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.»)

La conciencia mundial sobre la inteligencia artificial crece, pero sigue existiendo una importante brecha de conocimiento

Pew Research Center. “Who has heard or read a lot about AI, and how is awareness changing?” 17 de septiembre de 2026. El análisis forma parte de la encuesta internacional de Pew sobre las actitudes hacia la inteligencia artificial realizada en 2026. Artículo original en Pew Research Center

Pew Research Center analiza hasta qué punto la población mundial está familiarizada con la inteligencia artificial y cómo ha evolucionado esta conciencia durante los últimos años. El estudio muestra que, en la mayoría de los 37 países analizados, una mayoría de adultos ha oído hablar al menos algo sobre IA. Sin embargo, existen diferencias enormes en el grado de conocimiento: mientras que en algunos países más de la mitad de la población afirma haber oído o leído mucho sobre inteligencia artificial, en otros esta proporción apenas alcanza a una de cada diez personas. Japón y Alemania se encuentran entre los países con mayores niveles de conocimiento declarado, mientras que Sri Lanka y Bangladesh se sitúan en el extremo contrario.

Uno de los datos más significativos es que la conciencia sobre la IA está aumentando. En 11 de los 25 países en los que Pew dispone de datos comparables con el año anterior, creció la proporción de personas que dicen haber oído o leído mucho sobre inteligencia artificial. Algunos de los incrementos más importantes se registraron en Nigeria (+14 puntos porcentuales), Hungría (+11) y Reino Unido (+10). El fenómeno también es particularmente evidente en Estados Unidos: la proporción de estadounidenses que afirma haber oído o leído mucho sobre IA prácticamente se ha duplicado desde 2022, cuando Pew comenzó a realizar esta pregunta.

El estudio encuentra además una relación clara entre nivel de desarrollo económico y conocimiento de la IA. Los países con un PIB per cápita más elevado tienden a presentar niveles superiores de conciencia sobre la tecnología. Pew pone como ejemplo a Singapur, donde el PIB per cápita se aproxima a los 100.000 dólares y el 53% de los adultos afirma haber oído o leído mucho sobre IA. En el extremo contrario, Bangladesh, con un PIB per cápita cercano a los 2.600 dólares, registra solamente un 4%. Esta diferencia refleja no solamente la difusión de la tecnología, sino también las desigualdades en acceso a información, educación y experiencias directas con herramientas de IA.

La edad constituye otra de las variables más importantes. En los 36 países donde Pew puede comparar grupos de edad, los adultos de 18 a 34 años son más propensos que los mayores de 50 años a afirmar que han oído o leído mucho sobre inteligencia artificial. En 19 países la diferencia alcanza o supera los 30 puntos porcentuales. España presenta una de las brechas más llamativas: el 67% de los jóvenes de 18 a 34 años afirma haber oído mucho sobre IA, frente a solamente el 16% de las personas de 50 años o más, una diferencia de 51 puntos. Además, en España la conciencia ha crecido más entre los jóvenes que entre los adultos mayores desde el año anterior.

La relación entre conocimiento y actitud hacia la IA resulta especialmente interesante. En numerosos países, quienes conocen más la tecnología no son necesariamente quienes tienen una visión más negativa. De hecho, Pew observa que las personas con mayor conocimiento de IA tienden en muchos países a mostrar una actitud relativamente más optimista. En Alemania, por ejemplo, entre quienes han oído mucho sobre IA, el 26% se declara principalmente preocupado, el 59% está igualmente preocupado y entusiasmado y el 15% está principalmente entusiasmado. Entre quienes han oído poco o nada sobre IA, las cifras son 41%, 51% y 8%, respectivamente. Esto sugiere que la falta de información puede estar asociada con mayores niveles de preocupación o, sencillamente, con una mayor dificultad para adoptar una posición definida.

También existe una brecha educativa y socioeconómica. Las personas con mayores niveles de educación y mayores ingresos tienden a presentar una mayor conciencia sobre la inteligencia artificial. Por el contrario, quienes tienen menor nivel educativo o menores ingresos suelen estar menos familiarizados con la tecnología y manifiestan con mayor frecuencia preocupación ante ella. El fenómeno es importante porque indica que la expansión de la IA no está produciendo únicamente una transformación tecnológica, sino también una posible brecha de alfabetización en IA entre diferentes grupos sociales.

El caso de los jóvenes merece una atención particular. Aunque son claramente el grupo con mayor nivel de conocimiento, esto no significa que sean acríticamente favorables a la IA. El estudio internacional muestra que los menores de 35 años suelen combinar entusiasmo y preocupación. En más de la mitad de los países analizados, sentirse simultáneamente preocupados y entusiasmados constituye la respuesta mayoritaria o más frecuente entre los jóvenes. Además, en varios países la preocupación está creciendo entre ellos. En Estados Unidos, por ejemplo, la proporción de jóvenes de 18 a 34 años que se sienten principalmente preocupados por la IA pasó del 40% en 2024 al 55% en 2026.

El informe muestra que la alfabetización y la conciencia sobre la inteligencia artificial avanzan rápidamente, pero de manera desigual. La edad, el nivel educativo, los ingresos y el desarrollo económico del país están asociados con diferencias importantes en el grado de conocimiento. El dato resulta especialmente relevante para las bibliotecas y las instituciones educativas: no basta con que la IA esté disponible; es necesario garantizar que los distintos grupos sociales dispongan de oportunidades para comprender qué es, cómo funciona, cuáles son sus posibilidades y cuáles son sus riesgos. Los datos de Pew proporcionan, por tanto, un argumento sólido para considerar la alfabetización en IA como una dimensión de la alfabetización informacional y digital, especialmente para reducir las desigualdades de conocimiento que acompañan a la expansión de esta tecnología. Esta última consideración es una interpretación derivada de los datos del estudio, no una conclusión explícita de Pew.

La percepción global sobre la IA cambia: más personas esperan pérdida de empleos que creación de puestos de trabajo

Silver, Laura, Richard Wike, Moira Fagan y Jordan Lippert. “Globally, More People Expect AI to Cause Job Loss Than Growth.” Pew Research Center, 17 de septiembre de 2026.. Pew Research Center – informe completo

Encuesta internacional realizada entre el 8 de febrero y el 13 de mayo de 2026 a 42.151 adultos de 36 países. El estudio del Pew Research Center ofrece una panorámica internacional sobre cómo está cambiando la percepción social de la inteligencia artificial. Su principal conclusión es que, en 34 de los 37 países analizados, las personas tienden a pensar que la IA provocará más pérdida de empleos que creación de puestos de trabajo. No se trata de una medición de empleos efectivamente destruidos, sino de las expectativas de la población sobre el impacto que tendrá la IA durante los próximos 20 años. La incertidumbre sigue siendo considerable: en muchos países al menos una quinta parte de los adultos no sabe si la IA tendrá un efecto positivo o negativo sobre el empleo, porcentaje que alcanza aproximadamente cuatro de cada diez personas en algunos países de ingresos medios.

La preocupación resulta especialmente elevada en varios países de ingresos altos. En Australia, Corea del Sur y Estados Unidos, alrededor de siete de cada diez adultos o más consideran que la IA producirá pérdida de empleos. En Estados Unidos, único país donde Pew permite una comparación directa con una encuesta anterior, esta percepción ha aumentado 7 puntos porcentuales en dos años. El estudio muestra además que la preocupación no se distribuye de manera uniforme: en países como Canadá, Francia, Singapur y Suecia, así como en India, Indonesia y Malasia, los adultos de 18 a 34 años son más propensos que los mayores de 50 años a pensar que la IA destruirá puestos de trabajo.

Otro aspecto significativo es la relación entre conocimiento sobre IA y percepción de sus efectos. En aproximadamente la mitad de los países estudiados, quienes afirman haber oído o leído mucho sobre inteligencia artificial son más propensos a anticipar pérdidas de empleo que quienes tienen un menor nivel de conocimiento. Estos últimos, sin embargo, presentan con mayor frecuencia respuestas de incertidumbre. El resultado resulta interesante porque indica que una mayor familiaridad con la tecnología no conduce necesariamente a una percepción más optimista de su impacto laboral; en determinados contextos puede estar asociada precisamente con una mayor conciencia de los cambios que puede producir.

El temor al desempleo se relaciona además con una preocupación más amplia: el posible aumento de las desigualdades económicas. Globalmente, las personas son más proclives a pensar que la IA incrementará la distancia entre ricos y pobres que a considerar que la reducirá. En Corea del Sur, Australia, Estados Unidos, Grecia y Canadá, al menos cuatro de cada diez adultos creen que la IA aumentará la brecha económica. Por el contrario, son muy pocos los que consideran que contribuirá a disminuir la desigualdad: en ningún país supera el 25% la proporción que mantiene esta opinión y en 29 de las naciones analizadas permanece en cifras de un solo dígito.

Sin embargo, el panorama no es exclusivamente negativo. El informe encuentra una combinación de preocupación y entusiasmo ante la expansión de la IA. Como mediana de los 37 países, un 37% de los encuestados declara estar más preocupado que entusiasmado, mientras que un 41% manifiesta sentirse igualmente preocupado y entusiasmado. Israel constituye la única excepción en la que hay más personas principalmente entusiasmadas que principalmente preocupadas. Corea del Sur ofrece un caso especialmente interesante: aunque sus ciudadanos están entre los que más anticipan pérdidas de empleo y aumento de la desigualdad, el 61% afirma sentirse simultáneamente preocupado y entusiasmado y un 21% se declara principalmente entusiasmado.

Las tendencias también están cambiando con rapidez. En Suecia, Polonia, Países Bajos, Hungría y Australia aumentó durante el último año la proporción de personas que se sienten más preocupadas que entusiasmadas por la IA. En Estados Unidos, la preocupación general se ha mantenido relativamente estable durante el último año, pero ha crecido de manera notable desde 2021. Especialmente significativo es el cambio entre los jóvenes estadounidenses: entre 2024 y 2026, la proporción de adultos de 18 a 34 años que se muestran principalmente preocupados por la IA pasó del 40% al 55%.

La IA puede generar resultados, pero no sustituye el esfuerzo creativo

Zimmerman, Andrew. “Why AI Can’t Replace the Creative Struggle.” Fast Company, 12 de agosto de 2026. Artículo original en Fast Company

El autor, Andrew Zimmerman, parte de una experiencia personal como novelista. Mientras intentaba comenzar su segunda novela sufrió un bloqueo creativo y decidió probar un modelo de lenguaje al que proporcionó su primera novela y pidió que escribiera el primer capítulo de una continuación. El resultado le sorprendió por su capacidad para reproducir su voz, ritmo y diálogos. Sin embargo, precisamente esa eficacia le hizo comprobar que las decisiones fundamentales de la creación seguían siendo humanas: qué deberían hacer los personajes, cómo deberían sentirse y qué quería transmitir al lector. La IA podía producir páginas, pero no resolver por él las preguntas esenciales de la obra.

Una de las ideas centrales del artículo es la diferencia entre producir un resultado y desarrollar el proceso creativo. Según Zimmerman, los sistemas de IA tienden a buscar respuestas viables mediante reconocimiento de patrones, mientras que la creatividad humana también implica desviarse, asociar ideas aparentemente inconexas, explorar caminos extraños y aceptar los callejones sin salida. Bocetos descartados, errores, dudas y sucesivos intentos forman parte de la construcción de una perspectiva propia. Por ello, aunque la IA pueda acortar considerablemente el proceso, eliminar completamente esa fase de exploración puede empobrecer la creatividad.

El autor formula así una idea especialmente interesante: “la lucha es una característica, no un defecto”. El bloqueo, la incertidumbre o la dificultad para resolver un problema creativo no son necesariamente ineficiencias que debamos eliminar. Pueden constituir precisamente el mecanismo mediante el cual una persona desarrolla criterio, descubre alternativas y llega a una solución que siente como propia. En su caso, el capítulo generado por IA terminó funcionando como una provocación que le permitió pensar mejor sobre su novela, no como un modelo que simplemente tuviera que copiar.

Otro aspecto importante es la necesidad de definir qué aportación sigue perteneciendo al creador humano. Zimmerman reconoce que la frontera entre las tareas automatizables y las tareas creativas se está haciendo cada vez más difusa a medida que mejoran los modelos. Por ello considera necesario identificar aquello que constituye la contribución personal e inseparable del autor: su criterio, experiencia, sensibilidad, intención y capacidad para decidir qué significado debe tener una obra. En su caso, puede utilizar IA para estimular o afinar sus ideas, pero considera que la obra debe seguir llevando su nombre porque la responsabilidad creativa continúa siendo suya.

Se revindica la experiencia humana y corporal como fuente de creatividad. Zimmerman señala que crear no consiste únicamente en permanecer delante de una pantalla: caminar, observar la naturaleza, visitar una exposición o realizar actividades manuales pueden alimentar la imaginación porque conectan el proceso creativo con las emociones y la experiencia vivida. Su conclusión es que no tiene sentido esperar una futura sustitución de la inteligencia creativa humana por la IA: la interacción entre ambas ya está ocurriendo. La cuestión fundamental es mantener al ser humano como protagonista y utilizar la IA como instrumento de exploración, provocación y apoyo, no como sustituto del proceso mediante el cual construimos nuestras propias ideas.