El informe analiza de forma empírica cómo la inteligencia artificial está transformando los flujos de trabajo en bibliotecas académicas, especialmente en dos áreas críticas: la creación y gestión de metadatos (mediante Alma Metadata Assistant) y el apoyo a la elaboración de guías docentes y listas de lectura (a través de Leganto Syllabus Assistant). El estudio se basa en entrevistas en profundidad con profesionales de 11 instituciones académicas internacionales, lo que permite observar efectos reales de la IA en contextos de trabajo cotidianos, más allá de la teoría o la experimentación tecnológica.
Uno de los hallazgos centrales es la reducción significativa del tiempo dedicado a tareas manuales y repetitivas. Las bibliotecas participantes reportan una disminución de entre el 30% y el 60% en tareas como la transcripción de metadatos, la normalización de registros o el procesamiento inicial de listas de lectura. Este cambio no solo acelera los procesos, sino que también incrementa la capacidad operativa sin necesidad de ampliar los recursos humanos, llegando a multiplicar por dos o cuatro la productividad en determinados flujos de trabajo.
El informe subraya también una mejora notable en la consistencia y estandarización de los datos bibliográficos. La IA permite reducir la variabilidad derivada de la diversidad de fuentes y formatos de entrada, generando registros más homogéneos y preparados para su validación profesional. En este sentido, la tecnología no sustituye el juicio experto del personal bibliotecario, sino que desplaza su actividad hacia tareas de mayor valor añadido, como la revisión crítica, la validación de excepciones o la toma de decisiones complejas.
Otro aspecto relevante es la aceleración del ciclo de trabajo entre la recepción de información y su disponibilidad para los usuarios. El estudio indica que entre el 50% y el 60% de las listas de lectura procesadas con herramientas de IA pueden estar disponibles de forma casi inmediata tras el procesamiento inicial, reduciendo significativamente los cuellos de botella tradicionales en los servicios bibliotecarios.
Desde una perspectiva organizativa, el informe interpreta estos cambios como un proceso de reconfiguración del trabajo bibliotecario. La IA desplaza parte del esfuerzo desde tareas operativas hacia funciones de supervisión, análisis y mejora de la calidad de los datos. Esto implica una transformación del perfil profesional, en la que las competencias críticas, la curación de información y la supervisión de sistemas automatizados adquieren mayor relevancia que la producción manual de registros.
En conjunto, el estudio concluye que la adopción de IA en bibliotecas académicas no constituye únicamente una mejora incremental de eficiencia, sino una reestructuración progresiva de los flujos de trabajo, con impacto directo en la productividad, la calidad de los datos y la redistribución de las funciones del personal. Esta transformación se enmarca en una tendencia más amplia de integración de la IA en los sistemas académicos y de investigación, donde las herramientas inteligentes pasan a formar parte de la infraestructura operativa de las instituciones.
An infographic comparing AI chatbots, search engines, and libraries as information resources.
Lund, Brady D., Zoe Abbie Teel, Ting Wang, et al. “Artificial Intelligence (AI) and Information Seeking: A Comparative Exploration of AI Chatbots, Search Engines, and Library Resources as Information Sources among University Students.” Journal of Librarianship and Information Science (OnlineFirst, 2026). https://doi.org/10.1177/09610006261438484
El artículo retrata un momento de transición en el ecosistema informativo universitario. La IA no ha desplazado a Google ni a las bibliotecas, pero ya se ha incorporado de forma visible a las rutinas académicas. Su papel es complementario, aunque en expansión, especialmente entre estudiantes jóvenes e internacionales. Para las bibliotecas y universidades, el reto no consiste en resistirse al cambio, sino en liderarlo: integrar la IA de forma ética, crítica y conectada con recursos académicos de calidad.
Este estudio analiza cómo los estudiantes universitarios de Estados Unidos están integrando la inteligencia artificial generativa en sus prácticas de búsqueda académica. A partir de una encuesta electrónica respondida por 236 estudiantes de perfiles diversos, los autores comparan el uso, preferencia y satisfacción con tres grandes fuentes de información: motores de búsqueda tradicionales (como Google), recursos bibliotecarios universitarios y herramientas de IA conversacional como ChatGPT. El trabajo parte de la idea de que la irrupción de la IA está modificando profundamente la ecología informacional en la educación superior, alterando la manera en que los estudiantes localizan, evalúan y utilizan información.
Los resultados muestran que los motores de búsqueda siguen siendo la herramienta dominante para tareas académicas, tanto por frecuencia de uso como por preferencia inicial al comenzar una investigación. Casi la mitad de los estudiantes indicaron que Google o buscadores similares son su primera opción, mientras que el resto se divide entre los recursos de biblioteca y la IA. Sin embargo, la IA ya ocupa un lugar significativo: solo un 15% declaró no haberla usado nunca para fines académicos, mientras que cerca del 10% la utiliza diariamente. Esto indica que la IA no ha sustituido aún a las herramientas tradicionales, pero sí se ha convertido en una pieza estable del repertorio informacional estudiantil.
Uno de los hallazgos más relevantes es la existencia de diferencias demográficas marcadas. Los estudiantes más jóvenes muestran mayor inclinación hacia la IA como punto de partida en sus búsquedas, mientras que los mayores prefieren claramente las páginas web de bibliotecas universitarias. Asimismo, los estudiantes internacionales utilizan la IA con mucha mayor frecuencia que los estudiantes nacionales estadounidenses. De hecho, recurren menos a los recursos bibliotecarios y más a herramientas de IA, lo que los autores interpretan como posible consecuencia de barreras idiomáticas, desconocimiento del entorno bibliotecario estadounidense o búsqueda de interfaces más accesibles y conversacionales.
En cuanto a la percepción de calidad, los buscadores tradicionales siguen obteniendo mejores puntuaciones globales que la IA en relevancia y satisfacción de resultados. Los estudiantes consideran especialmente eficaces a los buscadores para noticias recientes, meteorología e información laboral. En cambio, la IA obtiene valoraciones más competitivas cuando se trata de ayuda académica, preparación de exámenes, comprensión inicial de un tema o generación de instrucciones para realizar tareas. Esto sugiere que los usuarios perciben fortalezas diferenciadas: el buscador como herramienta de acceso a fuentes actualizadas y múltiples perspectivas, y la IA como asistente para sintetizar, orientar o explicar.
El estudio también demuestra una relación clara entre uso frecuente y satisfacción con la IA. Cuanto más emplea un estudiante estas herramientas, mayor es su percepción de utilidad. Los usuarios intensivos valoran especialmente la IA para tareas educativas, estudio y resolución de procedimientos. Esto puede indicar un aprendizaje progresivo del uso eficaz de la herramienta o una adaptación de expectativas a sus capacidades reales. Los autores advierten, no obstante, que esta relación también podría fomentar dependencia acrítica si los estudiantes aceptan respuestas sintéticas sin contrastarlas con fuentes primarias.
Desde la perspectiva bibliotecaria, el artículo plantea implicaciones estratégicas de gran interés. Las bibliotecas universitarias no deberían contemplar la IA únicamente como una amenaza competitiva, sino como una oportunidad para rediseñar sus servicios. Proponen desarrollar sistemas de descubrimiento apoyados en IA conectados directamente con colecciones licenciadas, bases de datos y contenidos académicos fiables. De este modo, las bibliotecas podrían ofrecer experiencias conversacionales semejantes a ChatGPT, pero sustentadas en recursos evaluados y legales. También subrayan la necesidad urgente de programas de alfabetización informacional y alfabetización en IA, enseñando a los estudiantes a verificar respuestas, identificar sesgos, contrastar perspectivas y comprender límites de los modelos generativos.
Los autores reconocen algunas limitaciones metodológicas. La muestra estaba sobrerrepresentada por estudiantes de posgrado, internacionales y vinculados a ciencias de la computación e información, lo que puede inflar los niveles generales de adopción tecnológica. Además, el estudio se basa en autoinformes y no en observación directa del comportamiento real. Por ello recomiendan investigaciones futuras con muestras más representativas, entrevistas cualitativas y estudios experimentales que analicen cómo los estudiantes combinan IA, buscadores y biblioteca ante necesidades concretas de información.
Apéndice. Encuesta sobre IA y búsqueda de información
1. ¿Cuál de las siguientes opciones describe mejor tu especialidad académica? a. Artes – bellas artes, música, danza, fotografía b. Humanidades – filosofía, historia, literatura, lenguas c. Ciencias Sociales – psicología, sociología, economía, educación, biblioteconomía d. Ciencias Naturales – biología, química, matemáticas, ecología, ingeniería e. Ciencias de la Computación – informática, ciencia de la información, ciencia de datos, IA f. Empresa – administración, hostelería, sistemas y ciencias de la decisión, marketing
2. ¿Cuál es tu nivel académico actual? a. Estudiante de grado b. Estudiante de máster c. Estudiante de doctorado
3. ¿Cuál es tu edad? a. 18–25 b. 26–30 c. 31–35 d. 36 o más
4. ¿Cuál es tu género? a. Mujer b. Hombre c. No binario d. Otro
5. ¿Cuál describe mejor tu situación como estudiante? a. Estudiante nacional b. Estudiante internacional
6. Pensando específicamente en tus actividades académicas y/o experiencias de investigación, indica con qué frecuencia utilizas cada una de las siguientes fuentes de información (nunca, menos de una vez al mes, mensualmente, semanalmente, diariamente): a. Libros b. Revistas científicas c. Actas de congresos d. Recursos web e. Bases de datos bibliotecarias f. Comunicaciones personales g. Herramientas de IA generativa
7. Pensando específicamente en tus actividades académicas y/o experiencias de investigación, ¿qué grado de confianza tienes en que encuentras toda la información necesaria sobre un tema cuando utilizas los siguientes recursos? (nada confiado, poco confiado, neutral, bastante confiado, muy confiado): a. Libros b. Revistas científicas c. Actas de congresos d. Recursos web e. Bases de datos bibliotecarias f. Comunicaciones personales g. Herramientas de IA generativa
8. ¿Cuál de las siguientes interfaces preferirías utilizar al comenzar tu búsqueda de información? a. Página principal de la biblioteca b. Google/motor de búsqueda c. Chatbot de IA/modelo de lenguaje grande
9. ¿Cuántas veces has realizado las siguientes actividades durante el último mes? a. Visitado la biblioteca universitaria, utilizado la web de la biblioteca o accedido a recursos bibliotecarios mediante enlaces web. b. Utilizado Google u otro motor de búsqueda similar para actividades o tareas universitarias. c. Utilizado una herramienta de IA para actividades o tareas universitarias.
10. Al realizar una tarea concreta de búsqueda de información relacionada con estudios o investigación, ¿con qué frecuencia recurres a los siguientes enfoques? (nunca, raramente, a veces, a menudo, siempre): a. Utilizar solo un motor de búsqueda tradicional b. Utilizar solo un chatbot de IA/ChatGPT c. Primero utilizar un motor de búsqueda tradicional y después un chatbot de IA/ChatGPT d. Primero utilizar un chatbot de IA/ChatGPT y después un motor de búsqueda tradicional
11. Pensando en la información que buscas en tu vida diaria, ¿qué probabilidad hay de que uses un motor de búsqueda tradicional para lo siguiente? (muy improbable, algo improbable, ni probable ni improbable, algo probable, muy probable): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
12. Pensando en la información que buscas en tu vida diaria, ¿qué probabilidad hay de que uses chatbots de IA/ChatGPT para lo siguiente? (muy improbable, algo improbable, ni probable ni improbable, algo probable, muy probable): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
13. Cuando buscas cada uno de los siguientes tipos de información, ¿con qué frecuencia un motor de búsqueda es capaz de generar una respuesta relevante? Nota: relevante significa únicamente que proporciona información pertinente sobre el tema, no necesariamente que sea exacta o satisfactoria para ti. (nunca, no muy a menudo, con cierta frecuencia, muy a menudo, siempre): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
14. Cuando buscas cada uno de los siguientes tipos de información, ¿con qué frecuencia un chatbot de IA/ChatGPT es capaz de generar una respuesta relevante? Nota: relevante significa únicamente que proporciona información pertinente sobre el tema, no necesariamente que sea exacta o satisfactoria para ti. (nunca, no muy a menudo, con cierta frecuencia, muy a menudo, siempre): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
15. Cuando buscas cada uno de los siguientes tipos de información, ¿con qué frecuencia un motor de búsqueda tradicional es capaz de generar una respuesta satisfactoria? Nota: una respuesta satisfactoria es aquella que cubre completamente la información que necesitas y con la que quedas satisfecho/a. (nunca, no muy a menudo, con cierta frecuencia, muy a menudo, siempre): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
16. Cuando buscas cada uno de los siguientes tipos de información, ¿con qué frecuencia un chatbot de IA/ChatGPT es capaz de generar una respuesta satisfactoria? Nota: una respuesta satisfactoria es aquella que cubre completamente la información que necesitas y con la que quedas satisfecho/a. (nunca, no muy a menudo, con cierta frecuencia, muy a menudo, siempre): a. Encontrar información relacionada con empleo b. Encontrar información relacionada con estudios c. Aprender más sobre un tema que estudias d. Consultar el tiempo e. Ponerte al día con noticias recientes f. Crear chistes o historias g. Crear un conjunto de instrucciones para completar una tarea
El EveryLibrary Institute ha dado a conocer un informe de gran relevancia titulado Library Patron Privacy in the Age of Artificial Intelligence, centrado en uno de los debates más urgentes para las bibliotecas contemporáneas: cómo proteger la privacidad de los usuarios en un contexto marcado por la expansión acelerada de la inteligencia artificial y de los servicios digitales.
Durante décadas, la confidencialidad de los hábitos de lectura, consulta e investigación ha sido uno de los principios fundamentales de las bibliotecas, especialmente en Estados Unidos, donde la defensa de la libertad intelectual ha estado estrechamente vinculada al derecho a la privacidad. Sin embargo, la llegada de nuevas herramientas basadas en IA está poniendo a prueba estos marcos tradicionales, generando interrogantes legales, éticos y tecnológicos que requieren respuestas actualizadas.
El estudio ha sido elaborado por Lucie Daignault, Samuel Lim y Catherine Ferri, integrantes de la Georgetown University Communications and Technology Law Clinic, en colaboración con EveryLibrary Institute. Su principal aportación consiste en ofrecer una revisión exhaustiva de las leyes de privacidad bibliotecaria vigentes en los cincuenta estados de EE. UU. y en el Distrito de Columbia, con el fin de determinar hasta qué punto estas normativas siguen siendo eficaces frente a los desafíos actuales. El informe analiza si las leyes estatales existentes contemplan adecuadamente cuestiones como la recopilación masiva de datos, el almacenamiento prolongado de información personal, la intervención de proveedores externos y el uso de sistemas automatizados capaces de perfilar comportamientos de lectura o búsqueda.
Uno de los aspectos más novedosos del documento es su atención específica a la inteligencia artificial generativa y a las nuevas formas de tratamiento de datos que esta implica. Muchas plataformas digitales utilizadas por bibliotecas incorporan tecnologías desarrolladas por terceros, capaces de registrar consultas, recomendaciones, patrones de navegación o interacciones textuales de los usuarios. Esto plantea un conflicto entre la mejora de servicios mediante herramientas inteligentes y la obligación histórica de las bibliotecas de garantizar anonimato, neutralidad y libertad de acceso a la información. El informe advierte que, sin controles adecuados, podrían abrirse vías de vigilancia indirecta o explotación comercial de datos tradicionalmente protegidos.
Asimismo, el trabajo examina la creciente dependencia de las bibliotecas respecto a proveedores tecnológicos externos. Los sistemas de préstamo digital, bases de datos académicas, plataformas de descubrimiento o asistentes automatizados suelen operar bajo contratos con empresas privadas que gestionan infraestructuras y datos sensibles. El informe invita a revisar cuidadosamente estas relaciones contractuales, reclamando mayor transparencia sobre qué datos se recogen, cómo se almacenan, durante cuánto tiempo se conservan y si pueden reutilizarse para entrenar modelos de inteligencia artificial u otros fines comerciales.
El valor práctico del informe reside también en su enfoque comparativo y aplicado. Al ofrecer un panorama actualizado estado por estado, se convierte en una herramienta útil para bibliotecarios, responsables institucionales, legisladores, investigadores y defensores de los derechos civiles. No se limita a diagnosticar problemas, sino que pretende impulsar conversaciones más profundas entre los sectores bibliotecario, jurídico y tecnológico. En este sentido, propone pensar la privacidad no como un obstáculo para la innovación, sino como un elemento esencial del diseño de cualquier servicio digital bibliotecario.
En última instancia, el documento subraya que la rápida evolución de la inteligencia artificial obliga a redefinir el papel de las bibliotecas como instituciones públicas de confianza en una sociedad gobernada cada vez más por datos. Si históricamente las bibliotecas han protegido la libertad de leer sin vigilancia, hoy deben extender esa misión al entorno digital. La cuestión no es solo tecnológica, sino democrática: preservar espacios donde las personas puedan informarse, aprender e investigar sin temor a ser monitorizadas o perfiladas. Por ello, este informe se perfila como una referencia clave para el futuro de la ética bibliotecaria y de la gobernanza de la IA.
La Inteligencia Artificial (IA) ofrece un gran potencial para apoyar los valores fundamentales de las bibliotecas, como el acceso equitativo a la información y la creación de conocimiento. Sin embargo, también es una tecnología controvertida, cuyos avances actuales suscitan inquietudes éticas y sociales. Las bibliotecas desempeñan un papel clave en la promoción de usos responsables, inclusivos y sostenibles de la IA. Sus valores —libertad de expresión, privacidad, transparencia y rendición de cuentas— proporcionan una perspectiva ética para interactuar con las herramientas y prácticas de la IA. Este documento define la IA en un sentido amplio y ofrece un conjunto práctico de preguntas para la reflexión que ayudan a los profesionales de las bibliotecas a evaluar las oportunidades y los riesgos.
El texto plantea un escenario de reflexión sobre la incorporación de herramientas de inteligencia artificial en los servicios de bibliotecas, concretamente en el caso de la posible licitación de un sistema de búsqueda potenciado por IA ofrecido por una editorial científica. Este sistema promete mejorar significativamente la recuperación de información mediante resúmenes automáticos de publicaciones, lo que obliga a los profesionales de la biblioteca a evaluar críticamente su pertinencia, utilidad y riesgos antes de su adopción.
Para ello, se propone la creación de un equipo interdisciplinar formado por especialistas en sistemas bibliotecarios, biblioteconomía, alfabetización informacional y derechos de autor. Este grupo debe elaborar una lista de preguntas clave para analizar la herramienta desde múltiples perspectivas: ética, funcionalidad, impacto institucional, fiabilidad, transparencia y adecuación a las necesidades reales de los usuarios. El objetivo no es solo valorar la innovación tecnológica, sino determinar si realmente aporta beneficios significativos frente a otras soluciones existentes y si su coste está justificado dentro de las prioridades de la biblioteca.
El documento se estructura a partir de un marco de 14 preguntas que sirven como guía de evaluación de sistemas de IA en entornos bibliotecarios. Estas cuestiones abordan aspectos como la calidad y precisión de la información generada por la IA, los posibles sesgos, la protección de la diversidad cultural y lingüística, la equidad en el acceso, la privacidad de los datos de los usuarios y la transparencia del funcionamiento del sistema. También se examina quién es responsable de los posibles errores del sistema y cómo se comunican sus limitaciones a los usuarios.
Asimismo, se subraya la importancia de garantizar que los datos utilizados por la IA no provengan de fuentes obtenidas de manera ilegítima y que se respeten los derechos de autor y la soberanía de los datos culturales. Otro eje central es la necesidad de mantener la agencia del usuario, es decir, que las personas puedan seguir controlando su interacción con la tecnología sin que esta sustituya sus habilidades críticas o de aprendizaje.
Las 14 preguntas funcionan como un marco de evaluación crítica para que las bibliotecas analicen la incorporación de sistemas de inteligencia artificial, especialmente en servicios de información y descubrimiento. No son un checklist técnico cerrado, sino una guía amplia que permite valorar tanto el impacto funcional como las implicaciones éticas, sociales y organizativas de estas herramientas.
Valor y pertinencia del servicio. La pregunta inicial obliga a la biblioteca a identificar qué tipo de beneficio real aporta la IA en términos de acceso al conocimiento y creación de información. No se trata solo de si la herramienta es innovadora, sino de si mejora de forma significativa la experiencia del usuario frente a alternativas más simples o económicas. Aquí se introduce también el concepto de “coste de oportunidad”: invertir en IA implica renunciar a otros posibles servicios o mejoras.
2, Calidad de la información generada por la IA, especialmente su precisión, actualización e imparcialidad. En entornos bibliotecarios esto es crucial, ya que los sistemas de IA pueden generar resúmenes o síntesis que parecen fiables pero contienen errores, sesgos o simplificaciones. Además, se plantea la necesidad de monitorización continua, ya que estos sistemas pueden cambiar su rendimiento con el tiempo.
3. Sesgos . Se evalúa si la IA reproduce estereotipos o excluye perspectivas culturales y lingüísticas. Esto es especialmente relevante en bibliotecas, cuyo objetivo tradicional es garantizar el acceso equitativo a la información.
4. Diversidad del conocimiento. También se analiza si el sistema favorece únicamente contenido en inglés o si integra fuentes multilingües y diversas.
5. Mal uso del sistema, especialmente en relación con la desinformación o la censura. Aunque menos desarrollada en el texto, apunta a un problema creciente: la posibilidad de que herramientas avanzadas de IA sean utilizadas para manipular o distorsionar información académica o científica.
6. Equidad y accesibilidad, considerando si todos los usuarios pueden beneficiarse del sistema en igualdad de condiciones. Aquí se incluyen aspectos como la accesibilidad digital (cumplimiento de estándares como WCAG), la brecha tecnológica y la posible exclusión de determinados colectivos.
7. Transparencia, uno de los más complejos en IA. Se analiza hasta qué punto el usuario entiende qué está haciendo el sistema, cómo genera los resultados y cuáles son sus límites. También se plantea la cuestión de la responsabilidad: quién responde cuando la IA comete errores, la empresa, la biblioteca o el usuario.
8. Privacidad y gestión de datos, un tema crítico en entornos académicos. Se evalúa cómo se recogen, almacenan y utilizan los datos de los usuarios, incluyendo sus consultas, patrones de búsqueda y posibles datos personales, así como el cumplimiento de normativas como el GDPR.
9. Legalidad y ética de los datos utilizados para entrenar la IA, así como en el respeto a los derechos de autor. También introduce una preocupación emergente: la carga que la IA puede generar sobre repositorios abiertos y sistemas de acceso libre.
10. Participación social y la soberanía de los datos, es decir, si las comunidades afectadas han sido tenidas en cuenta en el desarrollo del sistema y si mantienen control sobre su información cultural.
11. Agencia del usuario y el impacto en el aprendizaje. Se analiza si la IA fortalece las competencias del usuario o si, por el contrario, fomenta la dependencia y la pérdida de habilidades críticas. También se considera la necesidad de formación para un uso responsable.
12. Empleo y la estructura laboral, tanto en bibliotecas como en el ecosistema editorial y tecnológico. Se plantea si la IA sustituye funciones humanas o si reconfigura los roles profesionales.
13. Impacto ambiental, un aspecto cada vez más relevante. El uso de modelos de IA implica consumo energético, infraestructura de servidores y uso de agua, lo que obliga a considerar la sostenibilidad del servicio en su ciclo completo.
14. Modelo de negocio y la gobernanza del proveedor, es decir, quién desarrolla la herramienta, bajo qué principios opera y si su estrategia es sostenible y alineada con valores públicos. También se abre la reflexión sobre posibles vínculos con intereses comerciales o incluso militares.
En conjunto, estas 14 preguntas no buscan una respuesta única, sino fomentar una evaluación crítica y multidimensional de la inteligencia artificial en bibliotecas, equilibrando innovación tecnológica con responsabilidad ética, social y profesional.
El texto también amplía la reflexión hacia dimensiones sociales más amplias, como el impacto laboral de estas tecnologías, su huella ambiental y el modelo de negocio de las empresas proveedoras. En conjunto, se propone una evaluación integral que no se limite a lo técnico, sino que integre criterios éticos, educativos, sociales y sostenibles, con el fin de orientar la toma de decisiones en las bibliotecas ante la creciente incorporación de la inteligencia artificial.
Se explora el concepto de bibliomanía, entendida no solo como el amor por los libros, sino como una relación intensa y, en algunos casos, compulsiva con su acumulación. Parte de la distinción clásica entre bibliomanía y bibliophilia: mientras la bibliophilia se asocia con una pasión equilibrada por la lectura y el conocimiento, la bibliomanía puede implicar una relación obsesiva centrada en la posesión física de los libros más que en su lectura o uso intelectual.
El amor por los libros puede, con frecuencia, transformarse de un afecto a una devoción plena. Es tan común que incluso tenemos una palabra para ello: bibliomanía. Aunque suene a una especie de psicosis, en realidad es algo de lo que la mayoría somos culpables. La bibliomanía es, en esencia, el amor excesivo por los libros, y pese a lo que algunos puedan pensar, no es un defecto.Todos nosotros, reales o ficticios, tenemos nuestras dedicaciones, pasiones, aficiones y rituales. Entregarnos a la palabra escrita, a la adquisición y reflexión de ideas que encontramos en la literatura, es una devoción valorada a lo largo de la historia humana.
El texto sitúa este fenómeno en un contexto contemporáneo marcado por la sobreabundancia de información, el consumo digital y la pérdida de atención sostenida. En este escenario, la acumulación de libros —especialmente físicos— adquiere nuevos significados: ya no es solo una práctica de coleccionismo, sino también una forma de resistencia cultural frente a la inmediatez digital. Tener libros puede representar estabilidad, identidad intelectual o incluso refugio emocional en un entorno dominado por pantallas y contenidos efímeros.
Asimismo, el artículo señala que la bibliomanía no debe entenderse únicamente desde una perspectiva negativa o patológica. Aunque en casos extremos puede derivar en conductas de acumulación descontrolada, también puede reflejar una relación profunda con el conocimiento, la memoria cultural y la preservación del saber. En este sentido, se difumina la frontera entre el coleccionismo excesivo y la construcción de bibliotecas personales como espacios de identidad.
El texto también destaca el valor simbólico de los libros en la cultura contemporánea. En una época en la que los formatos digitales dominan el acceso a la información, el libro físico sigue siendo percibido como un objeto cargado de significado: materialidad, permanencia y conexión con el pasado. Esta dimensión contribuye a explicar por qué la acumulación de libros sigue siendo una práctica extendida, incluso cuando excede la capacidad real de lectura.
Y para concluir plantea que la bibliomanía puede interpretarse como un síntoma cultural más amplio: la necesidad de ordenar, conservar y apropiarse del conocimiento en un mundo saturado de información. Lejos de ser un fenómeno marginal, se presenta como una clave para entender nuestras formas actuales de relación con la lectura, la cultura escrita y la memoria.
A futuristic smart community leveraging AI for green solutions and renewable energy
Nishant, Rohit, Mike Kennedy y Jacqueline Corbett. “Artificial Intelligence for Sustainability: Challenges, Opportunities, and a Research Agenda.” International Journal of Information Management 53 (2020): 102104. https://doi.org/10.1016/j.ijinfomgt.2020.102104
El artículo sintetiza debates entre expertos, líneas de investigación emergentes y propuestas estratégicas sobre un tema de especial relevancia científica. En este caso, el foco se sitúa en la relación entre inteligencia artificial, infraestructuras digitales y sostenibilidad, una cuestión cada vez más central debido al crecimiento exponencial del uso de modelos avanzados y de la demanda energética asociada a los sistemas computacionales.
El artículo parte de una constatación clara: la expansión de la inteligencia artificial está generando beneficios notables en automatización, análisis de datos y apoyo a la toma de decisiones, pero también costes ambientales significativos. El entrenamiento de grandes modelos requiere enormes recursos de computación, centros de datos de alta capacidad y consumo intensivo de electricidad y agua. A ello se suman problemas como la obsolescencia acelerada del hardware, la extracción de minerales críticos y la huella ecológica derivada de cadenas globales de suministro tecnológicas. Por ello, los participantes del seminario sostienen que ya no basta con medir la precisión o velocidad de los sistemas; es imprescindible evaluar también su impacto material y energético.
Uno de los ejes principales del texto es la necesidad de desarrollar métricas comunes para una “IA sostenible”. Esto implica crear indicadores comparables sobre consumo energético, emisiones de carbono, eficiencia computacional, reutilización de modelos y coste social de despliegue. Sin estándares claros, resulta difícil comparar tecnologías o establecer políticas regulatorias eficaces. El informe subraya que muchas veces los avances en rendimiento se presentan sin transparencia suficiente sobre los recursos necesarios para alcanzarlos, lo que distorsiona la percepción de progreso tecnológico.
Otro aspecto destacado es la importancia de rediseñar tanto algoritmos como infraestructuras. El seminario propone impulsar modelos más pequeños y especializados cuando sean suficientes para una tarea concreta, técnicas de compresión y reutilización de parámetros, así como arquitecturas de hardware más eficientes. Del mismo modo, se plantea optimizar centros de datos mediante energías renovables, mejor refrigeración, gestión dinámica de cargas de trabajo y localización estratégica en zonas con menor impacto ambiental. La sostenibilidad, por tanto, no depende solo del software, sino de todo el ecosistema técnico que sostiene la inteligencia artificial.
El artículo también aborda la dimensión ética y política del problema. La concentración de capacidad computacional en unas pocas grandes corporaciones y países genera desigualdades de acceso al desarrollo de IA. Si solo actores con enormes recursos energéticos y financieros pueden competir, se amplían brechas científicas y económicas. Por ello, se plantea la necesidad de infraestructuras compartidas, cooperación internacional y políticas públicas que permitan democratizar el acceso a la computación avanzada sin reproducir monopolios tecnológicos.
El documento concluye que la sostenibilidad debe integrarse como criterio estructural en la investigación y evaluación de la inteligencia artificial. No se trata de frenar la innovación, sino de orientarla hacia modelos compatibles con límites ecológicos y con una distribución más justa de beneficios y costes. En esa visión, el futuro de la IA dependerá no solo de cuánto pueda hacer, sino de cómo, para quién y a qué precio ambiental lo haga.
Visualization of interconnected knowledge ecosystems transforming publishing beyond traditional articles.
Hrynaszkiewicz, Iain. “Redefining Publishing: Why We’re Moving Beyond the Article.” Research Information, October 2, 2025. Research Information
El artículo de Iain Hrynaszkiewicz plantea una crítica de fondo al modelo tradicional de comunicación científica, centrado casi exclusivamente en el artículo académico y en el prestigio de la revista donde se publica. Según el autor, este sistema ya no refleja cómo se produce realmente la ciencia contemporánea ni cómo debería evaluarse. La investigación actual es más colaborativa, abierta, interdisciplinar y distribuida en múltiples fases, mientras que los mecanismos de reconocimiento siguen premiando sobre todo el resultado final: el paper. Esta desconexión genera incentivos distorsionados y dificulta valorar contribuciones esenciales como los datos, el código, los protocolos, la mentoría o la ciencia en etapas tempranas.
Para explicar que el cambio es posible, el texto recuerda innovaciones previas que transformaron la comunicación académica. Entre ellas destacan los identificadores persistentes como el DOI, que estabilizaron las citas digitales; ORCID, que permite identificar autores de forma inequívoca; la taxonomía CRediT, que reconoce distintos tipos de contribución; y el auge de los preprints y de la compartición de datos. Todas estas herramientas surgieron para resolver carencias del sistema y prosperaron gracias a la cooperación entre editoriales, universidades, financiadores e infraestructuras técnicas. El mensaje central es que la evolución de la ciencia depende menos de actores aislados y más de consensos colectivos sostenidos en el tiempo.
En ese contexto, el autor presenta la iniciativa de PLOS para replantear el ecosistema editorial mediante un proyecto de dieciocho meses financiado por fundaciones filantrópicas. Su propuesta principal es el denominado knowledge stack o “pila de conocimiento”: un sistema donde los distintos productos de investigación —datos, software, métodos, hipótesis, resultados parciales, revisiones y artículos finales— sean visibles, enlazables, atribuibles y evaluables como partes de un mismo proceso. Esto supone pasar de una lógica centrada en un único documento final a otra basada en un registro completo y continuo de la actividad científica.
El artículo también subraya que la ciencia abierta no debe entenderse solo como una obligación normativa impuesta por agencias financiadoras, sino como una oportunidad estratégica para universidades y centros de investigación. Compartir métodos, datos y resultados mejora la transparencia, facilita la reproducibilidad y fortalece la integridad científica. Además, puede aumentar la visibilidad institucional, acelerar descubrimientos y favorecer la competitividad internacional. Desde esta perspectiva, abrir la ciencia no es solo una cuestión ética, sino también una ventaja organizativa y reputacional.
Otro aspecto relevante del texto es su mirada comparada sobre distintas regiones del mundo. El autor observa que Europa y Reino Unido avanzan más rápidamente en políticas de evaluación responsable y ciencia abierta, mientras que Asia y Norteamérica muestran progresos más desiguales o descentralizados. Aun así, en casi todos los contextos persiste la dependencia del artículo de revista como medida principal del mérito académico. Las inercias culturales, la presión competitiva por financiación y la dificultad de comparar disciplinas frenan reformas más profundas. Incluso quienes desean cambiar el sistema temen perjudicar a investigadores jóvenes si se apartan demasiado pronto de las reglas vigentes.
Finalmente, Hrynaszkiewicz concluye que el futuro de la publicación científica pasa por reconocer el conjunto del ciclo investigador y no solo su desenlace editorial. Un sistema más rico en metadatos, señales de impacto, trazabilidad de contribuciones y conexiones entre outputs permitiría premiar la colaboración, el riesgo intelectual, los resultados negativos y las prácticas responsables. No obstante, advierte que para lograr un cambio real se necesita adopción masiva: no basta con que una editorial innove, sino que deben sumarse financiadores, instituciones, infraestructuras y comunidades científicas de todo el mundo. En suma, el artículo defiende una transformación estructural del modelo académico, desde la cultura del paper hacia una ecología más abierta, justa y representativa del trabajo científico real.
En el programa de radio, Enma García y Maribel Martín Rodrigo destacaron que la 44ª Feria Municipal del Libro convierte la Plaza Mayor de Salamanca, del 9 al 17 de mayo de 2026, en un gran punto de encuentro entre lectores, librerías, autores y ciudadanía. Explicaron el papel esencial de la Red de Bibliotecas Municipales en la coordinación general, desde la organización de casetas hasta la programación cultural y la biblioteca infantil al aire libre. Subrayaron el aumento de participación de librerías respecto al año anterior y la cuidada distribución de espacios para firmas, escenarios y actividades. También comentaron la presencia de autores reconocidos y propuestas escolares dirigidas a fomentar la lectura entre niños de Primaria. La feria incluirá conciertos y actuaciones musicales para ampliar su dimensión festiva y cultural
Un análisis reciente difundido por Retraction Watch advierte de un crecimiento muy acusado de las referencias bibliográficas falsas dentro de la literatura biomédica indexada en PubMed. El estudio, presentado en forma de carta en The Lancet, examinó cerca de 2,5 millones de artículos científicos y concluyó que las citas inventadas se han multiplicado por doce en apenas dos años.
Los investigadores detectaron que aproximadamente uno de cada 277 artículos publicados en las primeras siete semanas de 2026 incluía al menos una referencia a un trabajo inexistente. La comparación histórica muestra una escalada preocupante: en 2025 la proporción era de uno entre 458, mientras que en 2023 era de uno entre 2.828. Esto sugiere que el fenómeno no es marginal, sino creciente y sistemático.
El equipo estuvo liderado por Maxim Topaz, del Data Science Institute de la Universidad de Columbia. Para separar errores tipográficos o abreviaturas irregulares de verdaderas invenciones bibliográficas, los autores emplearon herramientas de inteligencia artificial capaces de contrastar títulos y registros reales. Esto permitió identificar con mayor precisión qué citas eran simplemente incorrectas y cuáles correspondían a documentos inexistentes.
Según el informe, el aumento más brusco comenzó a mediados de 2024, coincidiendo con la expansión masiva de herramientas de escritura asistida por IA generativa. El artículo relaciona este crecimiento con el uso inadecuado de modelos de lenguaje capaces de producir referencias aparentemente verosímiles, aunque inexistentes, si no se supervisan correctamente.
Las implicaciones son profundas para la comunicación científica. Las referencias falsas contaminan revisiones bibliográficas, dificultan la verificación de fuentes y erosionan la confianza en el sistema académico. El caso refuerza la necesidad de controles editoriales más estrictos, verificadores automáticos de citas y formación ética en el uso de IA para la redacción científica.
La presentación en RADIO USAL de la primera parte del disco “Nuestra Música A Nuestro Ritmo” puso en valor la diversidad y vitalidad de la escena musical local, reuniendo canciones de 22 grupos salmantinos de estilos muy distintos. El recopilatorio muestra cómo conviven propuestas de rock, pop, rhythm’n’blues, metal, punk, indie, música instrumental y sonidos alternativos, ofreciendo una panorámica amplia del talento emergente y consolidado de la ciudad. En esta primera entrega se escucharon temas de bandas como Orca, Sin Sentido, Texas Resaca Blues, Doctor Pólvora, The Third Rule, Nadia Levinscaia, Old Virginia, FerCyborg & Otro Mundo Ensemble, The Black Chillies y Al Límite.
Universo Abierto 