«Escribir a lápiz en un cuaderno mientras se camina o se espera en un café es una forma de resistirse a la velocidad abstracta de las pantallas, de devolverle al pensamiento el peso físico de la mano y el grano del papel.»
Antonio Muñoz Molina «Un andar solitario entre la gente»
La Biblioteca espacio comunitario de prevención cuidado de salud mental
Inmaculada López Melguzo
UNIRED, la Red de Bibliotecas en Ciencias Sociales y Humanidades de Argentina, 13 de novi,ebre de 2026. La conferencia empieza en el min. 12:30
Conferencia de Inmaculada López Melguizo para UNIRED, la Red de Bibliotecas en Ciencias Sociales y Humanidades de Argentina, el trabajo que se hace en bibliotecas municipales como espacios comunitarios en la prevención de la soledad y en concreto ahora en la Biblioteca del Salón-Mariluz Escribano con adultos mayores en residencias. Será una estupenda oportunidad de intercambio de experiencias.
The Walrus. (2026). “Readers Think They Can Spot AI Writing. They’re Wrong.” The Walrus. https://thewalrus.ca/readers-think-they-can-spot-ai-writing-theyre-wrong
Uno de los debates más actuales sobre la inteligencia artificial generativa: la capacidad de los lectores para distinguir un texto escrito por una persona de otro producido por una herramienta de IA. Su planteamiento cuestiona la confianza con la que muchas personas aseguran reconocer los textos artificiales a partir de determinadas características del lenguaje, el estilo, la estructura o el vocabulario. La tesis central, expresada desde el propio título, es que esa capacidad de identificación está lejos de ser tan fiable como habitualmente se cree.
Colin Horgan, explica que las señales habitualmente utilizadas para detectar la escritura de IA —como determinados giros lingüísticos, frases demasiado pulidas, el uso de guiones largos, estructuras repetitivas o vocabulario sofisticado— no constituyen pruebas fiables de autoría artificial. Apoya esta reflexión en investigaciones sobre millones de comentarios publicados en Reddit y Hacker News entre 2023 y 2026. Los resultados muestran que las acusaciones de utilizar IA aumentaron considerablemente, pero que las características lingüísticas que realmente diferencian los textos humanos de los generados por modelos de lenguaje no permitían predecir qué comentarios serían señalados como artificiales.
El artículo también analiza cómo esta desconfianza está transformando las relaciones entre escritores y lectores. Plataformas como LinkedIn han incorporado mecanismos para señalar publicaciones que parecen contener textos generados por IA, favoreciendo una cultura de sospecha en la que un escrito puede ser descalificado sin analizar realmente su contenido. Horgan advierte de que esta situación puede llevar incluso a los autores humanos a modificar deliberadamente su estilo, introducir imperfecciones o renunciar a una escritura cuidada para evitar ser confundidos con una máquina.
La reflexión más interesante del artículo es que no estamos únicamente ante una crisis de la escritura, sino también ante una crisis de la lectura. La obsesión por descubrir si un texto ha sido producido por inteligencia artificial puede convertir la lectura en un ejercicio de vigilancia, prejuicio y desconfianza, en lugar de una experiencia de curiosidad, comprensión y conexión intelectual. El autor defiende que debemos desarrollar una mirada crítica ante los contenidos generados por IA, pero sin perder la capacidad de dejarnos conmover, convencer o inspirar por lo que leemos.
Aprender a identificar los contenidos artificiales es importante, pero no debemos permitir que la sospecha permanente hacia la inteligencia artificial termine deteriorando nuestra confianza en los autores, nuestra capacidad crítica y, sobre todo, nuestro placer por la lectura.
Entrevista a María Isabel «Beli» Morales sobre el valor de los clubes de lectura
Planeta Biblioteca 2026/11/13
ESCUCHAR
En esta edición de Planeta Biblioteca conversamos con María Isabel «Beli» Morales Reyes, archivera y bibliotecaria del Ayuntamiento de Cantillana (Sevilla), donde desarrolla su labor profesional desde 1990. A lo largo de la entrevista abordamos el papel de los clubes de lectura como espacios de encuentro, participación ciudadana y dinamización cultural desde las bibliotecas públicas. Beli comparte su experiencia en la creación y organización de estos grupos, las estrategias para fomentar la participación de los lectores, la selección de obras y la importancia de generar comunidades en torno a la lectura. También reflexionamos sobre el potencial de los clubes para favorecer la inclusión social, combatir la soledad, estrechar vínculos entre personas y promover el intercambio de ideas y el pensamiento crítico. Asimismo, exploramos la incorporación de nuevas modalidades de lectura y actividades complementarias, como los encuentros con autores y las visitas culturales. Una conversación que pone de manifiesto cómo las bibliotecas, además de ofrecer acceso a la información y la cultura, pueden convertirse en auténticos espacios de convivencia, aprendizaje compartido y cohesión social.
VI Jornadas «Inspirados por la MusSa» (Música creada en Salamanca).
Viviendo en la era pop 2026/11/12
ESCUCHAR
Las VI Jornadas «Inspirados por la MusSa» (Música en Salamanca) se celebran del 11 de noviembre al 11 de diciembre de 2026 con el objetivo de promover, difundir y reivindicar la calidad y diversidad de la creación musical salmantina, especialmente la música original de sus compositores e intérpretes. Organizadas por los programas A Nuestro Ritmo (Radio Oeste, ZOES) y Viviendo en la Era Pop (Radio USAL), incluyen cinco actividades abiertas al público y de entrada gratuita. El programa comienza con el estreno del videoclip «Mi Otra Orilla (RapAncestral)», una fusión de rap, rock, folclore charro y flamenco. También contempla una conferencia-homenaje al veterano músico Gabi Sánchez, pionero del pop y el rock en Salamanca, conducida por el periodista musical Víctor G. Villarroel. Se celebrará además la quinta Kedada Ñam+Jam, un encuentro de fraternidad entre músicos con comida, homenaje y actuaciones musicales. Otra actividad será una mesa redonda con realizadores salmantinos de videoclips, que abordará la relación entre música e imagen y la situación del sector audiovisual. Finalmente, las jornadas concluirán con la presentación del disco recopilatorio «Horizonte Electrónico A Nuestro Ritmo», que reúne 20 canciones de diez proyectos de música electrónica local. Esta iniciativa constituye un espacio de encuentro, reconocimiento y visibilidad para los creadores musicales de Salamanca, poniendo en valor el talento y la riqueza de su escena cultural.
Gutiérrez, F. G. (2026). Detrás de los números: tensiones no dichas en repositorios y bibliotecas digitales ante la IA en América Latina (Informe N.º 2, edición especial 24.ª JBDU). Observatorio de Inteligencia Artificial y Bibliotecas en América Latina (OLIAB). Zenodo. https://doi.org/10.5281/zenodo.23993436
Los grandes relevamientos internacionales sobre inteligencia artificial en bibliotecas casi no miden a los repositorios ni a las bibliotecas digitales, y lo que miden se parece poco a la realidad latinoamericana. El segundo informe del Observatorio de IA y Bibliotecas en América Latina lee esas cifras junto con la evidencia regional disponible y sostiene que la brecha principal no es tecnológica, sino de gobernanza. El texto se presentó en la 24.ª Jornada sobre la Biblioteca Digital Universitaria (24.ª JBDU), celebrada el 5 y 6 de noviembre de 2026 bajo el lema «Las bibliotecas universitarias y el futuro de la educación superior».
El punto de partida es una asimetría de fuentes. En Pulse of the Library 2026 de Clarivate, el 57 % de las respuestas proviene de Estados Unidos, y la encuesta de COAR sobre bots (2025) reunió 66 repositorios, de los cuales solo 9 son latinoamericanos. Con esos límites, Clarivate indica que el 49 % de las bibliotecas que ya evalúan o implementan IA no tiene una posición estratégica definida. En la región, además, casi ningún repositorio documenta qué hacen los modelos con sus colecciones.
El informe propone una escala de madurez documentada (0–4), que mide lo que una institución puede demostrar con documentos públicos y no su adopción real. Con ella ordena cinco tensiones: gobernanza sin política, soberanía por capas (datos, modelos, cómputo y gobernanza), lectores que ya no son humanos, derechos de autor sin norma clara y la falta de reciprocidad del acceso abierto frente a quienes entrenan modelos. También revisa casos regionales como LA Referencia, Biblat, BIREME/LILACS y Latam-GPT, y verifica cifras que circulan en la comunidad: el «60 % de LILACS procesado con IA», por ejemplo, ronda en realidad el 50 % según BIREME.
Cierra con siete paradojas, tres futuros posibles para el repositorio y trece propuestas ordenadas por plazo. La primera se puede aplicar sin presupuesto: que cada repositorio declare por escrito y en público qué hace con la IA y qué permite a terceros.Lic. Fernando Gabriel Gutiérrez
Asaf, S. (2026, 9 de noviembre). ‘AI slop’ papers published under prominent academics’ names. Times Higher Education. https://www.timeshighereducation.com/news/ai-slop-papers-published-under-prominent-academics-names
Denuncia una nueva modalidad de fraude en la comunicación científica: la publicación de artículos aparentemente generados mediante inteligencia artificial que utilizan, sin autorización, los nombres de investigadores de reconocido prestigio.
Una investigación periodística ha descubierto que varias revistas académicas poco conocidas están difundiendo trabajos de escasa calidad, con contenidos aparentemente automatizados y referencias bibliográficas cuestionables, atribuyéndolos a profesores e investigadores que aseguran no haber participado en su elaboración ni haber autorizado el uso de su identidad. El caso pone de manifiesto cómo la inteligencia artificial puede utilizarse para fabricar publicaciones científicas y, simultáneamente, apropiarse de la reputación académica de terceros.
La investigación comenzó cuando Alan Said, profesor de Informática de la Universidad de Gotemburgo, recibió una notificación de Google Scholar sobre un artículo titulado Intelligence Systems Supporting Sustainable Global Development, supuestamente publicado bajo su nombre en la revista American International Journal of Research and Innovation (AIJRI). Aunque la temática guardaba cierta relación con sus líneas de investigación sobre inteligencia artificial y sostenibilidad, el profesor comprobó que no había escrito el trabajo y que su contenido parecía generado artificialmente, con escasa consistencia científica. Tras denunciar el caso, el artículo fue supuestamente retirado, pero continuó apareciendo en línea con modificaciones en la identidad de su autor. En apenas dos días se detectaron tres versiones del mismo documento atribuidas a personas diferentes.
El análisis identificó otras dos publicaciones con características similares: American Journal of Advanced Multidisciplinary Research and Innovation (AJAMRI) y American Journal for Multidisciplinary Research (AJFMR). Las tres revistas presentan elementos comunes en sus páginas web, comparten director editorial y miembros de sus consejos científicos y utilizan una apariencia editorial que puede transmitir una falsa impresión de legitimidad. Entre los investigadores cuyos nombres aparecen asociados a sus artículos figuran personalidades destacadas de la informática y la inteligencia artificial, como Fei-Fei Li y Christopher Manning, de Stanford, y Michael I. Jordan y Stuart Russell, de Berkeley. Varios de estos académicos han confirmado que nunca escribieron los trabajos ni autorizaron su publicación.
Uno de los aspectos más preocupantes es que las revistas también utilizan nombres de investigadores para construir artificialmente sus consejos editoriales. Kanakaraju Manupati, investigador posdoctoral de Virginia Commonwealth University, manifestó que desconocía completamente la existencia de la revista en cuyo comité editorial aparecía incluido. Esta práctica plantea dudas sobre la autenticidad de los procesos de revisión por pares y sobre la utilización fraudulenta de la reputación de científicos e instituciones para generar confianza entre posibles autores y lectores.
El artículo también llama la atención sobre el modelo económico de estas publicaciones. Las revistas anuncian tarifas por publicar artículos que varían según el número y la procedencia de los autores. En uno de los casos, las cantidades oscilan entre 80 y 200 dólares, mientras que otra publicación anuncia tarifas considerablemente inferiores. Esta estructura, unida a la publicación de contenidos aparentemente generados de manera automática y a la utilización de identidades académicas sin consentimiento, apunta a un modelo editorial que podría aprovecharse de la presión existente en el ámbito universitario por publicar y acumular méritos científicos.
Las consecuencias van más allá del perjuicio reputacional para los investigadores afectados. La presencia de estos trabajos en Google Scholar puede contaminar los perfiles académicos, introducir referencias falsas en los sistemas de recuperación de información y dificultar la evaluación de la producción científica. También existe el riesgo de que estudiantes de doctorado e investigadores jóvenes interpreten estas revistas como publicaciones legítimas al encontrar en ellas los nombres de científicos reconocidos, y terminen enviando sus propios trabajos o pagando por publicar.
El caso evidencia que la inteligencia artificial generativa está ampliando las posibilidades de producción masiva de contenidos científicos fraudulentos, pero también está facilitando nuevas formas de suplantación de identidad académica. El problema no reside únicamente en la generación automática de artículos de baja calidad, sino en la creación de una apariencia de legitimidad mediante nombres de investigadores reales, consejos editoriales ficticios y plataformas de publicación que simulan cumplir los estándares de la comunicación científica.
Hinchliffe, L. J. (2026, 10 de noviembre). Libraries, publishers, and the users we both serve. The Scholarly Kitchen. https://scholarlykitchen.sspnet.org/2026/11/10/ai-and-the-users-we-serve/
La transformación de las bibliotecas mediante la inteligencia artificial debe comenzar por estudiar a las personas, no por acumular herramientas tecnológicas. El verdadero valor de la IA no reside únicamente en automatizar búsquedas, generar respuestas o incorporar nuevas funcionalidades, sino en comprender cómo modifica los comportamientos informativos de estudiantes e investigadores y cómo pueden adaptarse los servicios bibliotecarios para acompañar esos cambios.
Se plantea una reflexión sobre cómo las bibliotecas y las editoriales científicas deben afrontar la transformación que está provocando la inteligencia artificial generativa. La autora advierte de que buena parte del debate profesional se concentra actualmente en los chatbots, las nuevas herramientas tecnológicas y las funcionalidades que ofrecen las plataformas comerciales, mientras que se presta mucha menos atención a investigar cómo los estudiantes, investigadores y otros usuarios están incorporando realmente estas tecnologías a sus prácticas de búsqueda, aprendizaje y producción de conocimiento. Su argumento principal es que las instituciones no deberían diseñar sus estrategias de inteligencia artificial exclusivamente a partir de las posibilidades de las herramientas, sino desde el conocimiento de las necesidades y comportamientos de las personas a las que prestan servicio.
Para desarrollar esta idea, Hinchliffe recupera la experiencia de la aparición de las plataformas de descubrimiento bibliográfico a gran escala (discovery layers), cuando las bibliotecas comenzaron a estudiar de manera sistemática cómo buscaban información los estudiantes e investigadores, qué dificultades encontraban y qué hacían cuando las herramientas disponibles no respondían a sus necesidades. Aquellas investigaciones permitieron adaptar los servicios bibliotecarios y orientar el desarrollo de productos digitales. La autora considera que la inteligencia artificial exige recuperar esa perspectiva centrada en el usuario. No basta con incorporar asistentes conversacionales o sistemas de búsqueda inteligente: es necesario conocer qué tareas delegan los investigadores en la IA, cómo verifican sus respuestas, cuándo prefieren no utilizarla y qué esperan que siga proporcionando la biblioteca.
El texto identifica también intereses compartidos entre bibliotecas y editoriales científicas. Las primeras necesitan comprender qué lugar deben ocupar sus recursos y servicios en unos flujos de investigación cada vez más mediados por sistemas de inteligencia artificial. Las editoriales, por su parte, deben decidir qué funcionalidades incorporar a sus plataformas, cómo gestionar las licencias de utilización de contenidos por parte de los modelos de IA y qué controles ofrecer a los usuarios. Entre las cuestiones fundamentales se encuentran la posibilidad de activar o desactivar las funciones inteligentes, conocer cómo se ha generado una respuesta, comprobar las fuentes utilizadas y mantener la capacidad de realizar búsquedas tradicionales. La autora advierte de que los proveedores tecnológicos no pueden responder por sí solos a estas cuestiones, porque conocen sus productos, pero no necesariamente las prácticas y necesidades específicas de las comunidades académicas.
Uno de los apartados más interesantes propone una agenda compartida de investigación sobre los usos de la inteligencia artificial. Bibliotecas y editoriales deberían colaborar para responder a preguntas como qué tareas y decisiones confían los usuarios a la IA, en qué situaciones prefieren mantenerla al margen, cómo verifican los resultados obtenidos y qué nivel de control desean sobre las funcionalidades automatizadas. Para ello, se proponen métodos de investigación conocidos en el ámbito bibliotecario, como entrevistas, observación directa, diarios de actividad y análisis de utilización de los servicios existentes. La combinación de perspectivas permitiría obtener una visión más completa: las bibliotecas conocen las necesidades y circunstancias de sus comunidades universitarias, mientras que las editoriales disponen de datos de utilización procedentes de múltiples instituciones.
En cuanto a las actuaciones prácticas, la autora recomienda que las bibliotecas comiencen realizando pequeños estudios con grupos diversos de estudiantes e investigadores para identificar cómo utilizan la IA, qué resultados delegan en ella y cómo comprueban su fiabilidad. Los resultados deberían compartirse con los responsables de las estrategias institucionales de inteligencia artificial, especialmente con los departamentos de tecnologías de la información y unidades de apoyo a la investigación. También propone utilizar las evidencias obtenidas para evaluar las funcionalidades que ofrecen los proveedores comerciales, comprobar si responden a necesidades reales y orientar la formación del personal bibliotecario. En el caso de las editoriales, aconseja investigar las preferencias de los usuarios antes de lanzar nuevas funcionalidades, compartir los resultados de sus estudios y facilitar la participación de las bibliotecas en los procesos de diseño y evaluación.
Hinchliffe sostiene que bibliotecas y editoriales deben asumir que la transición hacia la inteligencia artificial se desarrolla en un contexto de incertidumbre y experimentación permanente. Por ello, la formación del personal y el desarrollo de productos no pueden basarse en certezas todavía inexistentes, sino en la observación continua, la experimentación y la capacidad de adaptar los servicios conforme evolucionan las prácticas de los usuarios. El éxito de las instituciones no debería medirse por la cantidad de herramientas de IA que incorporan, sino por su capacidad para responder mejor a las necesidades de sus comunidades.
Beaudin, E. (Presentadora). (2026, 22 de octubre). Traquer la fraude scientifique [Podcast]. En Le Détecteur de rumeurs (Temporada 5, episodio 45). Science-Presse. https://sciencepresse-detecteurderumeurs.transistor.fm/s5/45
La integridad científica no consiste en evitar que se publiquen investigaciones equivocadas, sino en garantizar que los errores y los fraudes puedan detectarse, investigarse y corregirse de manera transparente. Las retractaciones, la vigilancia posterior a la publicación y la responsabilidad de autores, universidades y editoriales son elementos esenciales para mantener la confianza en la ciencia y preservar la fiabilidad de la comunicación académica.
El episodio Traquer la fraude scientifique (Perseguir el fraude científico), del podcast canadiense Le Détecteur de rumeurs, aborda uno de los problemas más preocupantes del sistema contemporáneo de comunicación científica: la aparición de publicaciones fraudulentas, la manipulación de resultados y las malas prácticas que comprometen la credibilidad de la investigación. El programa examina cómo se identifican los artículos que contienen datos manipulados, imágenes alteradas, plagio, resultados inventados o procedimientos metodológicos cuestionables, así como el trabajo de quienes se dedican a investigar y documentar estas irregularidades. La cuestión central es determinar hasta qué punto el sistema científico dispone de mecanismos suficientes para detectar los comportamientos fraudulentos y corregir sus consecuencias.
Uno de los aspectos fundamentales es el papel de las retractaciones científicas, mediante las cuales una revista académica retira formalmente un artículo cuando se comprueba que sus resultados no pueden considerarse fiables. Estas decisiones pueden producirse por fraude deliberado, manipulación de imágenes o datos, plagio, errores metodológicos graves o problemas relacionados con la autoría y los procedimientos editoriales. Las retractaciones constituyen una herramienta esencial para advertir a la comunidad investigadora de que determinados resultados no deben seguir utilizándose como fundamento de nuevas investigaciones. Sin embargo, su publicación no siempre significa que el problema haya desaparecido, puesto que los artículos retractados pueden continuar siendo citados, descargados o utilizados en revisiones bibliográficas y trabajos posteriores.
El programa permite reflexionar también sobre la transformación de las prácticas de vigilancia de la literatura científica. La revisión por pares, aunque continúa siendo un instrumento fundamental de evaluación, no garantiza por sí sola la detección de todas las irregularidades. Por ello, adquieren creciente importancia los investigadores especializados en integridad académica, los editores científicos, los revisores y las comunidades que examinan las publicaciones después de su difusión. La utilización de herramientas digitales para identificar similitudes textuales, imágenes duplicadas, patrones estadísticos anómalos y posibles manipulaciones está ampliando las posibilidades de supervisión. Esta vigilancia resulta especialmente necesaria en un contexto de crecimiento acelerado de la producción científica y de presión por publicar, obtener financiación y conseguir reconocimiento académico.
Otro elemento relevante es la necesidad de diferenciar entre el error científico y el fraude. La investigación es una actividad sometida a incertidumbre, revisión y actualización constante, por lo que no todos los resultados incorrectos implican una conducta deshonesta. Un error metodológico puede ser involuntario y formar parte del proceso de autocorrección del conocimiento, mientras que la fabricación o falsificación deliberada de datos constituye una vulneración grave de la ética investigadora. Esta distinción es fundamental para evitar tanto la impunidad ante las malas prácticas como las acusaciones injustificadas contra investigadores cuyos trabajos presentan limitaciones o resultados que posteriormente no pueden reproducirse.
La problemática adquiere una dimensión adicional por las consecuencias que el fraude puede tener sobre la confianza pública en la ciencia. Una investigación fraudulenta puede orientar incorrectamente otras investigaciones, desperdiciar recursos económicos, influir en decisiones clínicas o políticas y deteriorar la reputación de instituciones y revistas científicas. Además, la circulación de resultados incorrectos puede prolongarse durante años si no existen procedimientos transparentes para comunicar las investigaciones realizadas, publicar las correcciones y retirar los contenidos que han perdido su validez. Por esta razón, la responsabilidad no corresponde exclusivamente a los autores, sino también a las universidades, organismos financiadores, editoriales y organizaciones encargadas de garantizar la integridad de la investigación.
En definitiva, el episodio invita a considerar que la credibilidad científica no depende de que todas las investigaciones sean infalibles, sino de que existan procedimientos eficaces para identificar errores, investigar posibles fraudes y corregir públicamente los resultados que no cumplen los estándares de rigor. La retractación debe entenderse como una herramienta de transparencia y responsabilidad, no simplemente como un indicador negativo de la producción académica. En un escenario caracterizado por el crecimiento de las publicaciones, la presión por conseguir indicadores de impacto y la incorporación de herramientas de inteligencia artificial a los procesos de investigación y edición, reforzar los mecanismos de vigilancia y evaluación resulta imprescindible para proteger la calidad del conocimiento.
Esmer, B., & Ozel, N. B. (2026, 10 de noviembre). The AI regulation fight is about speed. It should be about measurement. Knowledge at Wharton, University of Pennsylvania. https://knowledge.wharton.upenn.edu/article/the-ai-regulation-fight-is-about-speed-it-should-be-about-measurement/
El debate internacional sobre la regulación de la inteligencia artificial y plantea que la discusión no debería centrarse tanto en acelerar o ralentizar su desarrollo como en establecer mecanismos fiables para medir sus efectos y consecuencias. Los autores consideran que actualmente empresas tecnológicas, gobiernos, investigadores y ciudadanos carecen de sistemas comunes para identificar, comparar y evaluar los daños que pueden ocasionar los sistemas de IA. Aunque algunas compañías están comenzando a invertir en evaluaciones de seguridad, estas siguen dependiendo de criterios propios y procedimientos que carecen de estándares independientes.
El texto plantea que el debate sobre la regulación de la inteligencia artificial no debería centrarse en la velocidad de su desarrollo, sino en la capacidad de medir sus efectos, riesgos y consecuencias sociales. Mientras empresas como Anthropic y OpenAI defienden un desarrollo más prudente y la Administración estadounidense prioriza mantener su liderazgo frente a China, existe un punto de encuentro: la necesidad de establecer mecanismos fiables y comunes para evaluar el impacto de la IA. Actualmente, las empresas desarrolladoras establecen sus propios criterios de seguridad, pruebas y evaluaciones, sin estándares independientes ni sistemas homogéneos de información.
Los autores proponen crear un sistema estandarizado de registro de daños e incidentes relacionados con la inteligencia artificial (harm ledger), que permita documentar qué hacen estos sistemas, a quién afectan y con qué frecuencia producen errores o resultados perjudiciales. Este mecanismo debería prestar especial atención a ámbitos sensibles como la contratación laboral, la medicina, los servicios financieros y la concesión de créditos, donde las decisiones automatizadas pueden generar discriminación, exclusión o perjuicios económicos difíciles de detectar. Asimismo, defienden que las obligaciones de información sean proporcionales al alcance y al nivel de riesgo de cada sistema, evitando imponer las mismas exigencias a grandes desarrolladores que a pequeñas empresas o laboratorios de investigación.
Finalmente, proponen que el Congreso estadounidense impulse una ley de medición y notificación de incidentes de inteligencia artificial, con definiciones comunes, auditorías independientes, evaluaciones previas al lanzamiento y publicación de resultados agregados. La idea fundamental es que la supervisión no debe convertirse necesariamente en un freno a la innovación, sino en una garantía de transparencia y responsabilidad. Antes de decidir cuánto limitar la inteligencia artificial, es necesario conocer con evidencias qué efectos produce, quién asume sus riesgos y cuáles son sus consecuencias para la sociedad.
El texto plantea que el debate sobre la regulación de la inteligencia artificial no debería centrarse en la velocidad de su desarrollo, sino en la capacidad de medir sus efectos, riesgos y consecuencias sociales. Mientras empresas como Anthropic y OpenAI defienden un desarrollo más prudente y la Administración estadounidense prioriza mantener su liderazgo frente a China, existe un punto de encuentro: la necesidad de establecer mecanismos fiables y comunes para evaluar el impacto de la IA. Actualmente, las empresas desarrolladoras establecen sus propios criterios de seguridad, pruebas y evaluaciones, sin estándares independientes ni sistemas homogéneos de información.
Los autores proponen crear un registro estandarizado de daños e incidentes de inteligencia artificial (AI Harm Ledger), que permita documentar qué hacen los sistemas, a quién afectan y con qué frecuencia producen errores o consecuencias perjudiciales. Esta iniciativa resulta especialmente importante en sectores como la contratación laboral, la medicina, los servicios financieros y la concesión de créditos, donde los algoritmos pueden provocar discriminación, exclusión o decisiones injustas que actualmente apenas quedan registradas. Las obligaciones de información deberían ser proporcionales al tamaño, capacidad y nivel de riesgo de las organizaciones, evitando imponer cargas innecesarias a pequeñas empresas y laboratorios de investigación.
Asimismo, se propone que el Congreso estadounidense apruebe una ley de medición y notificación de incidentes de IA, encargando al NIST el establecimiento de definiciones, indicadores y formularios comunes. Las grandes empresas tecnológicas deberían presentar evaluaciones previas al lanzamiento de sus sistemas e informar sobre incidentes graves, mientras que hospitales, empresas y entidades financieras comunicarían los errores relevantes y las desigualdades detectadas. Los informes serían verificados por auditores independientes y sus resultados agregados se harían públicos, permitiendo establecer cuándo es necesario investigar, corregir o suspender temporalmente un sistema.
