que la inteligencia artificial no depende únicamente del cómputo o de los algoritmos, sino fundamentalmente de la riqueza cultural, institucional y social de las comunidades humanas que generan el lenguaje con el que aprende.
Uno de los argumentos más fuertes del ensayo se relaciona con el fenómeno conocido como colapso del modelo. Simons recupera investigaciones publicadas en Nature que muestran que cuando una IA comienza a entrenarse con contenido generado por otras inteligencias artificiales, su calidad cognitiva empieza a degradarse progresivamente. Desaparecen perspectivas minoritarias, formulaciones poco comunes, ideas originales y conocimientos marginales. El resultado es un sistema que sigue siendo fluido y convincente, pero intelectualmente más pobre y homogéneo. El autor interpreta este problema técnico como una manifestación de un problema social más profundo: la reducción de la diversidad intelectual humana a medida que delegamos cada vez más tareas cognitivas a las máquinas.
El ensayo también examina investigaciones recientes sobre creatividad asistida por IA. Un estudio realizado en el Reino Unido con alrededor de 300 escritores mostró que quienes utilizaron modelos como GPT-4 produjeron relatos que los evaluadores consideraron más creativos a nivel individual. Sin embargo, cuando se analizó el conjunto de relatos apareció un efecto inesperado: todos los textos empezaban a parecerse demasiado entre sí. Cada individuo mejoraba su rendimiento, pero el colectivo perdía diversidad creativa. Simons denomina este fenómeno una especie de “tragedia de los comunes cognitiva”: la ganancia individual inmediata produce una pérdida colectiva a largo plazo porque empobrece la variedad intelectual del ecosistema cultural.
Otro eje importante del artículo se centra en cómo la automatización está transformando el trabajo intelectual. El autor cita casos de empresas como IBM, Duolingo, Klarna y Atlassian, que han reducido o replanteado parte de sus plantillas al incorporar inteligencia artificial. El problema, argumenta Simons, es que muchas compañías ven la IA únicamente como una herramienta para sustituir trabajadores y reducir costes. Sin embargo, eliminar puestos junior o funciones de aprendizaje interno significa destruir los espacios donde se genera el conocimiento tácito, la experiencia acumulada y la formación de futuros expertos. Es decir, al automatizar excesivamente se debilita el proceso social mediante el cual se produce nuevo conocimiento humano, que es precisamente el combustible de futuras generaciones de inteligencia artificial.
Simons recupera además estudios de Nicholas Carr y otros investigadores que muestran que las personas tienden a reducir su esfuerzo cognitivo cuando confían en sistemas automatizados. Igual que ocurrió con los buscadores como Google —que llevaron a muchas personas a memorizar menos información— la IA generativa podría producir un fenómeno más profundo: la externalización del pensamiento mismo. Un estudio realizado por investigadores de Microsoft y Carnegie Mellon University encontró que en un 40% de tareas asistidas por IA los trabajadores dejaron de ejercer pensamiento crítico, especialmente cuando confiaban plenamente en las respuestas producidas por el sistema. Para Simons, esto supone un riesgo sistémico: una humanidad cada vez más eficiente individualmente, pero colectivamente menos capaz de generar conocimiento nuevo.
El núcleo conceptual del ensayo aparece en lo que Simons llama “Social Edge Framework” (Marco del Borde Social). Su argumento es que la inteligencia humana siempre ha sido un fenómeno profundamente colectivo. Retoma ideas del psicólogo soviético Lev Vygotsky, quien sostenía que el pensamiento emerge del lenguaje social, y del antropólogo cognitivo Edwin Hutchins, que demostró cómo muchos procesos mentales no ocurren dentro del cerebro individual sino distribuidos en grupos, instituciones y herramientas culturales. Desde esta perspectiva, la IA no aprende de individuos aislados, sino de millones de conversaciones, debates, negociaciones y conflictos sociales acumulados durante siglos. Cada “token” de entrenamiento es, en cierto modo, un fósil de interacción humana.
En la parte final del texto, Simons critica a figuras influyentes del sector tecnológico como Sam Altman, Dario Amodei y Leopold Aschenbrenner, a quienes acusa de centrarse casi exclusivamente en variables técnicas como potencia computacional, escalado de datos y arquitectura de modelos, sin prestar suficiente atención a la dimensión social del conocimiento. Según Simons, la gran paradoja es que cuanto más se use la IA para reemplazar interacciones humanas —reuniones, debates, aprendizaje entre compañeros, puestos de entrada al mercado laboral, escritura original o pensamiento crítico— más se debilitará el ecosistema intelectual del que depende el progreso futuro de la propia inteligencia artificial.
La conclusión del ensayo es contundente: las organizaciones más exitosas en la próxima década no serán necesariamente aquellas que más automaticen, sino aquellas que comprendan que el verdadero valor de la IA no reside en sustituir personas, sino en potenciar formas más ricas de colaboración humana. La inteligencia artificial es, en última instancia, una herencia construida por siglos de interacción social compleja. Si esa herencia se consume sin reinvertir en creatividad, debate, educación, pensamiento crítico y trabajo colaborativo, acabará agotándose. Para Simons, el futuro de la IA no depende solamente de máquinas más poderosas, sino de preservar y fortalecer la riqueza intelectual de la sociedad que alimenta esas máquinas.
El ensayo constituye una crítica profunda a la visión tecnocrática dominante sobre la IA. Frente a la narrativa habitual centrada en eficiencia y automatización, Bright Simons recuerda que la inteligencia —humana y artificial— no surge en el aislamiento, sino en la conversación, el desacuerdo, la cooperación y la complejidad social. La verdadera frontera tecnológica, concluye, no está en los algoritmos, sino en nuestra capacidad de seguir pensando juntos.
Two professionals use AI tools to enhance their writing project in a modern office.
Diab, Robert. “The Case for and Against Co-Authoring With AI”. Publicado en Slaw.ca, 6 de mayo de 2026.
El jurista canadiense Robert Diab examina críticamente una de las cuestiones más debatidas en la era de la inteligencia artificial generativa: si resulta conveniente utilizar herramientas de IA como colaboradoras directas en la escritura profesional. Su reflexión se centra especialmente en el ámbito jurídico, aunque las ideas planteadas son extrapolables al periodismo, la investigación académica y cualquier disciplina donde la escritura sea una manifestación del pensamiento crítico y de la autoría intelectual.
Diab parte de una distinción fundamental entre dos usos distintos de la inteligencia artificial: emplearla como herramienta de apoyo para revisar o editar un texto ya escrito por una persona, o utilizarla para generar el documento desde cero a partir de instrucciones o prompts. Mientras considera legítimo y útil el primer caso, manifiesta reservas importantes sobre el segundo. Su principal preocupación es que, aunque técnicamente el texto generado pueda ser correcto, la escritura producida por IA suele carecer de autenticidad, personalidad y profundidad argumentativa, dando lugar a documentos excesivamente formales, repetitivos o mecánicos.
El autor analiza la postura opuesta defendida por el abogado neoyorquino Zack Shapiro, quien sostiene que la IA puede actuar como una verdadera coautora siempre que el usuario aporte previamente el pensamiento estratégico, la estructura argumentativa y las decisiones intelectuales fundamentales. Según esta visión, la parte esencial del trabajo cognitivo ocurre antes de redactar: el humano piensa, diseña y decide, mientras la máquina ejecuta y optimiza la expresión escrita. Desde esta perspectiva, no existiría una oposición binaria entre escritura humana y escritura artificial, sino una tercera vía híbrida de colaboración hombre-máquina.
Diab reconoce que este modelo de coautoría resulta intelectualmente atractivo y que numerosos profesionales lo están experimentando activamente. Sin embargo, mantiene su escepticismo. Señala que incluso cuando se utilizan instrucciones sofisticadas y procesos iterativos complejos, los textos producidos siguen presentando rasgos característicos de la escritura automatizada: verbosidad excesiva, formulaciones previsibles, falta de originalidad estilística y ausencia de matices personales. A su juicio, quienes valoran realmente la calidad de la escritura pueden detectar fácilmente estas limitaciones.
Uno de los aspectos más interesantes del artículo es la reflexión sobre la dimensión reputacional y profesional del acto de escribir. En profesiones como la abogacía, argumenta Diab, redactar bien no es simplemente transmitir información sino demostrar competencia, criterio y personalidad profesional. Un documento que suena excesivamente automatizado podría transmitir al lector —sea un cliente, un colega o un juez— la impresión de que el autor no dedicó suficiente atención o esfuerzo personal al trabajo realizado.
El autor reconoce, sin embargo, un argumento fuerte a favor del uso de IA: la eficiencia. En contextos laborales de alta presión, como servicios jurídicos saturados o tareas administrativas rutinarias, una carta elaborada parcialmente con ayuda de IA puede ser preferible a no producir ningún documento o limitarse a una comunicación oral improvisada. En estos escenarios, la inteligencia artificial puede servir como una herramienta valiosa para sintetizar información, organizar ideas y acelerar tareas de menor complejidad.
En sus conclusiones, Diab plantea una pregunta provocadora: si el objetivo final es producir un texto que refleje verdaderamente las propias ideas, la propia voz y el propio criterio, ¿no sería más razonable escribirlo directamente uno mismo? Sugiere que quizá la cuestión central no sea si la IA permite escribir más rápido, sino qué tipo de pensamiento, autenticidad y responsabilidad estamos dispuestos a delegar en sistemas automáticos.
El artículo refleja una preocupación creciente en ámbitos profesionales y académicos: a medida que la inteligencia artificial se integra en los procesos de escritura, surge la necesidad de redefinir conceptos tradicionales como autoría, responsabilidad intelectual y creatividad humana. Más allá de la eficiencia técnica, el verdadero debate gira en torno al valor que seguimos atribuyendo al pensamiento humano expresado a través de la escritura
Universo Abierto 