La paradoja de la IA en las aulas: más uso, peores resultados según el informe PISA

Richter, Felix. “PISA Links Frequent AI Use With Lower Science Scores.” Statista, 8 septiembre 2026. Statista, “PISA Links Frequent AI Use With Lower Science Scores”

Los resultados de PISA 2025 introducen una importante advertencia sobre la relación entre el uso de la inteligencia artificial y el rendimiento académico. El análisis de Statista, basado en los datos de la OCDE, muestra que los estudiantes de 15 años que utilizan herramientas de IA casi todos los días para realizar tareas escolares concretas, como redactar trabajos, resumir textos o realizar investigaciones preliminares, obtienen en promedio peores resultados en ciencias que aquellos que utilizan la IA con menor frecuencia o que no la utilizan. La diferencia entre los usuarios intensivos y los estudiantes que no emplean IA llega a ser equivalente, según Statista, a aproximadamente un año de escolarización.

Sin embargo, los datos no permiten concluir que la inteligencia artificial sea perjudicial por sí misma. La investigación de PISA muestra una relación mucho más compleja, en la que importan tanto la frecuencia como el propósito del uso. Los estudiantes que utilizan la IA para una finalidad general de aprendizaje presentan un comportamiento diferente al de quienes recurren a ella para que realice directamente determinadas tareas académicas. De hecho, los alumnos que utilizan la IA de manera moderada para «ayudarles a aprender» pueden alcanzar resultados similares o incluso ligeramente superiores a los de quienes no la utilizan.

La diferencia resulta especialmente significativa cuando se analiza el uso de la IA para tareas específicas. Los estudiantes que no utilizan chatbots para determinadas actividades escolares tienden a obtener mejores resultados científicos que quienes los utilizan, mientras que los usuarios moderados pueden situarse por encima de los usuarios muy frecuentes en algunas actividades, como resumir textos o realizar investigaciones preliminares. Esto apunta a que el problema no reside necesariamente en disponer de ChatGPT u otras herramientas similares, sino en delegar en ellas procesos cognitivos que el estudiante debería realizar por sí mismo.

El informe introduce así el concepto de «atrofia de habilidades»: cuando una persona deja de ejercitar regularmente una capacidad porque una herramienta tecnológica la realiza por ella, puede perder progresivamente esa competencia. En educación, esto resulta particularmente importante. Si un estudiante utiliza la IA para generar una respuesta, escribir un trabajo, resumir una lectura o resolver un problema sin comprender el proceso, obtiene una ventaja inmediata, pero puede estar renunciando al aprendizaje que precisamente pretendía conseguir la actividad. La propia OCDE señala que la IA debería complementar el esfuerzo intelectual del alumno y no sustituirlo.

Uno de los aspectos más interesantes de PISA 2025 es que aprender a utilizar críticamente la IA parece marcar una diferencia. Alrededor de seis de cada diez estudiantes de los países de la OCDE señalan que en sus clases se les ha pedido evaluar la calidad de información generada por IA. Entre los estudiantes que utilizan frecuentemente estas herramientas para aprender, quienes además reciben en la escuela formación para valorar críticamente sus resultados presentan un rendimiento científico ligeramente superior. Esto sugiere que la respuesta educativa no debería ser simplemente prohibir o permitir la IA, sino enseñar a interrogarla, verificarla, contrastarla y comprender sus limitaciones.

El estudio también plantea una cuestión de equidad educativa. Las oportunidades para aprender a evaluar críticamente contenidos generados por inteligencia artificial no están distribuidas de manera uniforme: los estudiantes socioeconómicamente favorecidos tienen más probabilidades de recibir este tipo de formación en sus centros. Esto podría generar una nueva brecha digital: no tanto entre quienes tienen acceso a la IA y quienes no lo tienen, sino entre quienes saben utilizarla como herramienta de aprendizaje y quienes simplemente la emplean como sustituto del esfuerzo intelectual.

La cuestión no es cuánta inteligencia artificial utilizan los estudiantes, sino cómo la utilizan. Un uso intensivo y pasivo puede estar asociado a peores resultados, mientras que un uso moderado, consciente y acompañado de alfabetización crítica puede convertirse en una herramienta educativa de gran valor. PISA 2025 apunta, por tanto, hacia un modelo en el que la IA debe utilizarse para ampliar la capacidad del estudiante —ayudarle a comprender, formular preguntas, recibir retroalimentación o explorar conceptos—, pero sin sustituir las actividades cognitivas fundamentales que permiten aprender

PISA 2025 (2026) confirma un preocupante retroceso de las competencias en matemáticas, lectura y ciencias

Richter, Felix. “PISA 2025 Reveals Steep Decline in Math & Reading Skills.” Statista, 8 septiembre 2026. Statista, “PISA 2025 Reveals Steep Decline in Math & Reading Skills

Los resultados de PISA 2025 dibujan un panorama preocupante sobre la evolución de las competencias de los adolescentes en los países de la OCDE. Según el análisis de Statista, el rendimiento medio de los estudiantes de 15 años ha alcanzado en 2025 sus niveles más bajos desde que comenzó la evaluación en las tres áreas fundamentales: matemáticas, lectura y ciencias. La caída resulta especialmente significativa en lectura, una competencia estrechamente relacionada con la capacidad de comprender, analizar y evaluar información, precisamente en un contexto marcado por la desinformación y la expansión de la inteligencia artificial.

El gráfico pone de manifiesto que no se trata únicamente de un efecto provocado por la pandemia de COVID-19, sino de una tendencia de deterioro que viene desarrollándose desde hace más de una década. En lectura, los resultados habían alcanzado su máximo alrededor de 2012 y posteriormente comenzaron a descender; en matemáticas, el retroceso se aceleró especialmente después de 2018. Las ciencias presentan una evolución algo más estable, aunque también registran una pérdida considerable: entre 2006 y 2025 su puntuación media descendió 17 puntos. La OCDE ya había advertido en PISA 2022 que el descenso en lectura y ciencias había comenzado antes de la pandemia, mientras que la caída de las matemáticas se había intensificado de manera especialmente brusca entre 2018 y 2022.

La magnitud de la evaluación de 2025 permite considerar estos resultados como un indicador de alcance mundial. Más de 760.000 estudiantes de 91 países y economías participaron en PISA 2025, representando aproximadamente a 33 millones de jóvenes de 15 años. La comparación longitudinal es especialmente relevante porque PISA no mide simplemente los conocimientos memorizados, sino la capacidad de los estudiantes para aplicar sus conocimientos a situaciones y problemas de la vida real.

Uno de los aspectos más relevantes del análisis es el deterioro de la comprensión lectora. La puntuación media de lectura de los países de la OCDE descendió 16 puntos entre PISA 2022 y PISA 2025, una caída especialmente preocupante porque leer competentemente implica mucho más que descodificar palabras: supone comprender argumentos, interpretar información, distinguir hechos de opiniones, evaluar fuentes y construir conocimiento. Estas capacidades adquieren una importancia todavía mayor en un ecosistema digital en el que los jóvenes están expuestos diariamente a enormes cantidades de información y a contenidos generados mediante inteligencia artificial.

El retroceso también afecta a España, que en PISA 2025 obtiene sus peores resultados históricos en las tres competencias principales: 451 puntos en lectura, 457 en matemáticas y 477 en ciencias. Respecto a 2022, España pierde 23 puntos en lectura, 16 en matemáticas y 8 en ciencias, situándose por debajo de las medias de la OCDE y de la Unión Europea.

En conjunto, el gráfico de Statista permite interpretar PISA 2025 como algo más que una fotografía puntual del sistema educativo: muestra una tendencia prolongada de debilitamiento de algunas competencias fundamentales. El desafío no consiste únicamente en recuperar los niveles anteriores a la pandemia, sino en comprender por qué el deterioro ya se había iniciado antes de 2020. La creciente exposición a pantallas, las dificultades para mantener la atención, la disminución de la lectura profunda y el uso inadecuado de herramientas digitales e inteligencia artificial aparecen como factores relevantes, aunque no existe una explicación única. El reto educativo pasa, por tanto, por combinar tecnología y aprendizaje sin sacrificar precisamente aquellas capacidades —lectura profunda, pensamiento crítico, razonamiento matemático y comprensión científica— que resultan más necesarias en la sociedad digital.

La magia de los clubes de lectura con Isabel Nieto Torres. Planeta Biblioteca 2026/09/07

La magia de los clubes de lectura con Isabel Nieto Torres.

Planeta Biblioteca 2026/09/07

ESCUCHAR

Descargar

La entrevista a María Isabel Nieto Torres recorre su trayectoria como maestra y su profunda vinculación con la lectura y las bibliotecas escolares. Destaca su experiencia durante más de veinte años al frente de la biblioteca del Colegio Público Cuartillo, con más de 6.000 volúmenes y numerosas actividades de animación lectora. También aborda iniciativas como los cuentacuentos, el club de lectura para familias y los programas de creatividad literaria y escritura. Tras su jubilación, Isabel continúa promoviendo la lectura de forma altruista mediante clubes de lectura, encuentros con autores y rutas literarias. La entrevista refleja, en definitiva, cómo una experiencia profesional terminó convirtiéndose en una auténtica pasión y compromiso personal con la educación, los libros y la lectura.

Cómo evitar que la IA te engañe: no confíes ciegamente en sus respuestas

Jared Newman, Fast Company, 1 de septiembre de 2026, “How to prevent AI from lying to you”. Artículo original en Fast Company

Los chatbots de inteligencia artificial no deben considerarse fuentes de información plenamente fiables, aunque respondan con seguridad, fluidez y apariencia de autoridad. El autor propone tratarlos como “testigos poco fiables”: pueden proporcionar información muy útil, pero también pueden equivocarse, inventar datos o presentar como verdaderas afirmaciones que no pueden demostrar. El problema no es únicamente que la IA se equivoque, sino que puede hacerlo con una enorme convicción.

El autor explica esta situación a partir de una experiencia con Google AI. Un usuario le preguntó por qué no podía utilizar la aplicación de Apple TV en Roku después de contratar el servicio a través de Roku Channel. La respuesta generada por Google era incorrecta y se apoyaba en una conversación de un sitio web poco conocido. Además, uno de los enlaces utilizados como fuente ni siquiera funcionaba y otra referencia de CNET no respaldaba realmente la afirmación realizada. El ejemplo demuestra que la presencia de una cita o de un enlace no garantiza que la respuesta sea verdadera.

Por eso, una de las principales recomendaciones consiste en pedir siempre fuentes y comprobarlas. El autor aconseja configurar los sistemas de IA para que proporcionen referencias cuando realizan afirmaciones factuales, pero insiste en que después hay que comprobar personalmente esas referencias. Hay que verificar que el enlace existe, que conduce realmente al documento citado y, sobre todo, que la fuente dice efectivamente lo que la IA afirma que dice. Una referencia aparentemente académica o institucional puede ser irrelevante o estar siendo utilizada de manera incorrecta.

Sin embargo, el autor no considera que esta necesidad de comprobación haga inútil la IA. Al contrario, considera que los sistemas conversacionales pueden ser excelentes herramientas para formular preguntas, delimitar problemas y orientar búsquedas. Su ventaja está en que permiten describir una necesidad utilizando lenguaje natural y pueden descubrir recursos que quizá no aparecerían fácilmente mediante una búsqueda tradicional. El problema aparece cuando el usuario confunde esa capacidad para orientar una búsqueda con una capacidad para garantizar la verdad de una respuesta.

Otro episodio resulta todavía más revelador. El autor proporcionó a ChatGPT un enlace a un PDF de la FCC y le pidió que explicara qué decía el documento sobre el impacto de una nueva norma en la cobertura de antenas. El sistema produjo una explicación que, según el autor, era completamente inventada. Cuando le pidió que citara literalmente el documento, ChatGPT llegó a generar dos párrafos que no existían en el PDF. Incluso cuando fue confrontado con el hecho de que esas citas eran falsas, el sistema intentó presentarlas como una paráfrasis. Solo cuando el autor proporcionó directamente una copia del PDF el modelo reconoció que sus afirmaciones fundamentales eran incorrectas.

Este episodio conduce a una recomendación importante: hay que ser persistente y cuestionar a la IA cuando algo no encaja. No basta con formular una pregunta y aceptar la primera respuesta. Conviene pedir que explique de dónde procede cada afirmación, solicitar citas textuales, pedir que diferencie hechos de inferencias y, cuando sea posible, proporcionar directamente el documento original sobre el que debe trabajar. La interacción con la IA debería parecerse más a una entrevista crítica o una comprobación documental que a una conversación con una autoridad infalible.

El artículo extiende esta preocupación al propio funcionamiento de Google Search, que incorpora cada vez más respuestas generadas mediante IA. Estas interfaces resultan muy atractivas porque eliminan la necesidad de visitar múltiples páginas y ofrecen una respuesta inmediata. Pero esa comodidad también puede convertirse en un problema: el usuario puede recibir una respuesta aparentemente completa y dejar de consultar las fuentes originales. El autor considera positivo que las nuevas interfaces permitan realizar preguntas de seguimiento, porque ofrecen la posibilidad de cuestionar una respuesta y exigir mejores pruebas.

La IA está diseñada para hacer que obtener información resulte rápido y sencillo, pero esa misma facilidad puede reducir nuestra tendencia a comprobar lo que recibimos. Del mismo modo que una compra impulsiva o el desplazamiento infinito por redes sociales se favorecen cuando desaparecen las barreras, las respuestas instantáneas de la IA pueden favorecer una aceptación demasiado rápida de información no verificada.

La publicación científica entra en una nueva etapa: cuatro tendencias que marcarán el futuro

Laura Harvey y Chris Reid, The Scholarly Kitchen, 3 de septiembre de 2026, “A Year of Trends Beyond Scholarly Comms: What You Need to Know” https://scholarlykitchen.sspnet.org/2026/09/03/guest-post-a-year-of-trends-beyond-scholarly-comms-what-you-need-to-know/

La IA está transformando la comunicación científica, desde el modelo de negocio editorial hasta la forma de descubrir y consumir información académica. Los investigadores recurren cada vez más a herramientas de IA, lo que aumenta la importancia de metadatos, interoperabilidad, curación y descubribilidad. En un entorno de contenidos generados masivamente, la confianza, la calidad y la autoridad del conocimiento serán los principales valores diferenciales.

El artículo propone mirar la comunicación científica más allá de sus propias fronteras para entender hacia dónde se dirige. Su tesis es que los cambios que están experimentando los medios de comunicación, las empresas de datos, las plataformas digitales y la inteligencia artificial ofrecen pistas muy valiosas para los editores académicos. Los autores identifican cuatro grandes tendencias que deberían ocupar un lugar central en la estrategia de la publicación científica.

  1. El modelo de negocio está cambiando

La primera transformación afecta al propio concepto de negocio editorial. Los contenidos dejan de ser únicamente productos que se venden para convertirse también en datos y conocimiento que pueden integrarse en sistemas de IA.

Los autores señalan el ejemplo de compañías como Bloomberg, que ha evolucionado desde un modelo centrado fundamentalmente en publicaciones y suscripciones hacia el suministro de datos empresariales que pueden incorporarse directamente a los flujos de trabajo de sus clientes. También destacan los acuerdos entre medios de comunicación y empresas de IA para licenciar contenidos.

Para las editoriales científicas esto plantea una oportunidad: no limitarse a vender artículos, sino convertir el conocimiento editorializado y fiable en servicios que puedan utilizarse directamente dentro de los procesos de investigación.

La clave está en pasar del contenido como producto al conocimiento como infraestructura.

  1. La IA está cambiando el descubrimiento de información

La segunda gran tendencia es quizá la más importante para bibliotecas y servicios de información: el usuario está dejando de comenzar su búsqueda en las plataformas tradicionales.

Los investigadores utilizan cada vez más herramientas de IA como punto de partida para descubrir información científica. El artículo cita datos según los cuales el 84 % de los investigadores utiliza IA en su trabajo y un 62 % la emplea en actividades relacionadas con investigación o publicación. Además, un tercio de los investigadores estaría comenzando sus búsquedas de información directamente mediante IA.

Esto significa que el descubrimiento bibliográfico puede desplazarse desde Google Scholar, bases de datos, catálogos o las propias plataformas de los editores hacia interfaces conversacionales y agentes de IA.

El artículo resume el problema de una manera muy gráfica: los lectores se están convirtiendo también en máquinas, mientras que los editores ya no controlan necesariamente la «puerta de entrada» a sus contenidos.

Para las bibliotecas, esto refuerza enormemente la importancia de los metadatos, los identificadores persistentes, la interoperabilidad, la calidad de los datos y la procedencia de la información.

  1. En un mundo saturado de contenidos, la diferenciación y la comunidad serán fundamentales

Si producir contenido resulta cada vez más barato gracias a la IA, tener contenido ya no constituye por sí mismo una ventaja competitiva suficiente.

Los autores observan que medios como The Economist están apostando por tres elementos: diferenciación, relaciones directas con los usuarios y descubribilidad. Otros medios están construyendo su identidad alrededor de periodistas, expertos, newsletters, eventos, comunidades y redes sociales.

La extrapolación al ámbito académico es muy interesante: los investigadores, editores, consejos editoriales, sociedades científicas y comunidades académicas pueden convertirse en parte esencial del producto.

La publicación científica podría evolucionar así desde el modelo:

artículo → revista → plataforma

hacia:

conocimiento → experto → comunidad → experiencia de investigación.

  1. La confianza se convierte en el principal valor

La cuarta tendencia atraviesa todas las anteriores: la confianza.

En un entorno en el que la IA puede producir cantidades enormes de textos, imágenes, datos y contenidos aparentemente plausibles, el valor diferencial será saber qué merece confianza, quién lo ha producido, cómo se ha elaborado y qué controles ha superado.

Los autores relacionan esta cuestión con los recientes problemas de autoría y contenidos generados mediante IA. Las polémicas no afectan únicamente a la calidad del contenido: revelan problemas relacionados con integridad, transparencia, controles editoriales y responsabilidad.

Por eso, la curación adquiere un nuevo valor. En palabras de los autores, en un mundo con una cantidad creciente de contenidos, la curación se convierte en fundamental y la confianza pasa a ser un activo central.

¿Qué cambiará durante el próximo año?

Harvey y Reid anticipan que la tecnología continuará avanzando más rápido que la cultura, las leyes y las infraestructuras. También prevén que la competencia entre editoriales aumentará, que las comunidades tendrán un papel más importante y que los editores desarrollarán productos que conviertan sus contenidos en servicios de asesoramiento experto.

Además, la IA no solo generará manuscritos: se incorporará a diferentes fases del proceso de investigación y publicación, lo que obligará a revisar prácticas, políticas y criterios de evaluación.

Y hay una observación particularmente interesante: la gente seguirá leyendo, pero cambiarán el qué, el porqué y el cómo de la lectura académica. Los datos tradicionales de lectura tendrán que adaptarse a un escenario en el que parte del consumo de información se produce indirectamente a través de sistemas de IA.

La idea más importante para bibliotecas

El artículo permite extraer una conclusión especialmente relevante: la batalla por el conocimiento ya no se libra únicamente por tener acceso al contenido, sino por conseguir que ese contenido sea encontrado, interpretado, contextualizado y considerado fiable por humanos y máquinas.

Esto coloca en primer plano cuestiones tradicionalmente bibliotecarias —metadatos, autoridad, preservación, identificación, interoperabilidad, curación y alfabetización informacional— que adquieren ahora una importancia estratégica frente a la IA.

En definitiva, la IA no elimina el valor de la intermediación bibliotecaria y editorial; puede hacerlo más importante. La diferencia es que esa intermediación tendrá que funcionar tanto para el lector humano como para el nuevo consumidor de información: la máquina.

El potencial de los datos de investigación abiertos para impulsar la ciencia abierta

Bongiovani, Paola Carolina (2026). El potencial de los datos de investigación abiertos: repositorios y ciencia abierta para la investigación. Universidad de Murcia, EDITUM, colección Cátedra UNESCO en Gestión de Información en las Organizaciones, 2. DOI: 10.6018/editum.3245. Licencia CC BY. Ficha y acceso a la publicación en EDITUM

La obra presenta los datos abiertos como una pieza fundamental de la transformación del sistema científico. Su aportación resulta especialmente relevante para bibliotecas universitarias, repositorios institucionales, gestores de información, investigadores y responsables de políticas científicas, porque muestra que la gestión de datos de investigación constituye un nuevo ámbito estratégico de apoyo a la investigación. La conclusión de fondo es clara: la apertura efectiva de la ciencia depende tanto de compartir los resultados como de garantizar que los datos que sustentan esos resultados puedan encontrarse, entenderse, verificarse, preservarse y reutilizarse de forma responsable.

El libro de Paola Carolina Bongiovani, publicado por la Universidad de Murcia en 2026, analiza el papel de los datos de investigación abiertos como uno de los componentes fundamentales de la ciencia abierta. La autora plantea que compartir los datos sobre los que se construye una investigación permite avanzar hacia una ciencia más transparente, reproducible y colaborativa, al facilitar que otros investigadores puedan comprobar los resultados, reutilizar los datos y generar nuevo conocimiento. La obra presta una atención especial a la realidad de América Latina y, particularmente, Argentina.

El primer bloque del libro aborda el concepto de ciencia abierta desde diferentes perspectivas. Se relaciona la apertura de la investigación con el acceso abierto, la responsabilidad en la investigación y la innovación y los cambios necesarios en los sistemas tradicionales de evaluación científica. También se plantea una cuestión especialmente relevante: la ciencia abierta no debe entenderse únicamente como una cuestión tecnológica, sino también como un proceso relacionado con la equidad, la inclusión y la transformación de las estructuras de producción y evaluación del conocimiento.

Un segundo eje fundamental es el intercambio de datos de investigación. La autora examina las políticas internacionales y argentinas, las exigencias de las revistas científicas y de los organismos financiadores, así como los incentivos y las barreras que encuentran los investigadores para compartir sus datos. Entre estas barreras aparecen los sistemas de evaluación académica, los problemas de reconocimiento del trabajo asociado a los datos y las cuestiones éticas, legales, de privacidad y confidencialidad. También se analiza el creciente papel de las data journals, revistas especializadas en la publicación y descripción de conjuntos de datos.

Una parte central está dedicada a los repositorios de datos de investigación, concebidos como infraestructuras esenciales para almacenar, preservar, describir, localizar y reutilizar los datos científicos. El libro explica sus diferentes tipologías y aborda el concepto de repositorio digital confiable, así como los problemas relacionados con la sostenibilidad y la calidad de estas infraestructuras. En este contexto, los repositorios dejan de ser simples lugares donde depositar archivos para convertirse en auténticas infraestructuras de conocimiento científico.

Especial importancia tienen los principios FAIR —que buscan que los datos sean localizables, accesibles, interoperables y reutilizables— y los principios TRUST, relacionados con la confiabilidad de los repositorios. La autora vincula estos principios con la necesidad de garantizar la calidad de los datos, su documentación, los metadatos, la preservación a largo plazo y las condiciones que permiten que otros investigadores puedan comprender y reutilizar adecuadamente los conjuntos de datos.

El libro concede además un protagonismo destacado a la curación de datos y a los profesionales que la realizan. Surge así la figura del data steward o curador de datos, cuya función va mucho más allá de la gestión técnica de archivos: implica ayudar a los investigadores a organizar, documentar, describir, preservar y compartir sus datos de acuerdo con buenas prácticas. En este ámbito, las bibliotecas y los repositorios universitarios adquieren un papel estratégico, ya que pueden proporcionar tanto infraestructura como asesoramiento y formación a los investigadores.

Uno de los mensajes más importantes de la obra es que abrir los datos no significa simplemente hacerlos públicos. Para que la apertura tenga verdadero valor científico, los datos deben estar correctamente documentados, disponer de metadatos adecuados, ser comprensibles, conservarse de manera sostenible y poder reutilizarse respetando las restricciones legales y éticas. Por ello, la ciencia abierta requiere una combinación de infraestructuras, políticas, competencias profesionales, incentivos y cultura científica.

OpenAI afirma que GPT-6 Astra es «el modelo más inteligente y alineado del mundo».

Ian Carlos Campbell, Engadget, 3 de septiembre de 2026, «OpenAI says GPT-6 Astra is “the most intelligent and aligned model in the world”». Artículo original en Engadget

OpenAI ha presentado GPT-6 Astra, un nuevo modelo de frontera que la compañía define como «el modelo más inteligente y alineado del mundo». El lanzamiento se produce menos de dos meses después de la familia GPT-5.6 y supone un cambio de énfasis: Astra no está pensado únicamente para responder preguntas o generar contenidos, sino para realizar tareas complejas de manera autónoma utilizando el ordenador, el navegador y diferentes aplicaciones. Entre sus áreas de especialización están la programación, la ciencia, la ciberseguridad, la navegación web y el trabajo profesional.

Una de las principales novedades es precisamente su capacidad de actuar como agente. Astra puede ejecutar procesos de varios pasos, investigar en Internet, trabajar con documentos y hojas de cálculo, crear presentaciones, desarrollar software, analizar datos e incluso interactuar con herramientas profesionales. OpenAI muestra ejemplos que van desde la creación de modelos 3D y videojuegos hasta la realización de tareas administrativas. El modelo también es capaz de mantener el objetivo inicial mientras incorpora nuevas instrucciones, algo fundamental para los agentes que deben trabajar durante períodos prolongados.

Un aspecto especialmente interesante para bibliotecas, universidades e investigación es que Astra apunta directamente hacia tareas que hasta ahora exigían combinar múltiples herramientas: búsqueda de información, análisis de datos, programación, elaboración de documentos y presentación de resultados. La evolución hacia agentes capaces de ejecutar estas cadenas completas podría tener un impacto considerable en la investigación científica y en los servicios de información, pero también hará más importante la alfabetización en IA, la supervisión humana, la trazabilidad de las acciones de los agentes y la evaluación crítica de sus resultados.

Los resultados publicados por OpenAI muestran mejoras importantes frente a GPT-5.6 Sol. Astra alcanza un 99,9 % en ARC-AGI-3, un 98 % en FrontierMath Tier 4 y un 100 % en ExploitBench, además de obtener resultados de referencia en programación, investigación científica y uso autónomo del ordenador. En las pruebas de OSWorld 2.0, OpenAI afirma que consigue realizar determinadas tareas de uso del ordenador aproximadamente un 47 % más rápido que GPT-5.6 Sol. No obstante, como ocurre con todos los benchmarks, estos resultados deben interpretarse con cautela porque dependen de las configuraciones y metodologías utilizadas.

Especialmente relevante es su rendimiento en ciberseguridad. Astra alcanza el 100 % en ExploitBench, lo que evidencia una capacidad muy elevada para identificar y explotar vulnerabilidades. Precisamente por ello, OpenAI considera que esta tecnología presenta riesgos significativos y ha establecido restricciones sobre determinadas capacidades. El problema es paradójico: cuanto más competente es una IA para detectar vulnerabilidades y actuar sobre sistemas informáticos, mayor es también su potencial para ser utilizada con fines maliciosos.

El otro gran eje del lanzamiento es el alineamiento. OpenAI afirma que Astra es su modelo más alineado hasta la fecha, con mejoras para comprender la intención del usuario, respetar los límites de una tarea y evitar actuar fuera del ámbito autorizado. En una prueba diseñada a partir del incidente de Hugging Face, la compañía señala que GPT-5.6 Sol, sin las salvaguardas de producción, superaba el objetivo autorizado en el 48 % de los casos, mientras que Astra lo hizo en el 0 %. Estas afirmaciones son especialmente importantes porque el lanzamiento llega después de que otro sistema de OpenAI protagonizara un incidente de comportamiento autónomo que generó preocupación sobre el control de los agentes.

Sin embargo, la cuestión de la seguridad sigue abierta. Reuters señala que uno de los problemas asociados a modelos cada vez más autónomos es precisamente la dificultad para supervisar qué hacen y por qué lo hacen, especialmente cuando pueden completar cadenas complejas de acciones sin intervención humana constante. OpenAI está desarrollando mecanismos adicionales de monitorización y apagado para responder a estos riesgos. Por tanto, el avance de Astra no consiste solamente en conseguir una IA más inteligente, sino en conseguir que una IA mucho más capaz pueda operar dentro de límites que los humanos puedan controlar.

En conjunto, GPT-6 Astra representa un paso desde la IA conversacional hacia la IA operativa. El cambio fundamental no es únicamente que el modelo razone mejor, sino que pueda convertir ese razonamiento en acciones: abrir páginas, utilizar programas, analizar información, escribir código, crear documentos y completar flujos de trabajo. Esto puede transformar radicalmente el trabajo del conocimiento, pero también desplaza el debate desde «¿qué puede responder una IA?» hacia una cuestión mucho más importante: ¿qué estamos dispuestos a dejar que una IA haga por nosotros sin supervisión humana?

La mayoría no está especialmente preocupada por las noticias generadas por inteligencia artificial

Buchholz, K. (2026, 3 de septiembre). Concerned About AI-Generated News? Statista. Statista

Un estudio de Statista Consumer Insights realizado en 32 países analiza hasta qué punto los ciudadanos quieren saber si las noticias que consumen han sido generadas mediante inteligencia artificial. El resultado general es llamativo: la mayoría de los encuestados no manifiesta una preocupación especialmente elevada por el uso de IA en las noticias. Dependiendo del país, entre el 16 % y el 45 % afirma que le gustaría saber si las noticias que consume han sido generadas por IA.

Existen, sin embargo, importantes diferencias geográficas. La menor preocupación se registra en Argentina y Colombia, Corea del Sur y Japón, donde únicamente entre el 16 % y el 26 % de los encuestados quiere conocer si una noticia ha sido escrita por inteligencia artificial. Francia, Países Bajos, Bélgica y México presentan porcentajes situados entre el 26 % y el 29 %.

En el extremo contrario se encuentran algunos países asiáticos y latinoamericanos. Vietnam alcanza el 45 %, mientras que Malasia y Filipinas se sitúan entre el 41 % y el 42 %. Brasil también registra un 41 %. Estos datos muestran que la percepción social de la IA aplicada al periodismo está lejos de ser homogénea y que factores culturales y nacionales pueden influir considerablemente en el grado de preocupación.

El estudio analiza además otra cuestión relacionada: el temor a que las noticias de los medios tradicionales sean manipuladas. En este caso, la preocupación es mayor: dependiendo del país, entre el 24 % y el 51 % de los encuestados manifiesta inquietud ante la posibilidad de manipulación de las noticias por parte de los medios convencionales. Esto resulta interesante porque sugiere que la preocupación por la manipulación informativa puede ser mayor que la preocupación específica por la utilización de inteligencia artificial.

Otro dato relevante procede de una encuesta independiente del Reuters Institute, realizada en 45 países. Solo entre el 4 % y el 14 % de los encuestados afirma utilizar chatbots de IA para que le proporcionen noticias. Es decir, aunque la inteligencia artificial está penetrando rápidamente en la producción y distribución de información, todavía son relativamente pocos los ciudadanos que recurren directamente a los chatbots como fuente habitual de noticias.

Estos resultados contrastan con la cautela mostrada en otras investigaciones. El Reuters Institute Digital News Report 2025 encontró que solo el 12 % de los encuestados se sentía cómodo con noticias producidas completamente por IA, frente al 62 % cuando la producción era exclusivamente humana. La aceptación aumentaba hasta el 43 % cuando un periodista humano dirigía el proceso y utilizaba IA como herramienta de apoyo.

El estudio de Statista dibuja una situación paradójica: la IA está adquiriendo un papel cada vez mayor en la producción de información, pero una parte considerable del público todavía no considera prioritario saber si una noticia ha sido generada por una máquina. Al mismo tiempo, las investigaciones del Reuters Institute muestran que la confianza aumenta claramente cuando la IA permanece subordinada al trabajo humano. Esto plantea un desafío fundamental para los medios: no solo utilizar la IA de forma responsable, sino explicar con transparencia cuándo y cómo interviene en la elaboración de las noticias.

Uno de cada tres contenidos recientes de la web podría estar creado o editado con IA

Richter, F. (2026, 3 de septiembre). Is AI Taking Over the Web? Statista. Statista: Is AI Taking Over the Web?

Un 35 % de las páginas analizadas publicadas después de noviembre de 2022 mostraban en julio de 2026 una alta probabilidad de haber sido escritas o editadas con IA, frente al 9,6 % cuando se considera todo el conjunto de páginas analizadas.

El crecimiento de las herramientas de inteligencia artificial generativa está transformando rápidamente la producción de contenidos en Internet. Un análisis realizado por el Pew Research Center sobre casi 490.000 páginas web, recopiladas a través de Common Crawl y analizadas mediante la herramienta de detección Open Pangram, muestra un incremento muy significativo de los textos que presentan características compatibles con haber sido escritos o editados mediante IA desde la aparición de ChatGPT en noviembre de 2022.

Antes de la llegada de ChatGPT, aproximadamente el 1 % de las páginas bajo dominios .com presentaba señales significativas de autoría mediante IA. En la primera mitad de 2026, esta proporción había aumentado hasta más del 9 %. Sin embargo, esta cifra debe interpretarse con cautela, ya que el conjunto analizado incluye páginas publicadas antes de la aparición de las herramientas actuales de IA generativa. Por ello, cuando se consideran exclusivamente contenidos publicados después de noviembre de 2022, la presencia de IA resulta considerablemente mayor.

De hecho, el dato más llamativo corresponde a julio de 2026: el 35 % de las páginas publicadas después del lanzamiento de ChatGPT presentaba una alta probabilidad de haber sido escrita o editada con inteligencia artificial. Cuando se analiza el conjunto de páginas web de la muestra, independientemente de su fecha de publicación, la proporción era del 9,6 %. La diferencia muestra hasta qué punto la utilización de IA se ha acelerado en apenas tres años y medio.

El fenómeno no afecta por igual a todos los tipos de sitios web. Según el análisis presentado por Statista, los dominios .gov y .edu presentan niveles de utilización de IA significativamente inferiores, lo que sugiere que las administraciones públicas y las instituciones educativas continúan dependiendo en mayor medida de la producción humana. Esto resulta especialmente relevante para el ámbito académico, donde la autoría, la trazabilidad y la integridad de los contenidos adquieren una importancia particular.

El estudio también pone de manifiesto un problema metodológico importante: detectar que un texto probablemente ha sido generado o editado por IA no equivale a demostrar que lo ha sido. Herramientas como Open Pangram trabajan mediante indicadores estadísticos y de estilo, por lo que pueden producir falsos positivos. Incluso elementos que se han convertido en supuestas «señales de IA», como el uso frecuente de la raya o em dash, no constituyen por sí mismos una prueba de autoría artificial.

En conjunto, los datos apuntan hacia una transformación profunda del ecosistema informativo de Internet: la web posterior a ChatGPT está incorporando contenidos producidos o modificados mediante IA a una velocidad considerable. El dato del 35 % entre las páginas posteriores a ChatGPT resulta especialmente significativo y plantea nuevas cuestiones sobre la calidad, originalidad, transparencia y fiabilidad de la información digital. La cuestión ya no parece ser si la IA está entrando en Internet, sino hasta qué punto llegará a determinar la producción futura de sus contenidos.

MIT alerta: la IA ya puede hacer casi cualquier tarea universitaria y obliga a replantear la educación

Landymore, Frank. (30 de agosto de 2026). MIT Warns That AI Can Now Credibly Complete Pretty Much Any Undergrad Assignment, Considers Overhaul of Entire Educational Model. Futurism. https://futurism.com/artificial-intelligence/mit-warns-ai-undergrad-assignments?utm_source=flipboard&utm_content=other

El problema que plantea la IA generativa a la universidad ya no es simplemente que los estudiantes puedan utilizarla para hacer trampas. La cuestión es que, si una máquina puede realizar prácticamente cualquier tarea académica convencional, quizá haya llegado el momento de replantear qué significa aprender, cómo se enseña y cómo se evalúa el conocimiento en la universidad.

Un informe elaborado por el comité ad hoc sobre inteligencia artificial del MIT, copresidido por los profesores Eric Klopfer y Samuel Madden, advierte de que los actuales sistemas de IA ya son capaces de producir respuestas convincentes para prácticamente cualquier tipo de tarea escrita de grado. El documento señala que los modelos pueden resolver con solvencia ensayos, problemas de matemáticas y ciencias, demostraciones y ejercicios de programación, lo que pone en cuestión uno de los pilares tradicionales de la enseñanza universitaria: utilizar las tareas como evidencia de que el estudiante ha comprendido y es capaz de aplicar los conocimientos adquiridos. 

El problema, por tanto, no se limita al fraude académico. El MIT considera que la generalización de estas herramientas puede obligar a replantear el propio modelo educativo. Si una IA puede realizar una tarea con un resultado aceptable, entregar ese trabajo deja de ser una forma fiable de evaluar el aprendizaje individual. Algunas universidades y profesores están respondiendo recuperando métodos como los exámenes orales, los trabajos manuscritos, las discusiones presenciales, los diarios de aprendizaje y las actividades prácticas, que permiten observar de manera más directa el proceso intelectual del estudiante y no únicamente el producto final. 

El informe también identifica consecuencias más profundas sobre la cultura universitaria. Según los testimonios recogidos por el comité, en menos de tres años el uso intensivo de IA habría coincidido con una disminución de la asistencia a las tutorías, una menor participación en debates en línea y, de forma anecdótica, una reducción de los grupos de estudio presenciales en residencias, bibliotecas y otros espacios universitarios. El riesgo es que la IA no solo facilite la realización de determinadas tareas, sino que termine modificando las formas tradicionales de estudiar, colaborar, preguntar y relacionarse con profesores y compañeros. 

La cuestión central pasa así de «cómo detectar si un estudiante ha utilizado IA» a «cómo diseñar una educación en la que aprender siga siendo necesario». El desafío consiste en evitar que la tecnología convierta al alumno en un mero receptor de respuestas y, al mismo tiempo, aprovechar sus posibilidades como herramienta de apoyo al aprendizaje. La experiencia del MIT apunta hacia una transformación de las actividades académicas para valorar más el razonamiento, el proceso, la interacción y la capacidad de defender las propias ideas que la simple presentación de un resultado final.

El artículo sitúa además este debate dentro de una transformación más amplia de la educación superior. Algunas instituciones están adoptando medidas restrictivas: la University of Chicago Law School ha limitado el uso de teléfonos y ordenadores en determinados cursos iniciales, mientras que Princeton University abandonó su tradicional modelo de exámenes sin supervisión después de un escándalo relacionado con el uso de IA. Estas respuestas muestran hasta qué punto la tecnología está obligando a las universidades a reconsiderar normas y prácticas que durante décadas se habían dado por sentadas.