Archivo del Autor: Julio Alonso Arévalo

Avatar de Desconocido

Acerca de Julio Alonso Arévalo

Bibliotecario de la Facultad de Traducción y Doc. de la USAL. Ex-Miembro del Grupo de Investigación E-LECTRA. Premio Nacional de Investigación por la UNE Premio mejor Profesional Social Media INFOAWARDS 2019. Creador y editor del repositorio E-LIS. Más de 80 artículos científicos publicados - Ver en E-LIS -en revistas científicas. El profesional de la información, Library Hi-Tech, Electronic Library. Investigación Bibliotecológica, Anales de Documentación... 12 libros publicados: Nueva fuentes de información en el contexto de la web 2.0 (Pirámide), Gutemberg 2.0 (TREA). Social Reading (Elsevier), eBooks en bibliotecas universitarias (TREA), El ecosistema del libro electrónico universitario (UNE), Un viaje a la cultura open (Amazon), GRATIS Zotero (Creative Spaces), Leyendo entre Pantallas (Trea), GRATIS Literaçia da infomrçao (ISPA) GRATIS Espistemologia y acceso abierto (UCE) GRATIS Makerspaces y bibliotecas. Barcelona: El Profesional de la Información EPI-UOC, 2018. Makerspaces. Espacios creativos en bibliotecas: creación, planificación y programación de actividades. Salamanca: Ediciones del Universo, 2019. Los libros, la lectura y los lectores a través de la literatura y las artes. Buenos Aires : Alfagrama Ediciones, 2019 Más de 2000 citas en Google Schoolar Creador y gestor del blog Universo abierto Director del programa de Radio Planeta Biblioteca Más de 250.000 seguidores en los grupos profesionales de Facebook.

Catalogación con IA: Clarivate impulsa una nueva generación de metadatos bibliotecarios con SkyRiver

Library staff member cataloging a book on a computer
A library staff member catalogs a book using metadata software alongside print references.

Clarivate. “Clarivate Enhances SkyRiver to Help Libraries Share, Reuse and Create Trusted Metadata”. Clarivate News, 12 de agosto de 2026. Artículo original en Clarivate

SkyRiver representa un paso hacia una catalogación más colaborativa, interoperable y asistida por IA, pero con una premisa importante: automatizar la creación de metadatos no significa renunciar a la calidad, la procedencia, la atribución ni a la gobernanza bibliotecaria. La cuestión estratégica será conseguir que la IA acelere el trabajo de catalogación sin diluir el conocimiento profesional que da valor a los metadatos bibliotecarios.

Clarivate ha anunciado una versión mejorada de SkyRiver, su plataforma orientada a la gestión e intercambio de metadatos bibliográficos, con el objetivo de facilitar a las bibliotecas el acceso, reutilización y creación de registros de calidad. La nueva plataforma apuesta por utilizar metadatos abiertos por defecto, al tiempo que mantiene las condiciones establecidas por los contribuyentes, las obligaciones de licencia y las políticas de gobernanza de cada institución. La propuesta busca mejorar la interoperabilidad entre bibliotecas, consorcios y sistemas de gestión bibliotecaria, permitiendo que los registros puedan compartirse y reutilizarse con mayor facilidad.

Una de las principales novedades es la incorporación de capacidades de inteligencia artificial para la creación de registros bibliográficos. La IA pretende agilizar los flujos de trabajo de catalogación y ayudar a producir registros de alta calidad de una manera más eficiente. Clarivate sitúa esta funcionalidad dentro de una transformación más amplia de los servicios de descubrimiento, en la que disponer de metadatos fiables, transparentes e interoperables resulta fundamental. La compañía subraya, sin embargo, que la automatización no elimina la importancia de las decisiones y controles bibliotecarios: las instituciones mantienen capacidad de elección sobre su participación y sobre la contribución de sus propios datos.

SkyRiver pretende funcionar como una infraestructura de colaboración basada en la comunidad bibliotecaria. Las bibliotecas podrán acceder a metadatos fiables para catalogación, descubrimiento y préstamo o intercambio de recursos, además de conectar y reutilizar registros entre diferentes sistemas de gestión. La plataforma incorpora asimismo información sobre derechos, procedencia, atribución y condiciones de acceso, elementos especialmente importantes en un contexto en el que los metadatos circulan entre múltiples instituciones y pueden ser reutilizados posteriormente por otros servicios y aplicaciones.

La propuesta tiene especial interés porque aborda uno de los problemas históricos de las bibliotecas: evitar que cada institución tenga que crear desde cero registros que otras bibliotecas ya han producido. Compartir y reutilizar metadatos puede reducir la duplicación de esfuerzos y permitir que los profesionales dediquen más tiempo a aquellos recursos que requieren descripción original, enriquecimiento local o tratamiento especializado. Al mismo tiempo, la plataforma pretende preservar las mejoras realizadas localmente por cada biblioteca, reconociendo que los metadatos producidos por una institución pueden aportar información de valor para toda la comunidad.

La dimensión de gobernanza constituye otro elemento destacado. Clarivate anuncia la creación de un Metadata Governance Advisory Group, destinado a proporcionar orientación sobre el desarrollo futuro de SkyRiver y participar en cuestiones relacionadas con políticas de metadatos, estándares de calidad y principios de gobernanza. Esto resulta particularmente relevante en un entorno en el que la apertura y reutilización de datos debe equilibrarse con derechos, licencias, atribución y autonomía institucional. La gobernanza se convierte así en una pieza tan importante como la tecnología para determinar cómo se producen, comparten y reutilizan los registros bibliográficos.

Las declaraciones de representantes de la University of Delaware y la University of Regina ponen el acento precisamente en la relación entre metadatos y descubrimiento. Para estas instituciones, unos metadatos de calidad permiten incrementar la visibilidad de las colecciones y favorecer la colaboración entre bibliotecas. También se destaca la necesidad de que las nuevas herramientas sean capaces de integrar las mejoras locales dentro de los flujos de trabajo existentes, de manera que la automatización no suponga perder el valor añadido generado por los profesionales de la información.

En un sentido más amplio, el anuncio refleja una evolución importante en la función de los metadatos bibliográficos en la era de la IA. Los metadatos ya no sirven únicamente para que una persona encuentre un libro o un artículo en un catálogo: constituyen una infraestructura que permite que diferentes sistemas informáticos comprendan, relacionen, intercambien y reutilicen información bibliográfica. La incorporación de IA a SkyRiver refuerza esta tendencia y plantea un modelo en el que metadatos abiertos + interoperabilidad + automatización + supervisión profesional pueden convertirse en componentes fundamentales de los futuros ecosistemas de descubrimiento.

El próximo lector de la ciencia será una máquina: cómo la IA está transformando la comunicación científica

Robot holding an open scientific book beside a data analysis monitor
A futuristic robot analyzes scientific texts and data in a research library.

Reid, Chris. “Guest Post — Your Next Reader Is a Machine, and We Are Ready”. The Scholarly Kitchen, Society for Scholarly Publishing, 21 de agosto de 2026. Artículo original en The Scholarly Kitchen

El artículo sostiene que la próxima revolución de la comunicación científica no consistirá únicamente en que los investigadores utilicen IA para buscar artículos, sino en que los propios agentes de IA se conviertan en grandes consumidores, intérpretes y mediadores de la literatura académica. Esto obliga a replantear la publicación científica desde sus cimientos: metadatos, APIs, identificadores, licencias, interoperabilidad, descubrimiento, métricas, derechos de acceso y preservación. La gran oportunidad para editores, bibliotecas y proveedores de información consiste en prepararse para ese nuevo ecosistema; el riesgo es que los contenidos sean absorbidos por sistemas de IA sin una adecuada atribución, compensación, medición o control.

la cantidad de información producida en el mundo ha alcanzado una escala que ningún ser humano puede leer, procesar o siquiera abarcar. El autor estima que durante 2026 se producirán alrededor de 220 zettabytes de contenido y recuerda que el problema de la sobrecarga informativa no es nuevo: ya en 1845 los científicos advertían de la imposibilidad de mantenerse al día con toda la literatura disponible. La diferencia actual es la velocidad con la que crece la producción científica y documental. Cada año aparecen millones de artículos, preprints, conjuntos de datos, protocolos y materiales suplementarios, haciendo que el principal problema de la comunicación académica deje de ser únicamente el acceso a la información y pase a ser la capacidad de prestar atención a ella.

En este contexto, Chris Reid plantea una afirmación especialmente relevante: los seres humanos dejarán progresivamente de ser los principales lectores de la literatura científica y serán los agentes de inteligencia artificial quienes procesen la mayor parte de ella. Un investigador podrá pedir a un agente que analice cientos de artículos, compare resultados, identifique tendencias y prepare una síntesis adaptada a una determinada pregunta. Para el autor, esto no debería interpretarse necesariamente como una amenaza para los editores científicos, sino como la evolución lógica de décadas de trabajo destinado a conseguir que la información científica sea legible y procesable por máquinas. La cuestión central será, por tanto, diseñar una infraestructura científica preparada no solo para lectores humanos, sino también para lectores no humanos.

Aquí adquieren especial importancia los principios FAIR —Findable, Accessible, Interoperable, Reusable— establecidos en 2016. Reid sostiene que estos principios ya contenían, en buena medida, el modelo necesario para la era de los agentes de IA: contenidos identificables, accesibles, interoperables y reutilizables por sistemas computacionales. Los identificadores persistentes, los metadatos estructurados, los vocabularios controlados y otros estándares desarrollados durante años en la comunicación científica constituyen ahora una infraestructura fundamental para que las máquinas puedan localizar, interpretar, relacionar y reutilizar documentos científicos. La IA, desde esta perspectiva, no rompe completamente con la evolución anterior de la publicación académica, sino que lleva hasta sus últimas consecuencias la transformación de la información científica en datos procesables por máquinas.

El artículo plantea también un cambio importante en la concepción de las plataformas editoriales. La página web tradicional está diseñada para seres humanos, pero un agente de IA no necesita menús, banners de cookies, carruseles de artículos relacionados, formularios de suscripción ni otros elementos propios de la experiencia web convencional. Lo que necesita es contenido estructurado, identificadores estables, información sobre derechos y licencias y mecanismos predecibles para solicitar exactamente la información que necesita. Por ello, Reid propone avanzar hacia arquitecturas de gestión de contenidos headless o «multicabeza», en las que el contenido se mantiene en un núcleo estructurado y puede distribuirse mediante diferentes superficies: páginas web para humanos, APIs y feeds para sistemas informáticos y nuevas interfaces destinadas directamente a agentes de IA, como las basadas en Model Context Protocol (MCP).

Este planteamiento tiene una consecuencia especialmente significativa para bibliotecas, repositorios y sistemas de descubrimiento. La literatura científica ya se distribuye actualmente a través de múltiples canales —PubMed Central, servicios de indización, sistemas de descubrimiento, Google Scholar, agregadores, ResearchGate, etc.— y el acceso mediante agentes de IA sería una nueva superficie de distribución. El objetivo sería mantener una única fuente estructurada del contenido y permitir que diferentes lectores, humanos o máquinas, accedan a la versión registrada y fiable de la publicación. En este escenario, los metadatos, los identificadores persistentes, las ontologías, los vocabularios controlados y la interoperabilidad dejan de ser cuestiones puramente técnicas y pasan a convertirse en infraestructuras esenciales para la visibilidad de la producción científica en la era de la IA.

Sin embargo, Reid advierte que la transformación plantea problemas mucho más complejos que los puramente tecnológicos. Identifica tres grandes cuestiones: atribución, compensación y gobernanza. La primera pregunta es cómo garantizar que cuando un agente utilice un artículo para generar una respuesta, el investigador pueda saber de dónde procede la información y el trabajo original siga siendo reconocido y citado. La segunda afecta a la remuneración: si el consumo de contenidos mediante máquinas sustituye progresivamente a las descargas y lecturas humanas, los modelos actuales de licencias y medición tendrán que adaptarse. La tercera es la gobernanza: los editores deberán decidir qué agentes pueden acceder a sus contenidos, bajo qué condiciones y cómo expresar esas condiciones de manera que puedan ser interpretadas automáticamente por las máquinas.

A estas tres dimensiones se añade una cuarta cuestión señalada en los comentarios al artículo: la medición. Si un agente de IA se sitúa entre el contenido científico y el usuario, resulta mucho más difícil determinar qué documentos fueron realmente consultados, cuánto contenido fue procesado y qué impacto tuvo cada publicación. Las métricas tradicionales de uso pueden dejar de reflejar adecuadamente el consumo real de información científica. Por ello, será necesario desarrollar nuevas formas de contabilizar y comprender el uso mediado por IA.

En definitiva, si durante siglos el objetivo fue hacer que la información científica fuera legible para las personas, ahora el desafío es conseguir que sea también comprensible, descubrible, verificable y reutilizable por las máquinas.

Las escuelas empiezan a enseñar alfabetización en IA para que los alumnos aprendan a desconfiar de los chatbots

Gecker, Jocelyn; Bynum, Russ. “Schools are starting to teach AI literacy. For many, that means helping kids see chatbots’ flaws”. Associated Press, 21 de agosto de 2026. Artículo original en AP News

Las escuelas estadounidenses están pasando progresivamente de intentar prohibir la inteligencia artificial a enseñar a los estudiantes a utilizarla de manera crítica y responsable. El concepto de alfabetización en IA está adquiriendo protagonismo al comienzo del nuevo curso escolar, ante la constatación de que los alumnos ya utilizan herramientas como los chatbots para realizar trabajos académicos, pero en muchos casos lo hacen sin formación específica.

La nueva estrategia consiste en familiarizar a los estudiantes con las posibilidades de la IA, pero también con sus limitaciones, errores, sesgos y riesgos. Una de las demostraciones utilizadas en Charleston (Carolina del Sur) consiste en pedir a un sistema de IA que genere un mapa del mundo: el resultado contiene numerosos países mal escritos o directamente inventados, lo que permite mostrar de forma muy gráfica por qué no se debe confiar ciegamente en las respuestas de un chatbot.

El artículo destaca que la alfabetización en IA no debería reducirse a aprender a utilizar una herramienta o a perfeccionar los prompts. Su objetivo es desarrollar una competencia crítica más amplia, que incluya comprender cómo funciona la IA, reconocer las llamadas alucinaciones —respuestas falsas presentadas con aparente seguridad—, identificar sesgos, proteger los datos personales y verificar las informaciones obtenidas. En Charleston, por ejemplo, la formación destinada a estudiantes plantea situaciones habituales como pedir a un chatbot ayuda para elaborar un trabajo de investigación y muestra cómo puede proporcionar referencias inexistentes o información incorrecta. La recomendación fundamental es comprobar siempre los datos generados por IA, especialmente cuando se utilizan para actividades académicas.

La experiencia de Charleston refleja un movimiento más amplio en Estados Unidos. 37 estados han publicado ya orientaciones oficiales sobre el uso de la IA en educación, aunque existen grandes diferencias entre territorios y distritos escolares. El distrito escolar del condado de Charleston, con unos 50.000 estudiantes, ha desarrollado su propia política después de consultar a profesores, alumnos y familias. El proceso reveló que el uso de IA entre los estudiantes estaba muy extendido, pero carecía de orientación suficiente. Por ello, el distrito ha comenzado una segunda fase centrada en formar tanto a profesores como a estudiantes de secundaria en el funcionamiento, las posibilidades y los riesgos de estas tecnologías.

El caso de Utah aparece como uno de los modelos más avanzados de una estrategia coordinada a escala estatal. En 2024 creó un puesto específico de especialista en educación e IA y, durante el último año, se ha formado a más de 7.000 docentes, aproximadamente un tercio del profesorado público del estado. La formación aborda conceptos como el funcionamiento de los sistemas de IA, los sesgos, las alucinaciones, las cuestiones éticas y la privacidad de los datos. Además, el estado ha negociado acuerdos de privacidad y precios de las herramientas, facilitando el acceso de centros rurales y con menos recursos. Otros estados, como Maine, Virginia Occidental y Georgia, han creado posteriormente puestos similares.

Una de las principales conclusiones del artículo es que la alfabetización en IA no significa enseñar a los alumnos simplemente a utilizar ChatGPT o cualquier otra herramienta generativa, sino enseñarles también cuándo no deben utilizarla. El reto educativo consiste en evitar dos extremos: prohibir una tecnología que los estudiantes ya utilizan habitualmente o permitir que los alumnos deleguen en ella su capacidad de razonamiento. Los educadores entrevistados defienden que el estudiante debe ser capaz de analizar, cuestionar y verificar una respuesta generada por IA en lugar de aceptarla automáticamente. En este sentido, la IA se presenta no solo como una nueva herramienta tecnológica, sino como un desafío para la enseñanza del pensamiento crítico, la autonomía intelectual y la competencia informacional.

El artículo también advierte de una posible brecha educativa en alfabetización en IA. La formación requiere inversiones importantes y los distritos con menos recursos pueden tener mayores dificultades para proporcionar capacitación tanto a profesores como a estudiantes. La experiencia de Utah intenta reducir esta desigualdad mediante formación accesible y centralizada. En última instancia, la cuestión no parece ser si los jóvenes utilizarán inteligencia artificial, sino cómo aprenderán a convivir con ella sin delegar completamente en los algoritmos su capacidad para pensar, investigar y tomar decisiones.

Amazon está comprando libros raros para escanearlos y utilizarlos en el entrenamiento de IA

404 Media. “We Tracked a Shipment of Rare Books. It Ended at an Amazon AI Training Facility”. Agosto de 2026. Artículo original en 404 Media

La investigación revela una nueva dimensión de la carrera por conseguir datos de entrenamiento para la inteligencia artificial. Las empresas tecnológicas están recurriendo a libros físicos porque contienen grandes cantidades de lenguaje humano y porque algunos de esos contenidos no se encuentran fácilmente en Internet.

Una investigación de 404 Media ha seguido el recorrido de un envío de aproximadamente 1.000 libros usados y raros adquirido por Amazon y ha descubierto que el cargamento terminó en una instalación de la compañía en Las Vegas dedicada a la digitalización de libros. Para comprobar el destino, los periodistas colaboraron con un vendedor de libros usados y colocaron un Apple AirTag dentro de uno de los ejemplares. El dispositivo permitió seguir el libro mientras atravesaba distintos puntos de Estados Unidos hasta llegar finalmente a una instalación de Amazon. Allí, según la investigación, un equipo identificado como VGT3 recibe grandes cantidades de libros físicos, les corta el lomo, separa las páginas y las prepara para ser escaneadas rápidamente. El procedimiento destruye el ejemplar físico, que ya no puede ser reconstruido en su forma original. 

La operación tiene especial interés porque los libros impresos se han convertido en una fuente atractiva de datos para entrenar sistemas de inteligencia artificial. A diferencia de buena parte de los contenidos disponibles actualmente en Internet, los libros publicados antes de la expansión de la IA generativa contienen predominantemente textos creados por seres humanos y, por tanto, ofrecen a las empresas tecnológicas un corpus potencialmente valioso para entrenar modelos sin incorporar grandes cantidades de contenido generado artificialmente. Además, numerosos libros antiguos, académicos, técnicos o publicados en pequeñas tiradas no están disponibles en formato digital, por lo que la única manera de convertirlos en datos procesables por una IA puede ser adquirir físicamente los ejemplares y digitalizarlos. La investigación apunta a que Amazon está participando activamente en este proceso mediante la compra masiva de libros a través de canales comerciales. 

Uno de los aspectos más llamativos es que algunos de los ejemplares adquiridos son libros poco frecuentes o difíciles de encontrar, aunque esto no significa necesariamente que tengan un elevado valor económico en el mercado de segunda mano. En el caso investigado, 404 Media no ha revelado los títulos concretos, pero explica que el concepto de «raro» hace referencia a obras de las que quedan muy pocos ejemplares disponibles, incluidos libros publicados originalmente en tiradas reducidas o escritos en idiomas con pocos hablantes. Para los vendedores de libros usados, la destrucción de estos ejemplares plantea una preocupación que va más allá de su precio comercial: un libro puede tener poco valor económico y, al mismo tiempo, poseer un importante valor histórico, cultural o documental. La digitalización puede preservar su contenido, pero la desaparición del objeto físico supone una pérdida para coleccionistas, bibliotecas e investigadores interesados en la materialidad de la obra. 

Amazon no ha negado que compre libros con esta finalidad. Un portavoz de la compañía explicó a 404 Media que Amazon adquiere libros a través de canales comerciales para contribuir al desarrollo y mejora de sus productos y servicios. Sin embargo, la compañía no proporcionó detalles completos sobre la magnitud de estas operaciones ni sobre qué modelos concretos se entrenan con los materiales digitalizados. La investigación resulta especialmente significativa porque muestra una parte poco visible de la infraestructura de la IA: detrás de los grandes modelos lingüísticos no solo existen centros de datos, chips y enormes cantidades de información digital, sino también redes de adquisición, transporte, almacenamiento y digitalización de materiales físicos. El entrenamiento de la IA está generando así una nueva demanda de documentos que durante décadas habían permanecido exclusivamente en formato papel. 

Amazon no es la única empresa que estaría recurriendo a esta estrategia. El artículo recuerda que Anthropic adquirió millones de libros físicos para obtener datos de entrenamiento para Claude, utilizando también procesos de corte de los lomos, escaneado de las páginas y posterior eliminación de los originales. Esta práctica ha generado preocupación en el sector del libro usado porque introduce un nuevo competidor con una capacidad financiera enorme: empresas tecnológicas que pueden comprar grandes cantidades de ejemplares no necesariamente para leerlos o conservarlos, sino para transformarlos en datos digitales. La consecuencia potencial es que determinados libros escasos puedan desaparecer físicamente del mercado a medida que son adquiridos y destruidos para su digitalización. 

El fenómeno plantea además importantes cuestiones sobre derechos de autor y uso de obras protegidas para entrenar inteligencia artificial. Comprar legalmente un ejemplar físico no equivale necesariamente a tener libertad absoluta para copiar, digitalizar y utilizar su contenido con cualquier finalidad. Precisamente por ello, la utilización masiva de libros como corpus de entrenamiento se encuentra en el centro de numerosos debates jurídicos entre autores, editoriales y empresas tecnológicas. El caso resulta especialmente interesante porque la adquisición de ejemplares físicos puede constituir una forma de acceder a obras que no están disponibles digitalmente, pero el proceso posterior —cortar, escanear, almacenar y utilizar millones de páginas como datos de entrenamiento— abre preguntas diferentes sobre reproducción, transformación y explotación comercial. La digitalización de una colección también modifica radicalmente la escala: lo que una biblioteca puede hacer para preservar una obra y facilitar su consulta no es necesariamente equivalente a lo que una compañía puede hacer con millones de libros para desarrollar productos comerciales de IA. 

Para las bibliotecas y el patrimonio bibliográfico, el caso resulta particularmente relevante. Los libros que Amazon o Anthropic adquieren pueden ser precisamente aquellos que presentan dificultades para su preservación digital: ediciones agotadas, obras de pequeñas editoriales, publicaciones locales, literatura en lenguas minoritarias o documentos con escasa presencia en Internet. La paradoja es que la inteligencia artificial puede contribuir a rescatar y hacer accesible digitalmente una enorme cantidad de conocimiento, pero el método utilizado para conseguirlo puede destruir los originales físicos. Esto plantea una reflexión importante sobre el valor de la preservación: digitalizar un libro garantiza la supervivencia de su contenido textual, pero no necesariamente conserva su materialidad, su encuadernación, sus anotaciones, sus características editoriales o la información histórica que contiene el propio objeto. Para las bibliotecas patrimoniales, por tanto, el libro físico continúa teniendo un valor que no puede reducirse al texto que contiene. 

El resultado es una situación paradójica: la IA puede estar contribuyendo a digitalizar y preservar enormes cantidades de conocimiento, pero también puede provocar la desaparición física de ejemplares únicos o escasos. El caso de Amazon plantea así preguntas fundamentales para bibliotecas, editoriales y responsables de patrimonio: ¿qué libros deberían preservarse físicamente?, ¿quién decide qué ejemplares pueden destruirse?, ¿debe compensarse a autores y editores por el uso de estos materiales para entrenar IA? y ¿cómo garantizar que la digitalización para inteligencia artificial no termine convirtiéndose en una nueva forma de pérdida del patrimonio bibliográfico?

La inteligencia artificial sume a la industria editorial en una crisis de autoría y confianza

Silman, Anna. “AI Has Plunged the Book Publishing Industry Into Utter Chaos”. The Wall Street Journal, 17 de agosto de 2026. Artículo original en The Wall Street Journal

La irrupción de la inteligencia artificial generativa está provocando una crisis de confianza en la industria editorial, especialmente alrededor de una pregunta aparentemente sencilla pero cada vez más difícil de responder: ¿quién ha escrito realmente un libro?

El Wall Street Journal analiza una sucesión de casos recientes en los que contratos editoriales importantes han sido cancelados o cuestionados después de que surgieran sospechas sobre el uso de IA. Uno de los ejemplos más llamativos es el de Jerry Falade, cuyo debut literario, Call Me, I’ll Hide the Body, había conseguido un contrato de varios millones de dólares antes de que sus agentes decidieran retirarlo porque no podían verificar que el manuscrito hubiera sido escrito íntegramente por él. Falade niega haber utilizado IA para escribir la novela y considera que las acusaciones tienen un componente racial. El caso ilustra hasta qué punto la mera sospecha puede tener ya consecuencias profesionales y económicas importantes.

El problema se extiende a otros títulos. En marzo, Hachette canceló la publicación estadounidense de Shy Girl, de Mia Ballard, después de acusaciones de utilización de IA. La autora negó haber empleado directamente estas herramientas para escribir la novela y explicó que una persona conocida había utilizado IA durante el proceso de edición. También ha surgido controversia alrededor de Daggermouth, una novela autopublicada que alcanzó posiciones destacadas en las listas de ventas y cuyos derechos fueron adquiridos por Simon & Schuster. Un estudio todavía no revisado por pares señaló indicios de utilización sustancial de IA, aunque la autora lo niega y la editorial ha defendido públicamente su trabajo, señalando además que los detectores de IA pueden producir falsos positivos. El artículo muestra así una paradoja: la industria necesita mecanismos para detectar contenidos generados artificialmente, pero las herramientas disponibles tampoco son suficientemente fiables como para convertirse en una prueba definitiva de autoría.

La situación está obligando a replantear la relación entre autores, agentes y editoriales. Tradicionalmente, el sistema editorial se ha basado en un principio de confianza: el autor declara que la obra es original y el editor confía en esa declaración, del mismo modo que confía en la exactitud de la información proporcionada en una obra de no ficción. La IA introduce una incertidumbre nueva porque resulta mucho más difícil determinar, únicamente a partir del texto final, cómo ha sido producido. Un escritor puede utilizar un modelo para generar un párrafo completo, para corregir el estilo, para traducir, para investigar, para desarrollar una estructura o simplemente para buscar ideas. Entre estos usos existen diferencias sustanciales, pero la industria carece todavía de estándares consensuados que permitan establecer dónde termina la asistencia tecnológica y comienza la autoría de la máquina.

Esta incertidumbre también afecta a los contratos editoriales. Algunas editoriales están considerando incorporar cláusulas específicas sobre inteligencia artificial, mientras que otras prefieren no establecer todavía reglas demasiado rígidas porque la tecnología evoluciona rápidamente y los usos aceptables pueden cambiar en poco tiempo. Las grandes editoriales —Simon & Schuster, Penguin Random House, HarperCollins, Hachette y Macmillan— se encuentran además en una posición contradictoria: por un lado, defienden la creatividad humana y se enfrentan a controversias relacionadas con el entrenamiento de modelos de IA mediante obras protegidas por derechos de autor; por otro, reconocen que la inteligencia artificial puede tener aplicaciones económicas y prácticas en diferentes fases del proceso editorial. Penguin Random House, por ejemplo, sostiene que la IA puede apoyar determinados procesos, pero no sustituir a los autores ni el criterio humano que interviene en la creación de los libros.

El fenómeno también está relacionado con la explosión de la autopublicación y la denominada “AI slop”, es decir, una producción masiva de contenidos de baja calidad generados o asistidos por inteligencia artificial. El atractivo económico es evidente: producir un libro resulta mucho más rápido y barato cuando una máquina puede generar grandes cantidades de texto. El problema es que el mercado editorial puede verse inundado de títulos que compiten por la atención de los lectores y dificultan la visibilidad de las obras creadas mediante procesos humanos. El artículo cita estimaciones según las cuales una proporción significativa de los libros electrónicos publicados en Amazon podría contener algún grado de asistencia de IA. Al mismo tiempo, las editoriales y plataformas tienen dificultades para distinguir entre una utilización legítima de estas herramientas y la producción industrial de libros prácticamente automatizados.

Otro problema importante es el uso de detectores de inteligencia artificial. Estas herramientas pretenden identificar patrones lingüísticos característicos de los textos generados por modelos de lenguaje, pero su fiabilidad está siendo cuestionada. Un resultado positivo no demuestra necesariamente que un libro haya sido escrito por una IA y puede perjudicar injustamente a un autor humano. El caso de Daggermouth demuestra esta dificultad: la investigación que detectó indicios de IA todavía no había sido revisada por pares y la editorial rechazó la idea de utilizar un detector como prueba definitiva. La industria se encuentra, por tanto, ante un dilema complicado: necesita mecanismos para protegerse frente al fraude y la producción masiva automatizada, pero no puede sustituir el juicio editorial por una puntuación algorítmica que también puede equivocarse.

La controversia alcanza asimismo a la propiedad intelectual. El texto recuerda que el contenido generado exclusivamente por IA no disfruta en Estados Unidos de la misma protección de copyright que una obra creada por una persona. Esto proporciona a las editoriales un criterio relativamente claro en uno de los extremos del problema: copiar directamente grandes cantidades de texto generado por un chatbot no constituye una vía segura para reclamar autoría humana. Sin embargo, existe una enorme zona gris entre la generación automática y la creación humana asistida por herramientas de IA. ¿Es diferente utilizar IA para desarrollar un esquema que para reescribir capítulos? ¿Y para traducir, investigar o corregir? ¿Cuánta intervención humana es necesaria para que una obra pueda considerarse propiamente del autor? El sector todavía no dispone de respuestas uniformes.

El artículo destaca finalmente que los agentes literarios están convirtiéndose involuntariamente en policías de la IA. Algunos reciben un número creciente de manuscritos que parecen haber sido generados mediante modelos de lenguaje y otros han empezado a establecer políticas internas mucho más estrictas. Hay agentes que rechazan a autores que utilizan IA incluso para tareas de investigación o inspiración, mientras que otros intentan establecer diferencias entre usos auxiliares y generación directa de contenido. Esta situación genera una considerable inseguridad entre los escritores: pueden dedicar años a una obra y después temer que el uso ocasional de una herramienta tecnológica sea interpretado como una violación de las reglas editoriales. La ausencia de normas comunes hace que las decisiones dependan en gran medida de cada agente, editor o editorial.

En definitiva, la inteligencia artificial está obligando al sector editorial a redefinir qué significa ser autor y cómo se acredita la autoría. La cuestión ya no se limita a impedir que las máquinas escriban libros, sino a establecer reglas claras sobre qué usos de la IA son compatibles con la creación literaria, cómo deben declararse y cómo pueden verificarse. La industria del libro se ha construido históricamente sobre la confianza entre escritores, agentes, editores y lectores; la IA pone a prueba ese modelo porque dificulta comprobar el proceso que existe detrás del texto final. El desafío será encontrar un equilibrio que proteja la creatividad humana sin prohibir usos legítimos de la tecnología y, al mismo tiempo, evite que los detectores imperfectos o las sospechas sin pruebas destruyan la reputación de autores. La verdadera crisis no es solamente que la IA pueda escribir libros, sino que cada vez resulte más difícil saber quién los ha escrito y cuánto podemos confiar en lo que compramos y leemos.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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