¿Qué hacen las empresas con la enorme cantidad de información personal que los usuarios revelan durante sus conversaciones?

Fried, Ina. “What happens to the secrets you share with AI”. Axios, 17 de agosto de 2026. Artículo original en Axios

El artículo analiza una cuestión cada vez más importante a medida que los chatbots de inteligencia artificial se incorporan a la vida cotidiana: qué hacen realmente las empresas con la enorme cantidad de información personal que los usuarios revelan durante sus conversaciones.

A diferencia de un buscador tradicional o de una red social, un chatbot puede generar un nivel de confianza y de intimidad mucho mayor, porque las personas recurren a él para hablar de problemas de salud, dinero, trabajo, relaciones personales, preocupaciones emocionales o decisiones importantes. Estas conversaciones pueden constituir un retrato extraordinariamente detallado de una persona. Axios advierte que el debate sobre privacidad ya no debe limitarse a saber si las compañías utilizan las conversaciones para entrenar nuevos modelos de IA. La cuestión más importante es qué pueden hacer las empresas con el conocimiento acumulado sobre cada usuario en tiempo real: personalizar las respuestas, recordar información, recomendar contenidos, orientar publicidad o intentar aumentar el tiempo de interacción. 

El cambio fundamental es que las empresas de IA están intentando obtener información más allá de la propia ventana de conversación. El artículo señala, por ejemplo, que OpenAI anunció una función opcional de historial informático que permite a ChatGPT conservar información sobre las aplicaciones y sitios web utilizados por una persona. Google, por su parte, comunicó que utilizará por defecto determinadas fotografías y otros materiales que los usuarios incorporan mediante Search para entrenar sus sistemas de IA, aunque existe la posibilidad de excluirse. El potencial beneficio es evidente: cuanto más información conozca un asistente sobre una persona, más personalizadas y útiles pueden ser sus respuestas. Pero también aumenta considerablemente la cantidad de información que una compañía puede reunir sobre la vida de un individuo. El riesgo, por tanto, no reside solamente en que una conversación concreta sea almacenada, sino en que múltiples fragmentos de información puedan combinarse para construir un perfil cada vez más completo y persistente del usuario. 

Una de las preocupaciones más importantes es que los usuarios pueden revelar voluntariamente información que nunca proporcionarían a una empresa tecnológica convencional. Una persona puede contar a un chatbot sus inseguridades, dificultades económicas, problemas laborales, conflictos familiares o preocupaciones relacionadas con su salud simplemente porque percibe al sistema como un interlocutor neutral, disponible y sin capacidad de juzgar. Miranda Bogen, del Center for Democracy & Technology, advierte que la era de la IA puede estar marcada por personas entregando voluntariamente una parte cada vez mayor de su vida digital a herramientas que prometen reducir su carga mental o combatir la soledad. Cuanto más conoce un sistema sobre una persona, más sencillo resulta formular nuevas preguntas que permitan obtener información privada adicional. De este modo, la personalización puede generar un círculo de retroalimentación: más información produce mejores respuestas, las mejores respuestas generan mayor confianza y esa confianza facilita que el usuario revele todavía más información. 

El artículo compara las políticas de privacidad de diferentes compañías y muestra que existen diferencias importantes en la forma de gestionar estos datos. Apple representa uno de los modelos más orientados a la privacidad, ya que intenta procesar determinadas solicitudes de Apple Intelligence directamente en el dispositivo y utiliza Private Cloud Compute para tareas más exigentes. Según Apple, los datos utilizados para realizar estas operaciones no quedan accesibles para la compañía. Este enfoque tiene, sin embargo, una contrapartida: cuanto menos información conserva el sistema sobre el usuario, menor puede ser su capacidad para ofrecer una personalización continuada. Meta se encuentra en el extremo contrario, con una política que permite un uso mucho más amplio de los datos derivados de las interacciones con Meta AI para personalizar contenidos y publicidad dentro de sus servicios. La compañía también ha comenzado a introducir un modo de conversación de incógnito destinado a proporcionar conversaciones temporales sin almacenamiento. 

El desarrollo de la publicidad dentro de los sistemas de IA constituye otro de los grandes interrogantes. Meta, Google y OpenAI están explorando diferentes fórmulas de monetización y, si los chatbots siguen una evolución similar a la de los buscadores y las redes sociales, la publicidad podría adquirir un papel cada vez más importante. Esto crea un incentivo económico potencialmente problemático: si una compañía conoce los intereses, necesidades, vulnerabilidades y preferencias de una persona, puede utilizar ese conocimiento para ofrecer publicidad mucho más personalizada. El riesgo no consiste únicamente en mostrar un anuncio relacionado con una conversación concreta, sino en que el sistema pueda utilizar un conocimiento acumulado sobre el individuo para influir en sus decisiones, prolongar su interacción o persuadirlo de determinadas acciones. Por eso, el artículo plantea un escenario especialmente delicado: un chatbot que conozca los miedos y las inseguridades de una persona podría potencialmente utilizar esa información para modificar su comportamiento. 

Las políticas actuales son muy diferentes entre servicios. Algunas plataformas ofrecen chats temporales que no se utilizan para memoria ni entrenamiento; otras permiten el entrenamiento con datos del usuario únicamente cuando este lo autoriza, mientras que algunas requieren que el usuario se excluya expresamente para evitarlo. También existen sistemas que permiten consultar y borrar la información almacenada o determinadas «memorias», aunque la facilidad para hacerlo varía considerablemente. Además, algunas compañías aplican reglas específicas para información sanitaria, datos de menores o conversaciones realizadas mediante aplicaciones conectadas. Esta diversidad hace que resulte difícil para los usuarios comprender exactamente qué sucede con sus conversaciones. La cuestión de la privacidad se vuelve así mucho más compleja que un simple interruptor de «permitir/no permitir el entrenamiento». Una persona puede impedir que sus conversaciones se utilicen para entrenar modelos y, sin embargo, permitir que esa información se conserve para personalizar futuras interacciones. 

La conclusión central del artículo es especialmente relevante: la pregunta clave ya no es si una empresa entrena sus modelos con nuestras conversaciones, sino qué puede llegar a saber de nosotros gracias a ellas y para qué puede utilizar ese conocimiento. La memoria, la personalización y la integración de los asistentes de IA con otras aplicaciones pueden convertir al chatbot en una especie de intermediario permanente de la vida digital de una persona. Esto ofrece enormes ventajas en términos de comodidad y utilidad, pero también plantea riesgos relacionados con privacidad, manipulación, publicidad personalizada y concentración de información personal. En definitiva, Axios sostiene que los consumidores pueden considerar que los beneficios de un asistente personalizado justifican este intercambio, pero deberían conocer claramente qué información están entregando, cuánto tiempo se conserva, cómo puede combinarse con otros datos y qué usos puede hacer la empresa de ese conocimiento antes de empezar a contarle sus secretos a una IA

Un investigador que se atribuyó el mérito de un artículo como responsable principal, ahora asegura que el fraude fue obra de su estudiante

In Preparation. “PI Who Took Credit For Paper Clarifies Fraud Was Student’s Independent Work”. 18 de agosto de 2026. Artículo original en In Preparation

Se aborda un problema recurrente en la investigación científica: la responsabilidad de los investigadores principales sobre los trabajos realizados en sus laboratorios y, en particular, la apropiación del mérito por parte de investigadores sénior frente a la responsabilidad cuando aparecen problemas.

El artículo imagina la reacción de Richard Alderman, investigador principal del Whitehead Institute, después de que un supuesto artículo publicado en Nature fuera retractado por fraude científico. Según la pieza, Alderman había presentado inicialmente el trabajo como la culminación de la visión de su laboratorio y había concedido entrevistas atribuyéndose el éxito de los resultados. Sin embargo, tras descubrirse que varias figuras habían sido manipuladas y que algunos experimentos ni siquiera se habían realizado, el investigador cambia radicalmente su posición y afirma que el fraude fue obra exclusiva de una estudiante de posgrado. 

La ironía se construye precisamente alrededor de esta asimetría entre mérito y responsabilidad. Cuando los resultados son positivos, el investigador principal aparece como líder del proyecto y habla de «nuestro» trabajo y de la investigación desarrollada bajo su dirección; cuando se descubre el fraude, sostiene que apenas tuvo participación y que la estudiante trabajaba de forma completamente independiente. La protagonista ficticia, Mei-Lin Huang, habría realizado los experimentos, analizado los datos y preparado el primer borrador, mientras que el investigador principal asegura retrospectivamente que su filosofía de supervisión consiste en proporcionar autonomía a los estudiantes. La frase resulta deliberadamente mordaz: la independencia que antes podía presentarse como una virtud de la formación científica se convierte, después del fraude, en una forma de eludir la responsabilidad por la supervisión. 

Uno de los aspectos más críticos del artículo es la cuestión de la autoría científica. Ante la pregunta de por qué aparece como autor principal o autor de correspondencia si afirma no haber intervenido en el trabajo, el personaje responde que la autoría sénior es prácticamente honorífica: demostraría que el trabajo se realizó en su laboratorio, con su financiación y bajo su mentoría, pero no implicaría necesariamente haber revisado los datos o comprobado personalmente los experimentos. Esta afirmación, presentada como una exageración satírica, apunta a una discusión real sobre las responsabilidades asociadas a la autoría. La autoría científica no debería entenderse únicamente como un reconocimiento jerárquico, sino que implica responsabilidades respecto a la integridad y fiabilidad del trabajo publicado. 

El artículo también pone el foco en la desigual distribución de las consecuencias del fraude científico. Mientras la estudiante ficticia se enfrenta a la expulsión y a la posible destrucción de su carrera científica, el investigador principal asegura que no devolverá la financiación, no abandonará su cátedra y no sufrirá consecuencias profesionales. La universidad, además, expresa su confianza en él. Esta parte constituye probablemente la crítica más incisiva del texto: cuando se producen casos de mala conducta científica, las responsabilidades pueden recaer de manera desproporcionada sobre investigadores jóvenes y con menor poder institucional, mientras que quienes ocupan posiciones de autoridad pueden conservar buena parte de su prestigio y sus recursos. 

Más allá del caso ficticio, el texto plantea una cuestión importante para la integridad científica: ¿hasta dónde llega la responsabilidad de un investigador principal sobre los trabajos desarrollados por los miembros de su grupo? El debate no se limita a determinar quién falsificó o manipuló los datos. También obliga a preguntarse quién supervisó el proyecto, quién comprobó los resultados, quién aprobó el manuscrito y quién decidió presentarlo como evidencia científica. La sección de comentarios refuerza precisamente esta interpretación: algunos lectores señalan que la apropiación del mérito por parte de investigadores sénior es un fenómeno más frecuente que los casos de fraude que llegan a hacerse públicos y que, en ocasiones, la contribución de investigadores jóvenes queda invisibilizada mientras el reconocimiento se concentra en el responsable del laboratorio. 

El texto cuestiona las estructuras jerárquicas de la ciencia, la autoría honorífica, la supervisión de los investigadores en formación y la distribución de las consecuencias ante la mala conducta científica. Aunque los personajes y la situación descrita son satíricos, el problema que plantea es muy real: la integridad de una publicación no depende únicamente de la persona que manipula los datos, sino también de las estructuras de supervisión, las prácticas de autoría y los sistemas institucionales que permiten que un trabajo llegue a publicarse. 

Cuando la IA cita ciencia: ¿qué versión del artículo ha utilizado?

AI-driven article version and source identification with verified sources and revision analysis
A futuristic interface illustrates AI-powered article tracking, source verification, and data provenance.

Hargitt, Patrick; Smith, Steve. “AI Can Find the Article. Can It Tell Which Version It Used?”. The Scholarly Kitchen, 19 de agosto de 2026. Artículo original en The Scholarly Kitchen

La expansión de la inteligencia artificial en la búsqueda y recuperación de información científica está generando un problema que va mucho más allá de localizar correctamente un artículo: determinar exactamente qué versión del trabajo ha utilizado la IA.

Patrick Hargitt y Steve Smith parten de una cuestión fundamental para la comunicación científica: un mismo trabajo puede existir simultáneamente como preprint, manuscrito revisado, manuscrito aceptado, versión publicada por el editor, copia depositada en un repositorio institucional y versiones posteriores corregidas o retractadas. Los sistemas de IA pueden recuperar cualquiera de estas manifestaciones, fragmentar su contenido en pequeños bloques y utilizar determinados pasajes para elaborar una respuesta sin mostrar necesariamente al usuario el contexto o la versión concreta de la que procede la información. Por ello, la ambigüedad de las versiones deja de ser únicamente un problema bibliográfico o de descubrimiento y se convierte en un problema de procedencia, especialmente importante cuando una IA genera revisiones de literatura, informes, resúmenes o respuestas basadas en investigación científica.

Los autores destacan que los identificadores persistentes (PID), especialmente los DOI, siguen siendo esenciales, pero por sí solos no resuelven el problema. Un DOI puede identificar de manera estable un trabajo y conducir al registro mantenido por el editor, pero eso no significa necesariamente que sea la versión que un sistema de IA utilizó. Una IA podría haber recuperado, por ejemplo, una copia anterior depositada en un repositorio, mientras que la referencia final apunta al DOI de la versión publicada. Del mismo modo, un artículo puede haber sido corregido o retractado después de que una plataforma de IA incorporara una copia anterior. Por tanto, no basta con saber qué trabajo se ha utilizado: es necesario conocer qué estado o versión concreta del trabajo se empleó y si en ese momento existían correcciones, actualizaciones, retractaciones o versiones posteriores relevantes. El valor de un PID depende así del ecosistema de metadatos y relaciones que lo acompaña, capaz de explicar qué objeto representa, cómo se relaciona con otras versiones y cuál es su situación actual dentro del registro académico.

En este contexto cobra especial importancia la próxima revisión de la recomendación NISO Journal Article Versions (JAV). Según los autores, esta revisión se encuentra en fase editorial final y pretende proporcionar una descripción más precisa de las diferentes etapas por las que puede pasar un artículo científico. La propuesta combina etapas y estados del artículo con versionado semántico, permitiendo distinguir no solo entre un preprint, un manuscrito aceptado o una versión del registro (Version of Record), sino también entre diferentes modificaciones producidas dentro de una misma etapa. Esta distinción resulta especialmente relevante porque un artículo puede experimentar varias modificaciones sin cambiar necesariamente de categoría: una corrección menor de metadatos no tiene la misma importancia que un cambio sustancial que pueda afectar a la interpretación de los resultados. El versionado estructurado permitiría que tanto los investigadores como los sistemas automatizados comprendieran mejor qué versión están manejando y cuál es su relación con las demás.

El artículo propone, en esencia, distinguir tres capas de identidad. La primera responde a la pregunta «¿qué trabajo u objeto científico es este?» y se resuelve mediante un PID, como un DOI, acompañado de metadatos y relaciones. La segunda responde a «¿en qué estado o versión se encuentra el trabajo?» y requiere información sobre la etapa editorial, el estado y el número o versión semántica. La tercera, mucho más novedosa en el contexto de la inteligencia artificial, responde a «¿qué utilizó realmente el sistema de IA?». Esta última dimensión exige información de procedencia, es decir, conocer la fuente concreta y la versión exacta que fueron recuperadas para fundamentar una determinada respuesta. Para los autores, esta tercera capa será cada vez más importante porque una referencia bibliográfica aparentemente correcta puede ocultar el recorrido real que siguió la IA para obtener la información. En consecuencia, la especificidad de la versión debería empezar a considerarse parte de la precisión de una cita, y no simplemente un detalle adicional de presentación.

Otro aspecto fundamental es que los metadatos de versión deben pasar de ser una información meramente descriptiva a convertirse en información operativa dentro de los sistemas de IA. Un sistema de recuperación debería poder identificar si está accediendo a un preprint, un manuscrito en revisión, un manuscrito aceptado o una versión del registro; debería comprobar si esa versión ha sido posteriormente corregida, retractada o sustituida; y, cuando sea posible, debería conocer si existe una versión posterior antes de generar una respuesta. Si la IA utiliza una versión antigua o no definitiva, esa circunstancia debería poder aparecer en la referencia o en la evidencia que acompaña a la respuesta. El problema adquiere todavía mayor importancia cuando el contenido se incorpora a sistemas de IA mediante procesos de ingestión estática: los artículos pueden transformarse, dividirse en fragmentos, convertirse en embeddings e incorporarse a índices vectoriales, mientras que la información sobre su versión, estado editorial o historial de correcciones puede quedar separada del texto. De ahí la necesidad de que los metadatos permanezcan vinculados al contenido durante todo el proceso de ingestión, recuperación y generación.

Los autores subrayan también el riesgo de que las correcciones y retractaciones no lleguen a las plataformas de IA. Un artículo puede haber sido incorporado a una colección licenciada o a un índice en una determinada fecha y, posteriormente, ser corregido o retractado por el editor. Si el sistema conserva una copia estática y no dispone de mecanismos para recibir las actualizaciones, puede seguir utilizando información que el propio editor ya no considera válida en su forma anterior. El problema no afecta solamente a las editoriales: también involucra a repositorios, índices bibliográficos, agregadores, proveedores de contenidos y empresas de inteligencia artificial. Los autores plantean que las correcciones, retractaciones y nuevas versiones deberían propagarse por todo el ecosistema académico mediante mecanismos fiables de actualización. En este sentido, mencionan iniciativas como CUSAP, orientada a la comunicación de actualizaciones de contenidos, y servicios destinados a transmitir información sobre retractaciones y erratas.

Desde la perspectiva de las bibliotecas y las instituciones académicas, el problema tiene consecuencias directas sobre la contratación y evaluación de servicios de IA. Ya no debería bastar con preguntar si una herramienta tiene acceso a millones de artículos científicos. También habría que saber si conserva los metadatos de versión, si actualiza los contenidos cuando se producen correcciones o retractaciones, si identifica la procedencia de los fragmentos utilizados y si puede informar de qué versión concreta respaldó una respuesta. Esto introduce una nueva dimensión en la evaluación de proveedores de IA y en las licencias de contenidos científicos. Las instituciones podrían exigir que los sistemas demuestren durante las pruebas piloto que son capaces de mantener la relación entre contenido, versión, estado, procedencia y actualización. De este modo, la calidad de un sistema de IA para investigación no dependería únicamente de su capacidad para recuperar documentos relevantes, sino también de su capacidad para recuperar y utilizar la versión correcta y vigente de esos documentos.

Medir el uso de la información científica en la era de la inteligencia artificial

Investigadora frente a panel sobre medir el uso de información científica en IA
Una investigadora examina visualizaciones sobre el impacto de la inteligencia artificial en la ciencia.

Mellins-Cohen, Tasha. “Measuring Usage in the Age of AI”. Research Information, 21 de abril de 2026. Artículo original en Research Information

La expansión de la inteligencia artificial generativa y, especialmente, de los sistemas de IA capaces de actuar como agentes está transformando profundamente la manera en que los investigadores descubren, consultan y utilizan la información científica. Tasha Mellins-Cohen, directora ejecutiva de COUNTER Metrics, explica que durante más de dos décadas el estándar COUNTER ha permitido a bibliotecas, editores e instituciones disponer de estadísticas normalizadas y comparables sobre el uso de los contenidos académicos. Sin embargo, el modelo tradicional se enfrenta ahora a un fenómeno que la autora denomina “zero-click”: los investigadores pueden obtener información procedente de artículos científicos a través de buscadores, asistentes y herramientas de IA sin visitar directamente la plataforma del editor.

De este modo, un contenido puede generar un elevado valor para el investigador, su institución y su financiador sin producir ninguna visita registrada en la web de la editorial. Los datos de uso de 2025 comenzaron a mostrar precisamente esta transformación: mientras algunos editores observaban incrementos importantes en las cifras brutas de actividad, las estadísticas COUNTER registraban descensos apreciables en el uso humano tradicional. Una posible explicación es el crecimiento de la actividad automatizada y de los agentes de IA, especialmente en instituciones que han incorporado herramientas como asistentes de investigación basados en IA.

Ante esta situación, COUNTER considera que las métricas normalizadas no han perdido relevancia, sino que son más necesarias que nunca. La aparición de la IA plantea nuevas preguntas para bibliotecas y editores: ¿debe una biblioteca seguir invirtiendo en contenidos cuando buena parte de su utilización está mediada por un agente de IA?, ¿cómo debe calcularse el retorno de la inversión?, ¿cómo se compara el uso de diferentes servicios de IA?, ¿cómo se distingue la actividad de investigadores reales de los procesos automatizados? y ¿cómo se evita que el volumen de actividad de los agentes termine ocultando el comportamiento humano? La respuesta de COUNTER ha sido adaptar sus estándares para diferenciar los distintos tipos de acceso. La versión 5.1 del COUNTER Code of Practice había sido aprobada antes de la aparición de ChatGPT y, por tanto, no podía anticipar la magnitud del cambio. Después de un proceso de consulta con bibliotecas, editoriales, proveedores tecnológicos y desarrolladores de IA, COUNTER publicó en abril de 2026 nuevas buenas prácticas específicas para medir el uso asociado a la IA generativa y agéntica.

Uno de los principales cambios consiste en introducir el nuevo método de acceso “Agent”, que permite diferenciar la actividad de los sistemas de IA de la utilización humana convencional y de las operaciones de text and data mining (TDM). No todos los bots deben considerarse iguales: los rastreadores maliciosos o los crawlers continúan excluyéndose de las estadísticas, mientras que los agentes que actúan legítimamente a petición de un usuario deben poder contabilizarse. Esta distinción es fundamental porque la IA no utiliza necesariamente un artículo completo como lo haría una persona. Los sistemas de IA suelen trabajar con fragmentos o chunks de contenido, de aproximadamente 100-300 palabras, que son procesados para generar una respuesta. Por ello, COUNTER introduce nuevas métricas específicamente orientadas a la actividad de IA, diferenciando entre el acceso a metadatos y el acceso al texto completo. Entre ellas aparecen Total y Unique AI Investigations, que contabilizan el uso de fragmentos de metadatos, Total y Unique AI Requests, que registran el acceso autorizado al texto completo, y AI Responses Generated, destinado a medir las ocasiones en que una herramienta de IA genera una respuesta a partir de una consulta del usuario.

El cambio tiene importantes implicaciones para las bibliotecas universitarias y de investigación. Las estadísticas tradicionales ya no serán suficientes para comprender el verdadero impacto de las colecciones digitales, porque una parte creciente del consumo de información puede producirse fuera de las plataformas editoriales mediante asistentes de IA. Esto obliga a reconsiderar cómo se evalúa el valor de las suscripciones, las colecciones y los servicios de información. Al mismo tiempo, COUNTER advierte de que las nuevas métricas todavía se encuentran en una fase inicial. Su implantación por parte de los editores probablemente no será generalizada antes de finales de 2026 y es previsible que las primeras experiencias permitan detectar problemas y realizar modificaciones. Además, las actuales recomendaciones se concentran fundamentalmente en las herramientas de IA integradas en las plataformas de los propios editores, mientras que todavía resulta más difícil medir el uso realizado mediante servicios externos como Google Gemini u otras herramientas que acceden a contenidos de múltiples fuentes. Una segunda fase del proyecto pretende abordar precisamente estos escenarios y desarrollar mecanismos de medición para herramientas de terceros y contenidos distribuidos.

Un aspecto especialmente relevante es que el problema no se limita a contar accesos, sino que afecta a la propia concepción del valor y del impacto de la información científica. COUNTER señala que será necesario avanzar también en estándares de atribución, procedencia y metadatos, de modo que cuando una IA utilice un fragmento de un artículo pueda establecerse una relación clara con el documento original. Esto resulta particularmente importante para preservar la trazabilidad de la información, identificar correctamente las fuentes y evitar que contenidos retractados o desactualizados sean incorporados sin advertencia a las respuestas generadas por IA. La mejora de los metadatos puede contribuir simultáneamente a mejorar la inteligencia artificial, la recuperación de información y la accesibilidad. En este sentido, el desafío de medir el uso de la IA forma parte de una transformación más amplia de la comunicación científica: si la IA está cambiando la forma en que se descubren y consumen los contenidos, también será necesario reconsiderar qué significan las citas, las métricas de impacto y otras formas tradicionales de evaluación.

En definitiva, el artículo plantea que la IA no hace innecesarias las métricas de uso; las convierte en una infraestructura todavía más importante. En un entorno en el que los contenidos científicos pueden ser consultados directamente por personas, procesados por sistemas de IA, fragmentados en pequeñas unidades o reutilizados por agentes que trabajan en nombre de los investigadores, disponer de estándares comunes será esencial para que bibliotecas, editoriales y proveedores puedan comparar datos y tomar decisiones fundamentadas. El reto será conseguir que las nuevas métricas distingan adecuadamente entre actividad humana, automatización legítima y rastreo, sin perder de vista cuestiones de privacidad, atribución y procedencia. COUNTER apuesta así por evolucionar sus estándares en lugar de abandonarlos, entendiendo que precisamente cuando la tecnología cambia rápidamente es cuando más necesaria resulta una terminología y una metodología compartida.

Recursos tecnológicos en los espacios de creación (makerspaces) de las bibliotecas universitarias de Estados Unidos.

Students working with 3D printer, laser cutter, and electronics in a library makerspace
Students collaborate on 3D printing, laser cutting, and electronics projects in a library makerspace.

Kotuła, S. D. (2026). An exploratory study of technological resources in makerspaces at academic libraries in the United States. The Journal of Academic Librarianship, 52, 103325. https://doi.org/10.1016/j.acalib.2026.103325

Este estudio exploratorio analiza la presencia, la infraestructura tecnológica, los modelos de personal y los servicios de apoyo al usuario en los makerspaces ubicados dentro de bibliotecas universitarias en los Estados Unidos.

La investigación tomó como base una muestra representativa de 436 instituciones educativas pertenecientes al Best National University Rankings de 2025, de las cuales se identificaron 138 bibliotecas universitarias con espacios de fabricación digital y creación activa, lo que representa aproximadamente el 32% de adopción. Este porcentaje se mantiene muy estable en comparación con mediciones previas realizadas en 2023, lo que sugiere una etapa de consolidación e institucionalización de estos entornos dentro de la infraestructura bibliotecaria universitaria en lugar de una expansión acelerada.

En cuanto al inventario y categorización de recursos tecnológicos, el estudio agrupa el equipamiento en cinco áreas funcionales clave: medios y producción de contenidos, herramientas vocacionales/artesanales, fabricación digital, tecnologías emergentes/especializadas, y electrónica/sistemas embebidos. Aunque la categoría de producción de medios abarca la mayor variedad tipológica de herramientas (41 tipos distintos), la fabricación digital destaca como la más extendida y presente entre las instituciones analizadas. Las impresoras 3D, máquinas de corte y herramientas textiles (como máquinas de coser y remalladoras) constituyen los recursos nucleares más comunes, estando presentes en un rango de entre 53% y 72% de los makerspaces estudiados. Esta convergencia muestra un modelo que equilibra las tecnologías de prototipado rápido digital con actividades artesanales y de manufactura tradicional.

El análisis cuantitativo revela un patrón de distribución de infraestructura de «cola larga» (long tail), donde un conjunto estándar y muy homogéneo de herramientas compone el núcleo básico de casi todos los espacios. Por el contrario, los recursos de tecnología avanzada o altamente especializados —tales como paredes de video para visualización masiva de datos, laboratorios de inteligencia artificial, simuladores de vuelo, mesas de disección virtual o estaciones de mapeo GIS— están concentrados de manera marginal en menos del 3% de las instalaciones. Esto demuestra que la singularidad, la capacidad de innovación interdisciplinaria y la identidad propia de cada biblioteca dependen de un nicho periférico de equipamiento adaptado a sus prioridades institucionales concretas, mientras que su infraestructura base sigue un patrón común.

Respecto a la gestión operativa, la investigación constata la ausencia de un modelo organizativo o de personal estandarizado. Las estructuras de trabajo abarcan desde la gestión unipersonal a cargo de un bibliotecario o especialista técnico, hasta modelos basados en docentes universitarios o equipos dinámicos apoyados por estudiantes de grado y posgrado. Asimismo, se identifican modelos orientados a la comunidad o al compromiso profesional que integran mentores externos, exalumnos y voluntarios. En el ámbito del servicio, las bibliotecas suelen aplicar una modalidad combinada que abarca el acceso autónomo previa capacitación en seguridad, talleres grupales para el desarrollo de competencias prácticas y, en menor grado, la integración activa de proyectos de makerspace dentro del plan de estudios formal de las universidades.

La autocitación también hace crecer la ciencia: por qué no debería penalizarse automáticamente

Starominski-Uehara, Marvin. “Self-Citation Is How Fields Grow.” The Scholarly Kitchen, 20 de agosto de 2026.
Artículo original en The Scholarly Kitchen

Se cuestiona la visión tradicional de la autocitación como una práctica esencialmente sospechosa destinada a inflar artificialmente los indicadores bibliométricos. El autor sostiene que citar trabajos propios no implica necesariamente manipulación y que, especialmente en campos científicos emergentes, puede constituir una forma legítima de construir y consolidar una línea de investigación.

La reflexión parte de un estudio publicado en Society sobre los patrones de autocitación en un campo interdisciplinar emergente denominado human stigmergy. El análisis encuentra que las autocitas son un predictor estadísticamente significativo de las citas posteriores procedentes de autores no vinculados con los investigadores originales, mientras que las referencias a trabajos ajenos no mostraron una relación significativa con esos resultados.

El estudio analizó 1.289 fuentes en nueve idiomas, seleccionando finalmente 42 artículos que cumplían los criterios establecidos. La regresión estadística encontró que cada autocitación adicional estaba asociada con aproximadamente 11 citas adicionales procedentes de autores independientes. El efecto se mantenía incluso después de eliminar de los resultados las autocitas posteriores de los propios autores, lo que reduce la posibilidad de que el resultado se explique simplemente porque quienes se autocitan mucho continúan citándose a sí mismos. No obstante, el propio autor advierte que el modelo explica únicamente el 19,3 % de la variación en los resultados de citación, por lo que la mayor parte de las diferencias depende de otros factores.

Aquí aparece uno de los aspectos más interesantes del artículo: la autocitación podría ser más un indicador de una trayectoria científica consolidada que una causa directa del impacto. Los investigadores que tienen una producción científica extensa y coherente disponen naturalmente de más trabajos anteriores que citar. Al mismo tiempo, suelen llevar más tiempo trabajando en un área, haber publicado en revistas de mayor visibilidad y haber desarrollado redes académicas más amplias. Factores como el prestigio de la revista, la reputación del autor, la institución de procedencia, las tendencias temáticas y las redes sociales de investigación pueden explicar buena parte de las citas posteriores. Por ello, penalizar automáticamente las autocitas puede confundir una característica propia de la construcción acumulativa del conocimiento con una práctica de manipulación.

El autor utiliza como marco conceptual la teoría de la estigmergia desarrollada por el biólogo francés Pierre-Paul Grassé para explicar cómo las colonias de termitas pueden construir estructuras complejas sin una dirección centralizada. Cada modificación realizada por un individuo sobre la estructura se convierte en un estímulo para las acciones posteriores de otros individuos. Aplicada a la ciencia, la analogía plantea que los investigadores también construyen progresivamente sobre sus propias contribuciones anteriores. Una autocitación puede representar, por tanto, la continuidad de un programa intelectual y proporcionar a otros investigadores un marco acumulativo sobre el que seguir trabajando.

Los datos descriptivos refuerzan esta interpretación. En los diez artículos más citados de la muestra, las tasas de autocitación oscilaron entre el 1,1 % y el 41,1 %. Los trabajos con mayores niveles de autocitación tendieron a presentar vidas de citación más prolongadas, mientras que aquellos con niveles inferiores mostraron con mayor frecuencia picos de citas más concentrados y una caída posterior. Además, los artículos teóricos fundacionales parecían beneficiarse más de la autocitación que los estudios aplicados, algo que el autor considera lógico porque la construcción de un marco teórico amplio suele implicar una acumulación progresiva de trabajos previos del propio investigador.

La conclusión no es que toda autocitación sea positiva ni que deba desaparecer cualquier mecanismo de control bibliométrico. El propio artículo reconoce que existen prácticas abusivas de autopromoción, manipulación de indicadores y redes de citación que justifican la vigilancia. El problema está en convertir esa realidad en una penalización generalizada. En campos emergentes, especialidades muy pequeñas o investigaciones que desarrollan programas teóricos coherentes, una tasa relativamente elevada de autocitación puede ser perfectamente legítima y reflejar el proceso normal mediante el cual se construye una tradición científica.

En definitiva, el artículo plantea una cuestión importante para la evaluación de la investigación y la bibliometría: eliminar automáticamente las autocitas de los indicadores puede proporcionar una imagen incompleta del impacto científico. La autocitación no debería interpretarse por sí sola como evidencia de mala praxis, sino analizarse en su contexto, diferenciando entre autocitación legítima, construcción acumulativa de conocimiento y manipulación deliberada de métricas. Para la evaluación científica, esto supone pasar de una lógica de simple conteo y penalización a una interpretación más cualitativa de cómo se forman y evolucionan las comunidades y campos de investigación.

Libros que ya no se leen, una internet que ya no se usa y el fin de las redes sociales tal como las conocemos…

Levesque, Ryan. “The Shape of Enshittification: Books That No Longer Get Read, An Internet That No Longer Gets Surfed, & The End of Social Media As We Know It…” The Digital Contrarian, Substack, 16 de junio de 2026. https://thedigitalcontrarian.substack.com/p/the-shape-of-enshittification-104

El artículo plantea que la verdadera amenaza de la IA no es simplemente que produzca contenido mediocre, sino que pueda contribuir a crear un ecosistema en el que libros, Internet, redes sociales y hasta nuestras conversaciones estén cada vez más mediados por máquinas. Frente a esa abundancia de contenido sintético, Levesque reivindica el valor creciente de lo humano: criterio, experiencia, originalidad, conversación, creatividad y capacidad para distinguir información de conocimiento.

Ryan Levesque parte del concepto de “enshittification”, popularizado por Cory Doctorow para describir el progresivo deterioro de las plataformas digitales cuando los intereses comerciales terminan imponiéndose sobre la experiencia de los usuarios. Su tesis es que este fenómeno está adquiriendo una nueva dimensión con la inteligencia artificial: no solo se deterioran las plataformas, sino que cada vez más contenidos de Internet, libros y conversaciones están siendo producidos, filtrados o mediados por sistemas de IA. El resultado podría ser un ecosistema digital abundante en información pero progresivamente pobre en autenticidad, diversidad y contacto humano.

El artículo comienza con una investigación realizada por investigadores de la Universidad de Maryland y Google DeepMind, que analizó 61.608 historias generadas a partir de 10.272 propuestas, comparando textos humanos con producciones de cinco modelos de IA. Según Levesque, el análisis de la estructura narrativa permitió distinguir textos humanos de textos generados por IA con una precisión cercana al 93 %. Identifica cinco rasgos característicos del denominado AI slop: la IA tiende a explicar demasiado los temas en lugar de permitir que el lector los interprete, utiliza estructuras más lineales, recurre con mayor frecuencia a metáforas corporales para expresar emociones, hace menos referencias concretas a lugares, marcas o textos y produce narrativas menos diversas.

A partir de ahí, Levesque conecta el fenómeno con una sensación más amplia de que “nada parece real”. Recupera la distinción popular entre trabajo asociado al pensamiento analítico y trabajo relacionado con significado, creatividad, belleza y experiencia, para argumentar que la sociedad digital ha privilegiado cada vez más la medición, optimización y automatización. Aplicamos aplicaciones para conseguir conexión, métricas para medir la felicidad y sistemas para organizar incluso aquello que tradicionalmente pertenecía al ámbito de la experiencia humana. Según su argumento, obtenemos resultados funcionales pero no necesariamente auténticos: un entorno diseñado para captar nuestra atención y proporcionarnos pequeñas dosis de recompensa, pero que puede terminar generando sensación de vacío.

Uno de los ámbitos donde Levesque observa con mayor claridad esta evolución es las redes sociales. Propone un ciclo de cinco etapas: nacimiento de una comunidad, crecimiento, llegada a una masa crítica, enshittification y finalmente declive. En la cuarta fase, el modelo de negocio comienza a dominar la experiencia del producto, aumenta la publicidad y el contenido se vuelve cada vez más homogéneo; finalmente, los usuarios que hicieron atractiva la plataforma comienzan a marcharse. El autor considera que muchas redes sociales se encuentran actualmente en las fases cuatro o cinco. La incorporación masiva de contenido generado por IA añade otro problema: cada vez resulta más difícil saber si detrás de una publicación, una interacción o un comentario existe realmente otra persona.

Esta transformación afecta especialmente al valor de la comunicación social. Si publicamos para ser vistos por otras personas y una parte creciente de quienes leen, comentan o interactúan son sistemas automatizados, bots o contenidos generados por IA, el incentivo para participar en las redes cambia radicalmente. Levesque observa además una migración desde la comunicación pública hacia espacios privados, como los grupos de WhatsApp o iMessage. Las redes sociales estarían convirtiéndose progresivamente en una especie de televisión digital, centrada en mantener la atención mediante vídeos breves, mientras la comunicación verdaderamente interpersonal se desplaza hacia espacios más cerrados.

El autor dedica también especial atención al futuro del libro. Utiliza como ejemplo los datos compartidos por Tim Ferriss, cuyos libros experimentaron descensos importantes de ventas: -5 % en 2023, -13 % en 2024, -46 % en 2025 y -57 % en 2026 respecto al año anterior. Levesque relaciona esta evolución con la popularización de ChatGPT y con el hecho de que los libros de tipo how-to, destinados principalmente a proporcionar instrucciones y procedimientos, compiten directamente con los chatbots. En lugar de comprar un libro para aprender a hacer algo, el usuario puede preguntar a una IA y obtener en segundos una respuesta adaptada a su situación.

Sin embargo, su conclusión no es que el libro esté muriendo, sino que está perdiendo valor un determinado tipo de libro. Según Levesque, la información fácilmente sistematizable puede ser absorbida por los chatbots, mientras que adquieren mayor valor las obras que aportan una perspectiva original, una idea poderosa, una experiencia personal, una historia única o una transformación intelectual. Es una distinción especialmente interesante: la IA abarata la información, pero podría aumentar el valor de la experiencia, la interpretación y la originalidad humana.

Otro de los argumentos centrales se refiere al Internet que leen las máquinas. Levesque advierte que si los usuarios dejan de navegar directamente por la Web y comienzan a consultar principalmente chatbots, los productores de contenidos tendrán incentivos para crear páginas destinadas no tanto a las personas como a los sistemas de IA que las rastrean. Utiliza como ejemplo contenidos comerciales de Shopify que sitúan a la propia empresa como la mejor plataforma de comercio electrónico. Si los chatbots utilizan esos contenidos como fuentes, una empresa podría influir indirectamente en las respuestas que reciben millones de usuarios. El riesgo es la aparición de una Web optimizada para ser consumida por algoritmos y no por seres humanos.

Finalmente, Levesque introduce una idea especialmente sugerente: el “message slop”, o basura generada por IA en las conversaciones personales. Describe una experiencia en la que sospechó que su interlocutor estaba utilizando ChatGPT o Claude para generar sus respuestas. La conversación aparentemente se producía entre dos personas, pero en realidad estaba mediada por una máquina. Para el autor, esto plantea una cuestión fundamental: si empezamos a delegar incluso la expresión de nuestros pensamientos y emociones en una IA, podemos terminar perdiendo una parte de la espontaneidad y autenticidad que caracteriza a la comunicación humana.

El artículo termina con una perspectiva relativamente optimista: cuanto más fácil sea fabricar algo artificial, mayor puede ser el valor de aquello que no puede falsificarse fácilmente. Levesque identifica tres tipos de trabajo que podrían adquirir especial relevancia: quienes sepan coordinar sistemas de IA y agentes, los trabajos manuales y creativos ligados al mundo físico, y las actividades humanas en las que resulten esenciales la confianza, el criterio y la relación interpersonal. Su conclusión es que, en un mundo inundado de contenido artificial, lo auténtico, singular y humano podría convertirse precisamente en el recurso más escaso y valioso.

La IA ya forma parte de la vida universitaria

Brand, Louie; Berka, Alex; Spies, Maria. Generative AI in Higher Education: Academic and Student Perspectives. QS, 15 de junio de 2026. Informe completo de QS

El informe de QS (Quacquarelli Symonds) analiza cómo estudiantes y académicos están utilizando y valorando la inteligencia artificial generativa en la educación superior. Sus resultados muestran que la IA ha dejado de ser una tecnología emergente para convertirse en una herramienta integrada en la actividad universitaria cotidiana.

El 67 % de los académicos y el 62 % de los estudiantes afirma utilizar herramientas de IA generativa al menos semanalmente para actividades relacionadas con la enseñanza, la investigación, el estudio o tareas administrativas. Paralelamente, ha aumentado notablemente el grado de familiaridad con estas tecnologías: el 48 % de los académicos y el 53 % de los estudiantes se consideran muy o extremadamente familiarizados con la IA generativa.

La percepción general de la tecnología es también mayoritariamente positiva. El 74 % de los académicos y el 68 % de los estudiantes considera que la IA desempeña un papel algo o muy positivo en la sociedad. Entre los docentes, la IA se utiliza especialmente para redacción y edición de textos, preparación de clases, diseño de evaluaciones, generación de retroalimentación y síntesis de literatura científica. En el caso de los estudiantes, la utilización está vinculada fundamentalmente al aprendizaje, la elaboración de trabajos y la búsqueda o comprensión de información.

Uno de los resultados más significativos es que los estudiantes no parecen reclamar una prohibición de la IA, sino su integración formal en la enseñanza. El 94 % considera al menos algo importante que las universidades incorporen la IA generativa al currículo y a la experiencia de aprendizaje. Los estudiantes demandan formación práctica para aprender a utilizar estas herramientas de manera profesional y ética, así como normas institucionales claras que determinen qué usos son aceptables y cuáles no. El informe identifica, por tanto, una oportunidad para que las universidades pasen de una política basada principalmente en restricciones a otra centrada en la alfabetización en IA y el uso responsable.

La evaluación y la integridad académica constituyen uno de los principales desafíos. El 24 % de los estudiantes declara utilizar IA para ayudarles en la redacción de ensayos, mientras que el 30 % considera que las universidades deberían diseñar evaluaciones que sean más difíciles de realizar exclusivamente mediante herramientas de IA. El problema ya no consiste simplemente en detectar si un texto ha sido generado artificialmente, sino en replantear las formas de evaluación para comprobar realmente el aprendizaje, el razonamiento y las competencias del estudiante.

Desde la perspectiva institucional, los principales obstáculos señalados por los académicos son las cuestiones éticas, la seguridad de los datos y la ausencia de estrategias y mecanismos de gobernanza suficientemente desarrollados. El informe destaca que estudiantes y profesores coinciden en la necesidad de disponer de políticas transparentes, formación específica y orientaciones sobre el uso profesional y ético de la IA. Los estudiantes, en particular, parecen favorecer una flexibilidad responsable: quieren poder utilizar estas herramientas siempre que su utilización sea transparente y se declare adecuadamente.

En definitiva, el informe de QS plantea que el debate universitario ha entrado en una segunda etapa. La cuestión ya no es si la IA generativa debe estar presente en la universidad —porque ya lo está—, sino cómo incorporarla de manera pedagógica, ética y estratégica. La alfabetización en inteligencia artificial aparece así como una nueva competencia transversal de los graduados, junto con la capacidad para evaluar críticamente las respuestas de los sistemas, reconocer sus limitaciones, proteger los datos y utilizar la IA como herramienta de apoyo sin delegar en ella las capacidades intelectuales que la universidad pretende desarrollar.

El informe evidencia una brecha entre la rápida adopción de la IA por estudiantes y profesores y la capacidad de las universidades para proporcionar políticas, formación y sistemas de evaluación adaptados. El reto para las instituciones de educación superior ya no es decidir si permitir o prohibir la IA, sino formar a estudiantes y docentes para utilizarla de manera crítica, ética, transparente y académicamente responsable.

La inteligencia artificial generativa y la integridad científica: guía de la Office of Research Integrity de Estados Unidos

U.S. Department of Health and Human Services (HHS), Office of Research Integrity (ORI). Public Health Service Policies on Research Misconduct: 42 CFR Part 93 Guidance on Generative Artificial Intelligence.

Texto completo

Office of Research Integrity (ORI) del Departamento de Salud y Servicios Humanos de Estados Unidos ha publicado en agosto de 2026 una guía específica sobre el uso de inteligencia artificial generativa en el contexto de la investigación científica y las posibles conductas de mala conducta investigadora.

El documento está dirigido especialmente a las instituciones y entidades que reciben financiación del Public Health Service (PHS) para investigación biomédica o conductual. Su propósito es orientar la evaluación de posibles casos de mala conducta científica en los que intervengan herramientas de IA generativa, dentro del marco establecido por la normativa 42 CFR Part 93. La guía es de carácter no vinculante y, en caso de conflicto, prevalece la regulación federal.

El documento parte de una idea importante: el uso de IA generativa no constituye por sí mismo una conducta de mala conducta científica. Los investigadores y las instituciones deben aplicar, en términos generales, las mismas buenas prácticas que utilizarían cuando no interviene la IA. Sin embargo, la utilización de estas herramientas puede generar situaciones de fabricación, falsificación o plagio, por lo que resulta fundamental evaluar si su empleo supone una desviación significativa de las prácticas aceptadas por la comunidad científica correspondiente. Para ello, los comités de investigación deben analizar todas las evidencias disponibles y contar con expertos científicos en el área de investigación afectada; además, ORI considera útil incorporar especialistas en IA cuando sea necesario comprender las herramientas utilizadas.

Uno de los principios centrales de la guía es la transparencia en el uso de IA. ORI recomienda que los investigadores identifiquen las herramientas de IA generativa empleadas durante la investigación, la preparación de manuscritos o la elaboración de propuestas de financiación y que expliquen cómo fueron utilizadas. Esta información puede contribuir a la reproducibilidad de la investigación y también servir como elemento de defensa frente a determinadas acusaciones de mala conducta. No obstante, declarar el uso de IA no garantiza que dicho uso sea considerado legítimo: si la utilización de la herramienta contradice las prácticas aceptadas por la comunidad científica, puede seguir constituyendo evidencia de mala conducta. Asimismo, el uso de IA para generar o procesar datos debe ser cuidadosamente verificado.

La guía presta especial atención a los problemas de fabricación y falsificación de datos. Un investigador debe comprobar los resultados obtenidos mediante procesos que incorporen IA, ya que la generación o modificación no declarada de datos puede constituir fabricación o falsificación. ORI incluso señala que algunas tecnologías aparentemente rutinarias pueden incorporar procesos automáticos de alteración de imágenes, como ocurre con determinadas cámaras de teléfonos inteligentes. En estos casos, corresponde al investigador demostrar, cuando proceda, que la alteración fue consecuencia de un error honesto y no de una conducta intencionada, consciente o imprudente.

La IA se convierte en asistente habitual de los investigadores

AI for Science 2026: The State of AI Use among Researchers. Fudan University, Shanghai Academy of AI for Science & Nature Research Intelligence, 2026.

Texto completo

El informe muestra que la IA generativa ya está integrada en buena parte del trabajo cotidiano de los investigadores, aunque principalmente como herramienta de apoyo y no como sustituto del juicio científico. Su utilización se concentra especialmente en las primeras fases del proceso investigador: búsqueda y descubrimiento de información, exploración de literatura, redacción, edición y mejora de textos. Casi la mitad de los investigadores afirma utilizar IA con frecuencia para recopilar información y para mejorar o editar artículos.

El informe muestra que la inteligencia artificial está incorporándose rápidamente al trabajo cotidiano de los investigadores, aunque su utilización no es homogénea. La IA se emplea sobre todo en las fases exploratorias y generativas de la investigación, especialmente para recopilar información, descubrir literatura, planificar investigaciones y mejorar o editar artículos. El 43,8 % de los investigadores utiliza IA frecuente o muy frecuentemente para recopilar información y el 44,6 % para mejorar o editar artículos. En cambio, su utilización disminuye considerablemente cuando las tareas requieren evaluación, responsabilidad y juicio profesional.

Una de las principales conclusiones es que la IA actúa más como asistente que como sustituto del investigador. El uso es mucho menor en actividades como la revisión de artículos científicos o la toma de decisiones sobre la publicación. Solo el 23,5 % utiliza IA para revisar artículos y el 25,7 % para decisiones relacionadas con su presentación. Esto refleja que los investigadores siguen reservando para las personas aquellas tareas en las que son fundamentales el criterio experto, la responsabilidad profesional y la evaluación crítica.

Existe además una importante diferencia generacional. Los investigadores más jóvenes recurren a la IA con mayor frecuencia que los investigadores con más experiencia. Entre quienes llevan menos de tres años investigando, el 46,8 % utiliza frecuentemente IA para mejorar o editar artículos, frente al 36,1 % entre quienes acumulan 20 años o más de experiencia. Para la recopilación de información, las cifras son del 47,8 % y el 33,4 %, respectivamente. La diferencia se explica tanto por una mayor utilización entre los investigadores jóvenes como por una mayor resistencia de los investigadores sénior a utilizar estas herramientas.

En cuanto a las herramientas utilizadas, los modelos generalistas dominan claramente el panorama. Representan el 75,9 % de las menciones entre las tres herramientas de IA más utilizadas por los investigadores. ChatGPT aparece en primer lugar, con el 36,8 % de las menciones, seguido de Gemini, con el 19,4 %, y Claude, con el 6,5 %. Las herramientas específicas para escritura y edición representan el 7,2 %, mientras que las destinadas al descubrimiento de literatura y evidencias alcanzan el 5,6 %.

El informe también revela diferencias geográficas. El uso intensivo de IA para descubrir contenidos científicos es especialmente elevado en Asia oriental. En el conjunto de la muestra, el 5,7 % de los investigadores depende principalmente o exclusivamente de herramientas de IA para identificar investigaciones relevantes, pero entre los investigadores jóvenes la proporción llega al 21,2 % en Japón y al 15,2 % en China, frente al 5,7 % en Estados Unidos y el 8,9 % en Europa.

Otro aspecto significativo es la forma de financiación de estas herramientas. La mayoría de los investigadores accede a ellas de manera independiente: el 45,4 % utiliza principalmente herramientas gratuitas y el 41,3 % las paga personalmente. Solo el 11,1 % señala que su institución financia la licencia. Esto indica que la adopción de IA está avanzando más rápidamente que el establecimiento de políticas y sistemas institucionales de apoyo, formación y financiación.

La satisfacción con la IA es relativamente elevada cuando se utiliza para descubrir información científica. El 65,2 % de los investigadores se declara satisfecho o muy satisfecho con la ayuda que proporciona su herramienta principal para descubrir nuevos contenidos. Las razones principales son su capacidad para localizar fuentes relevantes y proporcionar referencias, además de la precisión de las respuestas y el incremento de la productividad.

Sin embargo, la confianza sigue siendo el principal problema. Las respuestas abiertas muestran que los investigadores valoran especialmente la posibilidad de aumentar la productividad, facilitar el descubrimiento de literatura y ampliar el acceso al conocimiento, pero manifiestan importantes preocupaciones sobre la fiabilidad de los resultados. Entre más de 7.500 respuestas abiertas, las alucinaciones y los problemas de exactitud acumularon 4.935 menciones, muy por encima de otros riesgos. También aparecen el temor a la pérdida de pensamiento crítico, mencionado 1.167 veces, y las preocupaciones relacionadas con la integridad de la investigación, con 702 menciones.

En definitiva, el estudio presenta una imagen de una investigación científica cada vez más asistida por IA, pero todavía lejos de una investigación autónoma. La IA está penetrando especialmente en la búsqueda y descubrimiento de información, la organización de ideas, la redacción y la edición, mientras que los investigadores mantienen un mayor control humano sobre la evaluación y las decisiones científicas. El gran reto que plantea el informe no es tanto conseguir que los investigadores utilicen IA —algo que ya está sucediendo— como garantizar que sepan utilizarla de forma crítica, verificable, ética y responsable, especialmente ante las alucinaciones, la pérdida potencial de pensamiento crítico, la integridad científica y la seguridad de los datos.