¿Cuánta agua consume la inteligencia artificial? El coste hídrico de los centros de datos

Zimmer, Katarina. “How much of a problem is AI’s water use?” Knowable Magazine, 24 de agosto de 2026. DOI: 10.1146/knowable-082426-1. Artículo original en Knowable Magazine

El artículo analiza uno de los impactos ambientales menos visibles de la expansión de la inteligencia artificial: el consumo de agua asociado a los centros de datos que entrenan y ejecutan modelos de IA. La cuestión es más compleja de lo que sugieren algunas cifras que circulan en Internet. Los centros de datos utilizan agua principalmente para evacuar el enorme calor producido por los procesadores, pero su impacto depende mucho de la tecnología de refrigeración, del clima, de la ubicación de las instalaciones y, especialmente, de la disponibilidad de agua en cada territorio.

Una de las principales conclusiones es que no resulta adecuado afirmar simplemente que la IA “consume enormes cantidades de agua” sin especificar dónde y cómo se produce ese consumo. En términos nacionales, el agua utilizada por los centros de datos es relativamente pequeña frente a sectores como la agricultura o determinadas actividades industriales. Los investigadores estimaron que los sistemas de refrigeración de los centros de datos estadounidenses consumieron unos 66.000 millones de litros en 2023, menos del 1 % del consumo total de agua del país. Sin embargo, una instalación concreta puede tener una repercusión considerable cuando se ubica en una región que ya padece escasez hídrica.

El crecimiento de la IA puede modificar sustancialmente este panorama. Un equipo dirigido por Fengqi You, de Cornell University, estima que hacia 2030 los centros de datos estadounidenses podrían consumir entre 731.000 y 1,125 billones de litros de agua al año, considerando tanto la refrigeración como el agua utilizada indirectamente para producir la electricidad que necesitan. La cifra superior sería aproximadamente comparable al suministro anual de agua potable de la ciudad de Nueva York. Estas proyecciones, por tanto, muestran que el problema no depende únicamente del agua que entra físicamente en un centro de datos: también hay una huella hídrica indirecta asociada a la generación de electricidad.

El artículo desmonta además una de las cifras más difundidas sobre la IA: la idea de que una consulta a un chatbot consume medio litro de agua. Esa estimación procedía de un estudio basado en GPT-4 y en las condiciones de funcionamiento de los centros de datos de aquel momento. El propio investigador Shaolei Ren señala que esa cifra está actualmente desactualizada porque los modelos y la infraestructura son más eficientes. Como referencia, Google calculó en 2025 que una consulta de longitud mediana a Gemini suponía aproximadamente cinco gotas de agua. Esto no significa que el consumo sea irrelevante: cuando se multiplican cantidades pequeñas por cientos de millones o miles de millones de consultas, el impacto agregado puede ser considerable.

Una parte fundamental de la solución se encuentra en las tecnologías de refrigeración. Los centros de datos tradicionales recurren en buena medida a sistemas evaporativos: el agua absorbe calor y parte de ella termina evaporándose. Los nuevos centros especializados en IA están adoptando cada vez más sistemas de refrigeración líquida, en los que un fluido circula por circuitos cerrados y extrae directamente el calor de los procesadores. Al tratarse de circuitos cerrados, el agua puede reutilizarse y se reduce considerablemente la necesidad de aportar agua nueva. Empresas como Amazon, Microsoft y Google ya utilizan estas tecnologías.

La refrigeración líquida, sin embargo, no elimina completamente el problema. En condiciones de temperaturas y humedad extremas, algunos centros necesitan utilizar sistemas adicionales que sí consumen agua. El artículo señala, por ejemplo, que muchos centros de datos de IA en Texas utilizan refrigeración basada en agua fundamentalmente durante los periodos más calurosos del verano. Un estudio citado estima que los centros de datos podrían pasar de representar actualmente menos del 1 % del consumo de agua de Texas a entre el 3 % y el 9 % en 2040, aunque los investigadores esperan que la mejora de la eficiencia reduzca esa previsión.

Otro elemento decisivo es dónde se construyen los centros de datos. El artículo sostiene que la localización puede ser tan importante como la propia tecnología. Instalar centros en regiones con abundantes recursos hídricos y disponibilidad de energías renovables puede reducir considerablemente su impacto. Por el contrario, ubicarlos en territorios sometidos a sequías, como Arizona, Nuevo México o partes del sur de California, puede incrementar la presión sobre recursos ya limitados. Según las estimaciones citadas, combinar una localización adecuada con energías renovables y mejoras en la eficiencia de los procesadores podría reducir hasta un 86 % la huella hídrica futura de la IA.

La relación entre agua y energía es especialmente importante. Las centrales eléctricas que utilizan carbón o gas necesitan agua para determinados procesos de refrigeración, de modo que una parte de la huella hídrica de la IA se produce indirectamente antes de que la electricidad llegue al centro de datos. Por ello, una transición hacia fuentes como la solar y la eólica puede reducir no solo las emisiones de carbono asociadas a la IA, sino también su consumo indirecto de agua. El artículo plantea así una conexión directa entre las decisiones energéticas y la sostenibilidad de la infraestructura digital.

También se están investigando tecnologías más avanzadas, entre ellas la refrigeración por inmersión, que introduce los componentes informáticos en líquidos especialmente diseñados para absorber el calor. Algunas empresas experimentan asimismo con soluciones de refrigeración más sofisticadas y, en otros países, incluso con centros de datos instalados en el mar. Son tecnologías todavía con limitaciones, especialmente en cuanto al mantenimiento y sustitución de los equipos, pero ilustran hasta qué punto la expansión de la IA está obligando a replantear la infraestructura física que sostiene los servicios digitales.

El artículo introduce además una cuestión importante para comprender el debate: la eficiencia individual no garantiza necesariamente una reducción del consumo total. Aunque cada consulta de IA pueda requerir menos agua que hace unos años, el número de consultas, modelos, usuarios y centros de datos está aumentando rápidamente. Por tanto, las mejoras tecnológicas pueden verse parcialmente compensadas por el crecimiento de la demanda. Esta tensión entre eficiencia y expansión es uno de los aspectos centrales de la sostenibilidad de la IA.

La autora concluye que el impacto hídrico de la inteligencia artificial no tiene una única respuesta global. Dependerá de las decisiones que adopten las empresas, los ingenieros y las administraciones respecto a la ubicación de los centros, las fuentes de energía, los sistemas de refrigeración y la gestión y reposición del agua. El mismo volumen de actividad informática puede tener consecuencias ambientales muy diferentes dependiendo del lugar y de la infraestructura utilizada.

El uso de la IA en la comunicación científica: transparencia, detectores y nuevos sesgos

David Crotty, “AI Use in The Scholarly Kitchen”, The Scholarly Kitchen, 27 de agosto de 2026. Publicado por la Society for Scholarly Publishing (SSP). Artículo original en The Scholarly Kitchen

El artículo parte de una experiencia concreta de The Scholarly Kitchen para analizar uno de los debates más controvertidos de la comunicación científica actual: cómo utilizar la inteligencia artificial en la escritura y edición sin convertir su uso en un problema de confianza, autoría o integridad editorial. El autor explica que el blog ha recibido un número creciente de mensajes de lectores que sospechan que determinados textos han sido escritos por IA, muchas veces basándose exclusivamente en la apariencia del estilo o en el resultado de herramientas automáticas de detección.

Una de las cuestiones centrales del artículo es la limitación de los detectores de IA. Crotty señala que herramientas como Pangram o GPTZero han mejorado su precisión, pero todavía presentan importantes limitaciones. Sobre todo, no distinguen adecuadamente entre un texto completamente generado por IA y un texto escrito por una persona que posteriormente ha sido traducido, corregido, revisado o mejorado mediante IA. Desde el punto de vista editorial, son situaciones muy diferentes, pero un detector puede clasificarlas de manera similar. Por ello, la detección de participación de IA no permite determinar automáticamente cómo se utilizó la herramienta ni si ese uso fue éticamente aceptable.

El problema se agrava con los falsos positivos. El autor relata que algunos textos de The Scholarly Kitchen acusados de haber sido generados íntegramente por IA habían sido realmente escritos, editados y ampliados por miembros del equipo editorial. Incluso menciona el caso de un informe humano que, al pasar por Pangram, fue clasificado como un 9 % generado por IA, pero el sistema identificó incorrectamente qué fragmentos procedían de la IA y cuáles habían sido escritos por una persona. Esto muestra que un porcentaje obtenido mediante un detector no debería interpretarse como una prueba concluyente de autoría artificial.

La política de The Scholarly Kitchen

La IA no puede aparecer como autora de un artículo, y las imágenes generadas por IA no se admiten salvo que exista una razón específica relacionada con el contenido del artículo. Sin embargo, sí se permite utilizar herramientas de IA para redacción y edición, tanto por parte de los autores como de editores y revisores, siempre que exista transparencia y se documente su utilización. Crotty señala que inicialmente la publicación confiaba en la responsabilidad individual de los autores, pero recientemente ha decidido adoptar una posición más activa para exigir la declaración del uso de IA.

Esta postura plantea una cuestión interesante para las publicaciones académicas: prohibir completamente la IA puede ser menos eficaz que establecer reglas claras de utilización y declaración. Crotty considera que, en un espacio editorial de opinión y análisis como The Scholarly Kitchen, existe margen para experimentar y aprender. Su planteamiento es que la transparencia puede resultar más útil que una prohibición absoluta, especialmente mientras las comunidades académicas y editoriales siguen intentando determinar qué usos son aceptables en diferentes contextos.

El riesgo de crear un nuevo sesgo

Uno de los argumentos más interesantes del artículo es que la reacción contra la IA puede generar un nuevo tipo de sesgo editorial y académico. Crotty observa que algunos lectores utilizan la sospecha de utilización de IA como una forma de descalificar contenidos con los que no están de acuerdo. En lugar de analizar los argumentos, las evidencias o la calidad de la investigación, basta con afirmar que el texto «parece escrito por IA» para cuestionarlo.

Esto tiene especial importancia en la comunicación científica. Tradicionalmente, los textos de investigadores que escriben en una lengua que no es la suya pueden recibir una valoración negativa debido a errores gramaticales o estilísticos, incluso cuando la investigación que contienen es sólida. Una de las posibles aportaciones de la IA es precisamente ayudar a superar esta barrera lingüística. Sin embargo, si la comunidad empieza a penalizar automáticamente cualquier texto que parezca haber sido mejorado mediante IA, podría sustituirse un sesgo lingüístico por un nuevo sesgo tecnológico.

“Escribir es pensar”

La parte más personal del artículo aparece cuando Crotty explica su propia relación con estas herramientas. Afirma que para él escribir constituye una forma de pensar: redactar le obliga a organizar las ideas, construir argumentos y comprender mejor aquello sobre lo que quiere escribir. Desde esta perspectiva, delegar la elaboración del texto en una IA supone también, en cierta medida, delegar una parte del proceso intelectual.

Crotty expresa además preocupación por la posibilidad de que los modelos de lenguaje conduzcan hacia una homogeneización de la escritura. Los modelos tienden a producir respuestas estadísticamente plausibles y, según su argumento, esto puede llevar a que los textos se parezcan cada vez más entre sí. La IA puede ayudar a una persona con dificultades de escritura a mejorar su expresión, pero también podría hacer que un escritor experimentado pierda parte de su estilo, originalidad o capacidad para producir ideas alejadas de los patrones habituales.

Una cuestión especialmente relevante para la ciencia

El artículo resulta particularmente interesante porque desplaza el debate desde la pregunta “¿ha utilizado IA este texto?” hacia otra mucho más útil: “¿para qué se utilizó la IA y qué responsabilidad conserva el autor?”. Esta distinción es fundamental en el ámbito académico. Utilizar IA para corregir gramática, traducir un párrafo, generar alternativas de redacción, resumir información o desarrollar una primera estructura no equivale necesariamente a delegar en ella la producción intelectual de una investigación.

Por ello, el texto apunta hacia un modelo basado en transparencia, responsabilidad humana y evaluación del contenido, en lugar de confiar exclusivamente en detectores automáticos. Un detector puede constituir una señal para investigar, pero no debería convertirse por sí mismo en una prueba de mala conducta académica. El propio artículo insiste en que incluso los mejores sistemas de detección no pueden determinar por sí solos qué uso de IA se produjo ni si ese uso resulta éticamente aceptable.

Relevancia para bibliotecas y alfabetización en IA

Para las bibliotecas universitarias y los servicios de apoyo a la investigación, el artículo ofrece una idea especialmente importante: la alfabetización en IA no debería reducirse a enseñar a detectar textos generados artificialmente. También debe enseñar a comprender los diferentes usos de estas herramientas, evaluar críticamente sus resultados, documentar cuándo y cómo se han utilizado y mantener la responsabilidad intelectual sobre el producto final.

En este sentido, el artículo puede relacionarse directamente con la integridad científica, la alfabetización informacional y la formación de investigadores. El objetivo no debería ser identificar mecánicamente si «hay IA» en un documento, sino ayudar a estudiantes, investigadores, autores, revisores y editores a establecer criterios razonables sobre autoría, contribución intelectual, transparencia, verificación de información y responsabilidad.

Competencias en búsqueda de información en la era de la IA generativa

Chao Cai, Jane K. Yatcilla, Academic search literacy in the age of generative AI: A conceptual framework for navigating the search-language ecology, The Journal of Academic Librarianship,
Volume 52, Issue 5, 2026, 103323, ISSN 0099-1333, https://doi.org/10.1016/j.acalib.2026.103323.

El artículo analiza cómo la aparición de la IA generativa está transformando la manera en que estudiantes, investigadores y profesionales buscan, recuperan y evalúan información académica. Su punto de partida es que herramientas como los asistentes conversacionales y los sistemas de búsqueda basados en lenguaje natural no deberían entenderse necesariamente como una ruptura absoluta con las formas anteriores de recuperación de información. Más bien, se incorporan a una ecología de lenguajes y estrategias de búsqueda que ya incluye catálogos, bases de datos bibliográficas, buscadores académicos, operadores booleanos, palabras clave y otros mecanismos tradicionales. La IA amplía este ecosistema y modifica la relación entre el usuario y las herramientas de recuperación.

Una de las aportaciones principales es la propuesta de un marco de cuatro dimensiones para comprender la competencia en búsqueda académica en la era de la IA generativa. El planteamiento intenta superar una concepción de la alfabetización informacional centrada exclusivamente en conocer técnicas concretas —por ejemplo, utilizar operadores booleanos o seleccionar palabras clave— para avanzar hacia una competencia más amplia, relacionada con la capacidad del usuario para formular, reformular, negociar y evaluar sus propias preguntas de investigación. En este sentido, buscar información deja de ser simplemente introducir una consulta en un sistema y seleccionar resultados para convertirse en un proceso intelectual de construcción progresiva del problema.

El artículo concede especial importancia a la diferencia entre búsqueda por conveniencia y búsqueda responsable. Las herramientas generativas pueden hacer que encontrar una respuesta parezca mucho más sencillo: el usuario formula una pregunta en lenguaje natural y recibe una respuesta elaborada, sintetizada y aparentemente pertinente. Sin embargo, esa comodidad no garantiza que la información recuperada sea correcta, completa, relevante o verificable. Por ello, el trabajo plantea la necesidad de distinguir explícitamente entre utilizar la IA porque proporciona una respuesta rápida y utilizarla dentro de un proceso consciente de búsqueda, comprobación y evaluación de fuentes.

Otro aspecto interesante es la revisión del papel que tradicionalmente han desempeñado los operadores booleanos y las estrategias estructuradas de recuperación. El artículo señala que los criterios de responsabilidad asociados a la lógica booleana pueden resultar insuficientes en ámbitos en los que los conceptos tienen fronteras difusas o son difíciles de definir con precisión. Esto es especialmente relevante en las ciencias sociales y humanas, donde una misma cuestión puede expresarse mediante diferentes vocabularios, perspectivas conceptuales o tradiciones disciplinares. La IA generativa puede ayudar a explorar esas variaciones lingüísticas, pero esa posibilidad exige que el usuario comprenda qué está preguntando y qué consecuencias tiene cada formulación.

En este contexto, el prompt adquiere una consideración diferente. El artículo propone interpretar la elaboración de instrucciones para una IA generativa no simplemente como una habilidad técnica para conseguir mejores respuestas, sino como una forma de “negociación de preguntas” autogestionada por el usuario. Es decir, escribir un buen prompt implica pensar qué se quiere conocer, qué información falta, qué contexto debe proporcionar el usuario, qué restricciones deben establecerse y cómo se comprobará posteriormente la respuesta obtenida. La competencia no reside, por tanto, únicamente en saber “hablar con la IA”, sino en saber interrogar, cuestionar y conducir el proceso de búsqueda.

Esta perspectiva tiene importantes implicaciones para las bibliotecas universitarias y la alfabetización informacional. El bibliotecario deja de ser únicamente el profesional que enseña a localizar información en catálogos y bases de datos y adquiere un papel más amplio como mediador de los procesos de búsqueda en un entorno híbrido, donde conviven buscadores tradicionales, bases de datos académicas y sistemas de IA generativa. La formación debe enseñar no solo dónde buscar, sino también cómo formular preguntas, contrastar resultados, rastrear las fuentes originales, reconocer limitaciones y decidir qué nivel de evidencia es necesario para cada propósito académico.

En definitiva, el artículo propone pasar de una concepción de la alfabetización en búsqueda basada fundamentalmente en “saber utilizar una herramienta” a otra centrada en comprender el proceso de búsqueda y mantener el control intelectual sobre él. La IA generativa puede facilitar enormemente la exploración de información, pero no elimina la necesidad de competencias de búsqueda; al contrario, las hace más complejas. El usuario necesita comprender las diferentes posibilidades de recuperación, evaluar críticamente las respuestas generadas y mantener una actitud responsable ante las fuentes. La aportación resulta especialmente relevante para repensar la alfabetización informacional y la alfabetización en IA, porque sitúa en el centro no la tecnología, sino la capacidad humana para formular preguntas, interpretar resultados y construir conocimiento

El camino hacia la alfabetización informacional

Hartman, R., Nickerson, C., VanDyne, H., & Ohio State University Libraries Teaching & Learning. (2026). The Path to Information Literacy: From Finding a Topic to Writing an Annotated Bibliography. Fort Hays State University Digital Press. Hays, KS. https://doi.org/10.58809/ (Licencia Creative Commons Attribution 4.0 International). Versión beta revisada por estudiantes de UNIV 301: Information Literacy, Spring 2026.

Este es un manual universitario completo, diseñado como una ruta guiada para que el estudiante desarrolle alfabetización informacional desde cero hasta la producción de una bibliografía anotada, que es el producto final del proceso de investigación académica. El libro parte de la definición central de lo que es ser informacionalmente alfabetizado: no se trata simplemente de buscar en Google, sino de la capacidad de encontrar, evaluar y utilizar la información de manera efectiva, ética y estratégica en contextos académicos, personales y profesionales.

En su primer bloque introductorio, el libro establece los fundamentos conceptuales. Presenta el ACRL Framework for Information Literacy for Higher Education con sus seis marcos clave: la autoridad es construida y contextual, la creación de información como proceso, la información tiene valor, la investigación como indagación, la academia como conversación y la búsqueda como exploración estratégica. Con esto, el estudiante aprende que una fuente no es buena o mala en sí misma, sino que su valor depende de quién la crea, cómo se crea, para qué propósito y en qué contexto de necesidad se va a usar. Se enfatizan también las ideas clave de todo el proceso: buscar estratégicamente, evaluar críticamente y usar la información de forma responsable.

El segundo gran bloque del libro se centra en la planificación de la investigación. Es probablemente la parte más práctica para quien inicia un trabajo. Enseña a pasar de un tema general y difuso a un tema investigable, mediante tres técnicas esenciales: la lectura de fondo o background reading para entender el estado de la cuestión, el narrowing o delimitación del tema para evitar trabajos demasiado amplios o imposibles, y el mind mapping para explorar conceptos relacionados. A partir de ahí, introduce el concepto de plan de investigación y de pregunta de investigación, diferenciando entre una pregunta común y una pregunta de investigación real. Explica cómo una buena pregunta guía todo el proceso: determina qué tipo de información se necesita, qué fuentes buscar y qué herramientas utilizar.

El tercer bloque es una tipología exhaustiva de la información. El libro clasifica las fuentes desde múltiples ángulos para que el estudiante sepa qué usar y cuándo. Distingue entre fuentes primarias, secundarias y terciarias; entre información cuantitativa y cualitativa; entre formatos y el ciclo de vida de la información; y entre fuentes populares, profesionales/trade y académicas. También aborda la revisión por pares, el uso de datos y de personas como fuentes, y la distinción crucial entre hecho y opinión. La idea central es que ningún tipo de fuente es universalmente superior, sino que cada necesidad de información requiere un tipo de fuente distinto, y el investigador debe planificar conscientemente esa selección.

Posteriormente, el libro entra de lleno en las estrategias de búsqueda y evaluación, que son el corazón de la alfabetización informacional. Dedica capítulos completos a la búsqueda en la web, incluyendo el uso crítico de noticias, WorldCat y préstamo interbibliotecario, Google Scholar, motores de búsqueda y el uso emergente de la IA generativa como herramienta de búsqueda. Luego enseña a evaluar la relevancia y la credibilidad mediante metodologías modernas como SIFT y la lectura lateral, superando el obsoleto checklist CRAAP. Se insiste en pensar críticamente sobre el sesgo, el propósito, la actualidad y la autoridad de cada fuente, reconociendo que en el entorno digital actual la desinformación es parte del ecosistema.

La última parte del manual es sobre el uso ético y la producción final. Cubre en detalle cómo resumir, parafrasear y citar correctamente para evitar el plagio, por qué se cita, cuándo se debe citar y cuáles son los desafíos de los diferentes estilos de citación. Presenta las herramientas de búsqueda profesional: bases de datos, catálogos de biblioteca, guías temáticas y el uso de búsquedas de precisión con operadores, términos relacionados y declaraciones de búsqueda. Introduce también el método BEAM (Background, Exhibit, Argument, Method) como una forma de reflexionar y organizar las fuentes según la función que cumplen dentro del propio argumento del estudiante, no solo por su contenido. Todo este recorrido culmina en los capítulos 15 y los apéndices, donde explica qué es una bibliografía anotada, cuáles son las partes de una anotación (resumen, evaluación y reflexión sobre su utilidad) y ofrece ejemplos completos de bibliografías anotadas profesionales y estudiantiles, cerrando así el camino completo desde la idea inicial hasta el texto académico terminado y debidamente acreditado.

Inteligencia Artificial y Bibliotecas: oportunidades y desafios


Inteligencia Artificial y Bibliotecas: oportunidades y desafios

Santiago de Areco, Buenos Aires 28 de septiembre de 2026

Ver en Youtube

La inteligencia artificial está transformando las bibliotecas y la manera en que las personas acceden, utilizan y producen información. En este contexto, las bibliotecas pueden desempeñar un papel fundamental en la construcción de una cultura de alfabetización en IA, facilitando conocimientos accesibles para toda la ciudadanía. Esta alfabetización implica comprender cómo funcionan estas tecnologías, sus posibilidades, limitaciones, sesgos y riesgos. Los profesionales de las bibliotecas necesitan desarrollar nuevas competencias para orientar a los usuarios en un uso crítico, ético y responsable de la IA. La formación, los talleres, las guías y los espacios de experimentación pueden contribuir a reducir las brechas digitales y de conocimiento. De este modo, la biblioteca se consolida como un espacio de aprendizaje, pensamiento crítico y participación ciudadana ante la expansión de la inteligencia artificial.

Kimi el modelo de IA chino abierto y gratuito que pone a prueba el liderazgo tecnológico de Estados Unidos

James O’Donnell, “China’s AI models have Trump’s AI world at war with itself”, MIT Technology Review, 20 de julio de 2026.
Artículo original en MIT Technology Review

El lanzamiento de Kimi, un modelo de inteligencia artificial desarrollado por la empresa china Moonshot AI, está provocando un debate dentro del entorno político y tecnológico de la Administración Trump. El artículo señala que Kimi, que se ofrece de manera gratuita y con un modelo abierto, parece alcanzar capacidades comparables a las de algunos sistemas avanzados estadounidenses de empresas como OpenAI y Anthropic. La aparición de un modelo chino de estas características modifica la percepción de la ventaja tecnológica estadounidense y plantea una cuestión fundamental: cómo responder a una competencia que no solamente procede de China, sino que utiliza además una estrategia de acceso abierto y bajo coste.

El problema tiene también una dimensión económica. Si modelos chinos suficientemente capaces están disponibles gratuitamente, las empresas y usuarios tienen menos incentivos para pagar por modelos propietarios estadounidenses. Esto puede afectar especialmente a las grandes compañías de IA de Estados Unidos, cuyas elevadas valoraciones y expectativas de crecimiento dependen en buena medida de mantener una posición de liderazgo tecnológico. El artículo relaciona esta situación con la preocupación existente en Washington por el peso que las empresas de inteligencia artificial están adquiriendo en el crecimiento económico estadounidense.

La aparición de Kimi ha puesto de manifiesto, además, divisiones dentro del propio entorno de asesores de Trump. Por un lado, figuras como David Sacks han defendido una mayor apertura y han cuestionado que el Gobierno intervenga para proteger a las empresas estadounidenses frente a modelos de código abierto. Desde esta perspectiva, impedir o dificultar la aparición de competidores abiertos podría terminar perjudicando la innovación estadounidense. Sacks también ha señalado que algunos modelos chinos resultan atractivos porque imponen menos restricciones a determinados usos, aunque el artículo recuerda que los modelos chinos están sujetos a mecanismos de censura estatal.

Frente a esta posición aparece otra corriente que considera que la evolución de los modelos de IA ha alcanzado un nivel en el que la seguridad nacional justifica una mayor intervención gubernamental. En este contexto se sitúa el nuevo proceso de revisión de la Casa Blanca destinado a evaluar determinados modelos antes de su lanzamiento. Dean Ball, antiguo asesor de Trump y posteriormente vinculado a OpenAI, criticó este mecanismo porque, en su opinión, podría convertirse de facto en un sistema de autorización previa para los modelos de frontera.

El debate llegó incluso a convertirse en una confrontación pública entre miembros y antiguos miembros del entorno gubernamental. El artículo describe intercambios especialmente duros entre Dean Ball y Emil Michael, funcionario de alto nivel del Pentágono encargado de las relaciones con las empresas de IA. Más allá de las declaraciones personales, el enfrentamiento refleja una cuestión de fondo: si Estados Unidos debe responder a la competencia china mediante una mayor libertad para innovar y competir o mediante mecanismos gubernamentales más estrictos relacionados con la seguridad y el control de los modelos.

Otro elemento importante es el relativo a los chips y la capacidad de computación. Durante la Administración Biden y durante la primera etapa de la segunda Administración Trump, una de las principales estrategias estadounidenses había sido limitar el acceso de China a los procesadores avanzados necesarios para desarrollar modelos de IA de última generación. Sin embargo, el artículo señala que posteriormente se han relajado algunas de estas restricciones, incluyendo la autorización para que Nvidia venda determinados chips a China. Al mismo tiempo, el Gobierno estadounidense ha denunciado posibles operaciones de contrabando de chips.

La cuestión que permanece abierta es cómo ha conseguido Kimi alcanzar un nivel de rendimiento tan elevado pese a las limitaciones de China en materia de capacidad computacional avanzada. El artículo plantea como una de las posibilidades la denominada distillation o destilación de modelos: un procedimiento mediante el cual un sistema puede aprender a partir de las respuestas generadas por otros modelos ya existentes. OpenAI y Anthropic han acusado anteriormente a empresas chinas de utilizar técnicas de este tipo y han solicitado medidas gubernamentales para limitar esta práctica. En abril de 2026, la Administración Trump anunció iniciativas destinadas precisamente a combatirla.

Cartografía del nuevo mundo algorítmico: la biblioteca como vanguardia esencial en la alfabetización de la Inteligencia Artificial.

Cartografía del Nuevo Mundo Algorítmico: La Biblioteca como Vanguardia Esencial en la Alfabetización en Inteligencia Artificial

Presentación PPS

Presentación en Prezi

Presentación PDF

1. Introducción: El Fin del Dominio Exclusivo de la Ingeniería

Durante décadas, el avance y la gestión de la inteligencia artificial pertenecieron casi exclusivamente al ámbito técnico. La IA operaba en la sombra, moldeada de manera opaca por ingenieros, matemáticos y programadores. Sin embargo, la irrupción masiva de los Grandes Modelos de Lenguaje (LLMs) como ChatGPT, Gemini o Claude ha transformado radicalmente este panorama, convirtiendo a la IA en una tecnología omnipresente e invisibilizada en la vida cotidiana.

Esta democratización en la creación de contenidos sintéticos hiperrealistas plantea una transformación profunda en la naturaleza de la información que consumimos. Nos enfrentamos a un ecosistema donde la veracidad, la autoridad y el conocimiento humano están condicionados por mediaciones algorítmicas, alterando las bases mismas de la investigación, la enseñanza y la ciudadanía.

2. La Brecha entre Uso y Comprensión: La Ilusión de Competencia

La adopción acelerada de herramientas generativas ha creado un fenómeno engañoso: una elevada fluidez instrumental acompañada de un severo analfabetismo funcional. Los usuarios aprenden a redactar prompts, obtener respuestas rápidas y delegar tareas complejas, desarrollando una falsa sensación de maestría.

Sin embargo, bajo esta superficie persisten riesgos estructurales no detectados por el usuario común:

  • Alucinaciones: La generación estocástica de datos, citas o hechos completamente erróneos pero presentados con una apariencia impecable de veracidad objetiva.
  • Sesgos Algorítmicos: La reproducción y amplificación inadvertida de discriminaciones históricas, culturales o de género presentes en los datos de entrenamiento.
  • Dependencia de Corpus: Las limitaciones inherentes a los datos de entrenamiento, que condicionan la profundidad y neutralidad del conocimiento generado.
  • Lógica Computacional vs. Significado: La incapacidad del usuario para discernir que un modelo predice secuencias textuales mediante patrones matemáticos, sin una comprensión real del significado semántico o conceptual.

3. Los Cuatro Pilares de la Alfabetización Algorítmica

Para pasar de la mera ejecución instrumental al pensamiento crítico, la alfabetización en inteligencia artificial debe articularse en torno a cuatro dimensiones interconectadas:

PilarConceptoAplicación Práctica 
Pilar 1: TécnicaComprensión de la operación computacionalEntender la lógica probabilística de los LLMs, el funcionamiento de los corpus y los límites de la arquitectura algorítmica.
Pilar 2: EvaluativaAnálisis crítico de los resultadosInterrogar las respuestas, identificar sesgos, auditar la precisión factual y evaluar el impacto del contenido sintético.
Pilar 3: PrácticaImplementación eficaz y responsableIntegración de herramientas de IA en flujos de trabajo académico, investigación, docencia y gestión institucional.
Pilar 4: ÉticaGobernanza y salvaguardasDiseño de políticas contra el uso indebido, protección de la privacidad, autoría responsable y mitigación de plagios.

4. El Equilibrio de la Responsabilidad: Usuario vs. Sistema

La capacitación ante la era algorítmica no puede recaer únicamente sobre los hombros del individuo. La alfabetización no es un problema estrictamente individual, sino una cuestión de responsabilidad pública y diseño sistémico.

Mientras que el usuario debe comprometerse con la educación continua, la reformulación rigurosa de instrucciones y la evaluación crítica de los resultados, las instituciones públicas y bibliotecas deben asumir la responsabilidad sistémica. Esto implica exigir transparencia en la interfaz de los sistemas comercializados, establecer políticas institucionales claras y abogar por la equidad para evitar que la IA profundice las brechas sociales y educativas preexistentes.

5. Comparativa de Marcos Globales de Competencia en IA

Diversos organismos internacionales han definido marcos de competencia para abordar la alfabetización algorítmica desde diferentes perspectivas:

Marco / OrganismoEnfoque PrincipalPúblico ObjetivoDimensión ClaveUtilidad para la Biblioteca 
UNESCOHumanista y centrado en los derechos humanos.Estudiantes y ciudadanía global.Capacidad ética, equidad, inclusión y justicia social.Marco filosófico para fundamentar políticas de acceso democrático.
EDUCAUSEOperación, evaluación e integración en la educación superior.Docentes, estudiantes universitarios y personal técnico.Dimensiones técnica, evaluativa, práctica y ética.Guía metodológica para estructurar la instrucción universitaria.
ACRL (Adaptado)Integridad de la información y mediación del conocimiento.Investigadores y comunidad académica.Discernimiento de la fiabilidad conceptual, independiente del origen.Actualización directa de la alfabetización informacional clásica.
WEF / AILitCiudadanía digital y competencias para el siglo XXI.Ciudadanía general y educación primaria/secundaria.Interacción, creación, gestión y diseño con sistemas de IA.Integración en proyectos comunitarios y de brecha digital.

6. Diagnóstico Empírico en las Bibliotecas Universitarias

A pesar del avance acelerado de la tecnología, las bibliotecas enfrentan un desfase sustancial entre la adopción técnica y la formación crítica. Un análisis de 70 LibGuides universitarias revela un claro vacío conceptual: la inmensa mayoría de las guías se enfoca casi en exclusiva en el acceso instrumental y la sintaxis de instrucciones («prompts»), relegando el pensamiento crítico, la ética y la lógica computacional a un preocupante 7%.

Asimismo, aunque un 67% de las bibliotecas universitarias utilizaba activamente herramientas con IA integrada en 2024, se detecta una desconexión metodológica profunda, pues la mayor parte del personal imparte sesiones sin apoyarse en marcos consolidados como el de la ACRL. Existe, por tanto, una brecha urgente entre la accesibilidad técnica estudiantil y el dominio pedagógico e institucional.

7. Superando la Pista de Obstáculos

Para liderar esta transición, los profesionales de la información deben superar tres desafíos principales:

  1. Velocidad del Cambio Tecnológico: La caducidad inmediata de las interfaces hace inútil enseñar menús específicos. La solución es adoptar un enfoque basado en principios duraderos y lógica de sistemas en lugar de plataformas efímeras.
  2. Escasez de Personal Especializado: El temor a la obsolescencia debe combatirse mediante comunidades de práctica y programas transversales de formación continua dentro de las plantillas bibliotecarias.
  3. Riesgo de Dependencia Tecnológica: Para evitar la pérdida de autonomía crítica del usuario, es imprescindible rediseñar las LibGuides, pasando del «Cómo usar la herramienta» al «Cómo evaluar e interrogar la herramienta».

8. La Metáfora del Caballo de Troya y el Blueprint Integrado

La alfabetización en Inteligencia Artificial no representa una amenaza para los valores fundacionales de la biblioteconomía; al contrario, actúa como un Caballo de Troya. La fascinación o urgencia social por la IA es el vehículo ideal para introducir, con más vigor que nunca, los principios esenciales de la Alfabetización Informacional que las bibliotecas siempre han promovido.

Bajo la fachada del manejo de herramientas generativas e ingeniería de prompts, el núcleo de la misión bibliotecaria permanece intacto: la evaluación rigurosa de fuentes, el pensamiento crítico, el discernimiento moral y la asignación ética de la autoría. La biblioteca se posiciona así como el centro de gravedad que integra:

  • Alfabetización Informacional: Evaluación, autoridad y fiabilidad.
  • Alfabetización Digital: Interacción fluida y segura en redes.
  • Alfabetización en Datos: Interpretación de sesgos y datos de entrenamiento.
  • Alfabetización en IA: Lógica computacional y arquitecturas generativas.

9. Hoja de Ruta para la Biblioteca Algorítmica

Para consolidar su papel protagónico en esta nueva era, las bibliotecas deben ejecutar tres acciones estratégicas:

  1. Actualizar la Instrucción: Integrar el análisis ético, los sesgos y el impacto social en cada programa de formación bibliográfica y de usuarios.
  2. Elevar las Políticas Institucionales: Liderar el diseño de directrices sobre autoría sintética, atribución de contenido, citas transparentes y privacidad de datos frente a proveedores comerciales.
  3. Orquestar la Colaboración Sistémica: Trabajar en alianza con docentes, investigadores y departamentos de tecnologías de la información para auditar la integridad académica y la seguridad de las herramientas utilizadas.

10. Conclusión

La falta de competencias en IA no es un asunto individual ni un mero déficit técnico; es un factor emergente de desigualdad estructural. En un mundo donde los algoritmos filtran y generan la información, las bibliotecas, guiadas por su vocación pública, constituyen el último garante del acceso democrático al conocimiento crítico. Es el momento de asumir activamente nuestro lugar en el nuevo mundo algorítmico.

Alfabetización en inteligencia artificial (IA): sus dimensiones éticas y técnicas, y el papel fundamental de las bibliotecas como mediadoras.

Alfabetización en inteligencia artificial (IA), sus dimensiones éticas y técnicas, y el papel fundamental que desempeñan las bibliotecas como mediadoras. Por Julio Alonso Arévalo

Elaborado en Prezzi IA a partir de los contenidos de Julio Alonso Arévalo


Alonso-Arévalo, Julio. “Alfabetización en inteligencia artificial: competencias, marcos de referencia y el papel de las bibliotecas en la era digital.” Boletín de la Asociación Andaluza de Bibliotecarios 131 (enero-junio 2026): 9-23. Artículo

VIDEO NARRADO

VER EN PREZZI

AUDIO

Diapositivas

Se aborda la alfabetización en inteligencia artificial (IA), sus dimensiones éticas y técnicas, y el papel fundamental que desempeñan las bibliotecas como mediadoras.

1. Definición y alcance de la alfabetización en IA

  • Más allá del uso básico: No consiste únicamente en utilizar herramientas como ChatGPT o generadores de imágenes, sino en usarlas de forma efectiva, crítica y ética.
  • La brecha existente: Hay una disparidad entre el uso cotidiano de la IA y la comprensión profunda de cómo funcionan sus algoritmos o de los sesgos que pueden presentar.

2. Marcos de referencia y dimensiones clave

  • Dimensión ética y humana: Destaca la importancia de anteponer la ética humana, la dignidad y los derechos por encima de la tecnología, como promueve el marco de la UNESCO.
  • Dimensión técnica: Es indispensable comprender el funcionamiento interno de los sistemas para evaluar si las respuestas son confiables o si sufren de «alucinaciones».
  • Ámbito académico: Organizaciones como Educause y la ACRL buscan que estudiantes y educadores evalúen la IA de forma crítica.

3. El rol de las bibliotecas como «caballos de Troya»

  • Democratización del acceso: Integran la IA en la búsqueda de información y sus servicios digitales, enseñando competencias de manera orgánica.
  • Mediación crítica: No solo facilitan el acceso a las herramientas, sino que acompañan al usuario en el proceso de comprensión.

4. Desafíos y debates actuales

  • Falta de recursos: Escasez de presupuesto para infraestructura tecnológica y para la capacitación continua del personal bibliotecario ante el avance rápido de la IA.
  • Políticas éticas: Complejidad para diseñar normativas sobre privacidad y manejo de datos personales.
  • Debate curricular: Discusión sobre quién debe liderar esta formación y en qué medida adaptar los planes educativos.

5. Meta final: Ciudadanía algorítmica responsable

  • El objetivo final es empoderar a las personas para pasar de ser usuarios pasivos a ciudadanos algorítmicos responsables que entiendan, cuestionen y prosperen con criterio propio en un mundo impulsado por la IA.

NotebookLM: herramienta de Inteligencia artificial para el estudio e investigación

Ver en Youtube

NotebookLM es una herramienta de inteligencia artificial de Google diseñada para trabajar directamente con las fuentes aportadas por el usuario, como libros, artículos científicos, documentos PDF, páginas web, apuntes o vídeos. A partir de estos materiales, permite resumir, organizar y relacionar información, responder preguntas sobre los documentos y localizar rápidamente conceptos relevantes, facilitando la comprensión de textos extensos y complejos.

NotebookLM es una herramienta de inteligencia artificial de Google que permite crear un espacio de trabajo alrededor de un conjunto de fuentes documentales. En lugar de preguntarle a una IA sobre cualquier tema de forma general, se pueden subir documentos concretos y pedirle que trabaje sobre ellos.

Puede utilizarse con artículos científicos, libros, informes, apuntes, páginas web, documentos PDF, vídeos de YouTube y otros materiales. Su utilidad principal consiste en leer, resumir, relacionar, comparar y explorar grandes cantidades de información de manera interactiva.

Para un investigador o bibliotecario resulta especialmente interesante porque permite convertir una colección de documentos en un entorno de consulta en el que se pueden formular preguntas directamente sobre las fuentes.

¿Que podemos hacer con NotebookKLM?

1. Crear un cuaderno

NotebookLM permite crear un cuaderno independiente para cada proyecto. Puede utilizarse, por ejemplo, para investigar sobre inteligencia artificial y bibliotecas, preparar una asignatura, analizar un libro, estudiar una tesis o realizar una revisión bibliográfica.

2. Añadir las fuentes

Una vez creado el cuaderno, se incorporan los documentos que servirán como base de trabajo. Se pueden utilizar, entre otros, PDF, documentos, páginas web, presentaciones, vídeos de YouTube y textos. NotebookLM analizará estas fuentes y permitirá consultarlas mediante preguntas.

3. Preguntar a los documentos

Una de sus principales funciones es poder hacer preguntas directamente sobre las fuentes. Podemos solicitar las ideas principales, comparar autores, identificar conceptos o conocer qué documentos respaldan una determinada información.

4. Resumir documentos

NotebookLM facilita la lectura de documentos extensos mediante resúmenes, síntesis por capítulos o extracción de objetivos, metodología, resultados y conclusiones. Es especialmente útil para obtener una primera visión de numerosos documentos, aunque siempre conviene comprobar la información en las fuentes originales.

5. Comparar documentos

Permite comparar diferentes artículos, informes o libros para identificar coincidencias, diferencias, enfoques y propuestas. Esta función resulta especialmente útil para organizar información y preparar revisiones bibliográficas.

6. Extraer conceptos importantes

Podemos pedir que identifique los conceptos fundamentales de un conjunto de documentos, los defina y establezca relaciones entre ellos. Esto puede ayudar a organizar un marco teórico o una estructura temática para una investigación.

7. Crear guías de estudio

NotebookLM puede transformar los documentos en materiales educativos, como guías de estudio, preguntas de examen, cuestionarios y respuestas, adaptados a diferentes niveles de dificultad.

8. Crear mapas conceptuales

También permite representar visualmente las principales ideas y sus relaciones. Por ejemplo: inteligencia artificial → alfabetización → competencias → pensamiento crítico → ética → bibliotecas → ciudadanía.

9. Realizar una revisión bibliográfica

Para una investigación podemos reunir los artículos, incorporarlos a un cuaderno y preguntar cuáles son las principales líneas de investigación, conceptos recurrentes, autores, diferencias entre enfoques y cuestiones todavía poco estudiadas. Después podemos solicitar una síntesis organizada por temas y respaldada por las fuentes.

10. Trabajar con libros

NotebookLM puede funcionar como un asistente de lectura. Podemos preguntarle cuál es la tesis principal de un libro, cómo está estructurado, cuáles son sus argumentos, qué conceptos aparecen con mayor frecuencia o qué cuestiones podrían convertirse en nuevas líneas de investigación.

11. Analizar artículos científicos

En un artículo científico podemos solicitar información sobre objetivos, metodología, resultados, limitaciones y conclusiones. También podemos pedir una ficha del artículo o identificar las preguntas que quedan abiertas para futuras investigaciones.

12. Generar resúmenes de audio

La función Audio Overviews permite transformar las fuentes en una conversación generada mediante inteligencia artificial. Es una forma diferente de repasar contenidos y puede resultar útil para estudiar, preparar una clase o familiarizarse con un conjunto de documentos.

13. Preguntar progresivamente

Una estrategia eficaz es comenzar con preguntas generales y avanzar hacia cuestiones más específicas: ¿de qué tratan los documentos?, ¿cuáles son sus ideas principales?, ¿en qué coinciden?, ¿en qué se diferencian?, ¿qué evidencias utilizan?, ¿qué contradicciones existen? y ¿qué aspectos necesitan más investigación? De este modo, NotebookLM se convierte en una herramienta de exploración progresiva de la literatura.

Los más celebres comienzos de una novela de la literatura

Las 10 mejores frases iniciales de la historia

Bishop, Carley. “The 10 Best Opening Lines In History.” 1000 Libraries Magazine, 3 de febrero de 2025. https://magazine.1000libraries.com/the-10-best-opening-lines-in-history/

El artículo selecciona diez comienzos célebres de novelas y explica qué recursos narrativos hacen que permanezcan en la memoria de los lectores.

La primera frase de un libro puede determinar la relación que el lector establece con la obra. Un buen comienzo puede provocar curiosidad, introducir inmediatamente una voz narrativa, presentar un conflicto o crear una pregunta que el lector necesita resolver. La selección reúne diez ejemplos de la literatura en lengua inglesa y muestra que no existe una única fórmula para conseguirlo: algunos comienzos sorprenden, otros desconciertan, otros presentan directamente al narrador y otros condensan en pocas palabras el universo temático de toda la novela.

Las primeras frases hacen que el lector quiera saber qué ocurre después. Pueden hacerlo mediante una sorpresa, una confesión, una imagen, una paradoja, una voz narrativa excepcional o la presentación de un secreto. En definitiva, una buena primera frase no necesita explicar la historia; necesita abrir una puerta narrativa y generar suficiente curiosidad para que el lector quiera atravesarla.

Según el artículo de 1000 Libraries Magazine titulado «The 10 Best Opening Lines In History», las 10 mejores frases iniciales citadas son:

  1. Historia de dos ciudades (A Tale of Two Cities) – Charles Dickens (1859):«It was the best of times, it was the worst of times…» («Era el mejor de los tiempos, era el peor de los tiempos…»)
  2. Matadero cinco (Slaughterhouse-Five) – Kurt Vonnegut (1969):«All this happened, more or less.» («Todo esto sucedió, más o menos.»)
  3. Fahrenheit 451 – Ray Bradbury (1953):«It was a pleasure to burn.» («Era un placer quemar.»)
  4. El secreto (The Secret History) – Donna Tartt (1992):«The snow in the mountains was melting and Bunny had been dead for several weeks before we came to understand the gravity of our situation.» («La nieve de las montañas se estaba derritiendo y Bunny llevaba muerto varias semanas antes de que llegáramos a comprender la gravedad de nuestra situación.»)
  5. Sus ojos miraban a Dios (Their Eyes Were Watching God) – Zora Neale Hurston (1937):«Ships at a distance have every man’s wish on board.» («Los barcos a lo lejos llevan a bordo los deseos de todos los hombres.»)
  6. La campana de cristal (The Bell Jar) – Sylvia Plath (1963):«It was a queer, sultry summer, the summer they electrocuted the Rosenbergs, and I didn’t know what I was doing in New York.» («Fue un verano extraño y bochornoso, el verano en que electrocutaron a los Rosenberg, y yo no sabía qué estaba haciendo en Nueva York.»)
  7. Orgullo y prejuicio (Pride and Prejudice) – Jane Austen (1813):«It is a truth universally acknowledged, that a single man in possession of a good fortune, must be in want of a wife.» («Es una verdad universalmente aceptada que todo hombre soltero en posesión de una gran fortuna necesita una esposa.»)
  8. Moby-Dick – Herman Melville (1851):«Call me Ishmael.» («Llamadme Ismael.»)
  9. Memorias del subsuelo (Notes from Underground) – Fiódor Dostoyevski (1864):«I am a sick man, I am a spiteful man, I am an unattractive man.» («Soy un hombre enfermo… Soy un hombre malvado. Un hombre desagradable.»)
  10. El color púrpura (The Color Purple) – Alice Walker (1982):«You better not never tell nobody but God.» («Más te vale no contárselo nunca a nadie salvo a Dios.»)