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.

La autocitación también hace crecer la ciencia: por qué no debería penalizarse automáticamente

Starominski-Uehara, Marvin. “Self-Citation Is How Fields Grow.” The Scholarly Kitchen, 20 de agosto de 2026.
Artículo original en The Scholarly Kitchen

Se cuestiona la visión tradicional de la autocitación como una práctica esencialmente sospechosa destinada a inflar artificialmente los indicadores bibliométricos. El autor sostiene que citar trabajos propios no implica necesariamente manipulación y que, especialmente en campos científicos emergentes, puede constituir una forma legítima de construir y consolidar una línea de investigación.

La reflexión parte de un estudio publicado en Society sobre los patrones de autocitación en un campo interdisciplinar emergente denominado human stigmergy. El análisis encuentra que las autocitas son un predictor estadísticamente significativo de las citas posteriores procedentes de autores no vinculados con los investigadores originales, mientras que las referencias a trabajos ajenos no mostraron una relación significativa con esos resultados.

El estudio analizó 1.289 fuentes en nueve idiomas, seleccionando finalmente 42 artículos que cumplían los criterios establecidos. La regresión estadística encontró que cada autocitación adicional estaba asociada con aproximadamente 11 citas adicionales procedentes de autores independientes. El efecto se mantenía incluso después de eliminar de los resultados las autocitas posteriores de los propios autores, lo que reduce la posibilidad de que el resultado se explique simplemente porque quienes se autocitan mucho continúan citándose a sí mismos. No obstante, el propio autor advierte que el modelo explica únicamente el 19,3 % de la variación en los resultados de citación, por lo que la mayor parte de las diferencias depende de otros factores.

Aquí aparece uno de los aspectos más interesantes del artículo: la autocitación podría ser más un indicador de una trayectoria científica consolidada que una causa directa del impacto. Los investigadores que tienen una producción científica extensa y coherente disponen naturalmente de más trabajos anteriores que citar. Al mismo tiempo, suelen llevar más tiempo trabajando en un área, haber publicado en revistas de mayor visibilidad y haber desarrollado redes académicas más amplias. Factores como el prestigio de la revista, la reputación del autor, la institución de procedencia, las tendencias temáticas y las redes sociales de investigación pueden explicar buena parte de las citas posteriores. Por ello, penalizar automáticamente las autocitas puede confundir una característica propia de la construcción acumulativa del conocimiento con una práctica de manipulación.

El autor utiliza como marco conceptual la teoría de la estigmergia desarrollada por el biólogo francés Pierre-Paul Grassé para explicar cómo las colonias de termitas pueden construir estructuras complejas sin una dirección centralizada. Cada modificación realizada por un individuo sobre la estructura se convierte en un estímulo para las acciones posteriores de otros individuos. Aplicada a la ciencia, la analogía plantea que los investigadores también construyen progresivamente sobre sus propias contribuciones anteriores. Una autocitación puede representar, por tanto, la continuidad de un programa intelectual y proporcionar a otros investigadores un marco acumulativo sobre el que seguir trabajando.

Los datos descriptivos refuerzan esta interpretación. En los diez artículos más citados de la muestra, las tasas de autocitación oscilaron entre el 1,1 % y el 41,1 %. Los trabajos con mayores niveles de autocitación tendieron a presentar vidas de citación más prolongadas, mientras que aquellos con niveles inferiores mostraron con mayor frecuencia picos de citas más concentrados y una caída posterior. Además, los artículos teóricos fundacionales parecían beneficiarse más de la autocitación que los estudios aplicados, algo que el autor considera lógico porque la construcción de un marco teórico amplio suele implicar una acumulación progresiva de trabajos previos del propio investigador.

La conclusión no es que toda autocitación sea positiva ni que deba desaparecer cualquier mecanismo de control bibliométrico. El propio artículo reconoce que existen prácticas abusivas de autopromoción, manipulación de indicadores y redes de citación que justifican la vigilancia. El problema está en convertir esa realidad en una penalización generalizada. En campos emergentes, especialidades muy pequeñas o investigaciones que desarrollan programas teóricos coherentes, una tasa relativamente elevada de autocitación puede ser perfectamente legítima y reflejar el proceso normal mediante el cual se construye una tradición científica.

En definitiva, el artículo plantea una cuestión importante para la evaluación de la investigación y la bibliometría: eliminar automáticamente las autocitas de los indicadores puede proporcionar una imagen incompleta del impacto científico. La autocitación no debería interpretarse por sí sola como evidencia de mala praxis, sino analizarse en su contexto, diferenciando entre autocitación legítima, construcción acumulativa de conocimiento y manipulación deliberada de métricas. Para la evaluación científica, esto supone pasar de una lógica de simple conteo y penalización a una interpretación más cualitativa de cómo se forman y evolucionan las comunidades y campos de investigación.

Libros que ya no se leen, una internet que ya no se usa y el fin de las redes sociales tal como las conocemos…

Levesque, Ryan. “The Shape of Enshittification: Books That No Longer Get Read, An Internet That No Longer Gets Surfed, & The End of Social Media As We Know It…” The Digital Contrarian, Substack, 16 de junio de 2026. https://thedigitalcontrarian.substack.com/p/the-shape-of-enshittification-104

El artículo plantea que la verdadera amenaza de la IA no es simplemente que produzca contenido mediocre, sino que pueda contribuir a crear un ecosistema en el que libros, Internet, redes sociales y hasta nuestras conversaciones estén cada vez más mediados por máquinas. Frente a esa abundancia de contenido sintético, Levesque reivindica el valor creciente de lo humano: criterio, experiencia, originalidad, conversación, creatividad y capacidad para distinguir información de conocimiento.

Ryan Levesque parte del concepto de “enshittification”, popularizado por Cory Doctorow para describir el progresivo deterioro de las plataformas digitales cuando los intereses comerciales terminan imponiéndose sobre la experiencia de los usuarios. Su tesis es que este fenómeno está adquiriendo una nueva dimensión con la inteligencia artificial: no solo se deterioran las plataformas, sino que cada vez más contenidos de Internet, libros y conversaciones están siendo producidos, filtrados o mediados por sistemas de IA. El resultado podría ser un ecosistema digital abundante en información pero progresivamente pobre en autenticidad, diversidad y contacto humano.

El artículo comienza con una investigación realizada por investigadores de la Universidad de Maryland y Google DeepMind, que analizó 61.608 historias generadas a partir de 10.272 propuestas, comparando textos humanos con producciones de cinco modelos de IA. Según Levesque, el análisis de la estructura narrativa permitió distinguir textos humanos de textos generados por IA con una precisión cercana al 93 %. Identifica cinco rasgos característicos del denominado AI slop: la IA tiende a explicar demasiado los temas en lugar de permitir que el lector los interprete, utiliza estructuras más lineales, recurre con mayor frecuencia a metáforas corporales para expresar emociones, hace menos referencias concretas a lugares, marcas o textos y produce narrativas menos diversas.

A partir de ahí, Levesque conecta el fenómeno con una sensación más amplia de que “nada parece real”. Recupera la distinción popular entre trabajo asociado al pensamiento analítico y trabajo relacionado con significado, creatividad, belleza y experiencia, para argumentar que la sociedad digital ha privilegiado cada vez más la medición, optimización y automatización. Aplicamos aplicaciones para conseguir conexión, métricas para medir la felicidad y sistemas para organizar incluso aquello que tradicionalmente pertenecía al ámbito de la experiencia humana. Según su argumento, obtenemos resultados funcionales pero no necesariamente auténticos: un entorno diseñado para captar nuestra atención y proporcionarnos pequeñas dosis de recompensa, pero que puede terminar generando sensación de vacío.

Uno de los ámbitos donde Levesque observa con mayor claridad esta evolución es las redes sociales. Propone un ciclo de cinco etapas: nacimiento de una comunidad, crecimiento, llegada a una masa crítica, enshittification y finalmente declive. En la cuarta fase, el modelo de negocio comienza a dominar la experiencia del producto, aumenta la publicidad y el contenido se vuelve cada vez más homogéneo; finalmente, los usuarios que hicieron atractiva la plataforma comienzan a marcharse. El autor considera que muchas redes sociales se encuentran actualmente en las fases cuatro o cinco. La incorporación masiva de contenido generado por IA añade otro problema: cada vez resulta más difícil saber si detrás de una publicación, una interacción o un comentario existe realmente otra persona.

Esta transformación afecta especialmente al valor de la comunicación social. Si publicamos para ser vistos por otras personas y una parte creciente de quienes leen, comentan o interactúan son sistemas automatizados, bots o contenidos generados por IA, el incentivo para participar en las redes cambia radicalmente. Levesque observa además una migración desde la comunicación pública hacia espacios privados, como los grupos de WhatsApp o iMessage. Las redes sociales estarían convirtiéndose progresivamente en una especie de televisión digital, centrada en mantener la atención mediante vídeos breves, mientras la comunicación verdaderamente interpersonal se desplaza hacia espacios más cerrados.

El autor dedica también especial atención al futuro del libro. Utiliza como ejemplo los datos compartidos por Tim Ferriss, cuyos libros experimentaron descensos importantes de ventas: -5 % en 2023, -13 % en 2024, -46 % en 2025 y -57 % en 2026 respecto al año anterior. Levesque relaciona esta evolución con la popularización de ChatGPT y con el hecho de que los libros de tipo how-to, destinados principalmente a proporcionar instrucciones y procedimientos, compiten directamente con los chatbots. En lugar de comprar un libro para aprender a hacer algo, el usuario puede preguntar a una IA y obtener en segundos una respuesta adaptada a su situación.

Sin embargo, su conclusión no es que el libro esté muriendo, sino que está perdiendo valor un determinado tipo de libro. Según Levesque, la información fácilmente sistematizable puede ser absorbida por los chatbots, mientras que adquieren mayor valor las obras que aportan una perspectiva original, una idea poderosa, una experiencia personal, una historia única o una transformación intelectual. Es una distinción especialmente interesante: la IA abarata la información, pero podría aumentar el valor de la experiencia, la interpretación y la originalidad humana.

Otro de los argumentos centrales se refiere al Internet que leen las máquinas. Levesque advierte que si los usuarios dejan de navegar directamente por la Web y comienzan a consultar principalmente chatbots, los productores de contenidos tendrán incentivos para crear páginas destinadas no tanto a las personas como a los sistemas de IA que las rastrean. Utiliza como ejemplo contenidos comerciales de Shopify que sitúan a la propia empresa como la mejor plataforma de comercio electrónico. Si los chatbots utilizan esos contenidos como fuentes, una empresa podría influir indirectamente en las respuestas que reciben millones de usuarios. El riesgo es la aparición de una Web optimizada para ser consumida por algoritmos y no por seres humanos.

Finalmente, Levesque introduce una idea especialmente sugerente: el “message slop”, o basura generada por IA en las conversaciones personales. Describe una experiencia en la que sospechó que su interlocutor estaba utilizando ChatGPT o Claude para generar sus respuestas. La conversación aparentemente se producía entre dos personas, pero en realidad estaba mediada por una máquina. Para el autor, esto plantea una cuestión fundamental: si empezamos a delegar incluso la expresión de nuestros pensamientos y emociones en una IA, podemos terminar perdiendo una parte de la espontaneidad y autenticidad que caracteriza a la comunicación humana.

El artículo termina con una perspectiva relativamente optimista: cuanto más fácil sea fabricar algo artificial, mayor puede ser el valor de aquello que no puede falsificarse fácilmente. Levesque identifica tres tipos de trabajo que podrían adquirir especial relevancia: quienes sepan coordinar sistemas de IA y agentes, los trabajos manuales y creativos ligados al mundo físico, y las actividades humanas en las que resulten esenciales la confianza, el criterio y la relación interpersonal. Su conclusión es que, en un mundo inundado de contenido artificial, lo auténtico, singular y humano podría convertirse precisamente en el recurso más escaso y valioso.

La IA ya forma parte de la vida universitaria

Brand, Louie; Berka, Alex; Spies, Maria. Generative AI in Higher Education: Academic and Student Perspectives. QS, 15 de junio de 2026. Informe completo de QS

El informe de QS (Quacquarelli Symonds) analiza cómo estudiantes y académicos están utilizando y valorando la inteligencia artificial generativa en la educación superior. Sus resultados muestran que la IA ha dejado de ser una tecnología emergente para convertirse en una herramienta integrada en la actividad universitaria cotidiana.

El 67 % de los académicos y el 62 % de los estudiantes afirma utilizar herramientas de IA generativa al menos semanalmente para actividades relacionadas con la enseñanza, la investigación, el estudio o tareas administrativas. Paralelamente, ha aumentado notablemente el grado de familiaridad con estas tecnologías: el 48 % de los académicos y el 53 % de los estudiantes se consideran muy o extremadamente familiarizados con la IA generativa.

La percepción general de la tecnología es también mayoritariamente positiva. El 74 % de los académicos y el 68 % de los estudiantes considera que la IA desempeña un papel algo o muy positivo en la sociedad. Entre los docentes, la IA se utiliza especialmente para redacción y edición de textos, preparación de clases, diseño de evaluaciones, generación de retroalimentación y síntesis de literatura científica. En el caso de los estudiantes, la utilización está vinculada fundamentalmente al aprendizaje, la elaboración de trabajos y la búsqueda o comprensión de información.

Uno de los resultados más significativos es que los estudiantes no parecen reclamar una prohibición de la IA, sino su integración formal en la enseñanza. El 94 % considera al menos algo importante que las universidades incorporen la IA generativa al currículo y a la experiencia de aprendizaje. Los estudiantes demandan formación práctica para aprender a utilizar estas herramientas de manera profesional y ética, así como normas institucionales claras que determinen qué usos son aceptables y cuáles no. El informe identifica, por tanto, una oportunidad para que las universidades pasen de una política basada principalmente en restricciones a otra centrada en la alfabetización en IA y el uso responsable.

La evaluación y la integridad académica constituyen uno de los principales desafíos. El 24 % de los estudiantes declara utilizar IA para ayudarles en la redacción de ensayos, mientras que el 30 % considera que las universidades deberían diseñar evaluaciones que sean más difíciles de realizar exclusivamente mediante herramientas de IA. El problema ya no consiste simplemente en detectar si un texto ha sido generado artificialmente, sino en replantear las formas de evaluación para comprobar realmente el aprendizaje, el razonamiento y las competencias del estudiante.

Desde la perspectiva institucional, los principales obstáculos señalados por los académicos son las cuestiones éticas, la seguridad de los datos y la ausencia de estrategias y mecanismos de gobernanza suficientemente desarrollados. El informe destaca que estudiantes y profesores coinciden en la necesidad de disponer de políticas transparentes, formación específica y orientaciones sobre el uso profesional y ético de la IA. Los estudiantes, en particular, parecen favorecer una flexibilidad responsable: quieren poder utilizar estas herramientas siempre que su utilización sea transparente y se declare adecuadamente.

En definitiva, el informe de QS plantea que el debate universitario ha entrado en una segunda etapa. La cuestión ya no es si la IA generativa debe estar presente en la universidad —porque ya lo está—, sino cómo incorporarla de manera pedagógica, ética y estratégica. La alfabetización en inteligencia artificial aparece así como una nueva competencia transversal de los graduados, junto con la capacidad para evaluar críticamente las respuestas de los sistemas, reconocer sus limitaciones, proteger los datos y utilizar la IA como herramienta de apoyo sin delegar en ella las capacidades intelectuales que la universidad pretende desarrollar.

El informe evidencia una brecha entre la rápida adopción de la IA por estudiantes y profesores y la capacidad de las universidades para proporcionar políticas, formación y sistemas de evaluación adaptados. El reto para las instituciones de educación superior ya no es decidir si permitir o prohibir la IA, sino formar a estudiantes y docentes para utilizarla de manera crítica, ética, transparente y académicamente responsable.

La inteligencia artificial generativa y la integridad científica: guía de la Office of Research Integrity de Estados Unidos

U.S. Department of Health and Human Services (HHS), Office of Research Integrity (ORI). Public Health Service Policies on Research Misconduct: 42 CFR Part 93 Guidance on Generative Artificial Intelligence.

Texto completo

Office of Research Integrity (ORI) del Departamento de Salud y Servicios Humanos de Estados Unidos ha publicado en agosto de 2026 una guía específica sobre el uso de inteligencia artificial generativa en el contexto de la investigación científica y las posibles conductas de mala conducta investigadora.

El documento está dirigido especialmente a las instituciones y entidades que reciben financiación del Public Health Service (PHS) para investigación biomédica o conductual. Su propósito es orientar la evaluación de posibles casos de mala conducta científica en los que intervengan herramientas de IA generativa, dentro del marco establecido por la normativa 42 CFR Part 93. La guía es de carácter no vinculante y, en caso de conflicto, prevalece la regulación federal.

El documento parte de una idea importante: el uso de IA generativa no constituye por sí mismo una conducta de mala conducta científica. Los investigadores y las instituciones deben aplicar, en términos generales, las mismas buenas prácticas que utilizarían cuando no interviene la IA. Sin embargo, la utilización de estas herramientas puede generar situaciones de fabricación, falsificación o plagio, por lo que resulta fundamental evaluar si su empleo supone una desviación significativa de las prácticas aceptadas por la comunidad científica correspondiente. Para ello, los comités de investigación deben analizar todas las evidencias disponibles y contar con expertos científicos en el área de investigación afectada; además, ORI considera útil incorporar especialistas en IA cuando sea necesario comprender las herramientas utilizadas.

Uno de los principios centrales de la guía es la transparencia en el uso de IA. ORI recomienda que los investigadores identifiquen las herramientas de IA generativa empleadas durante la investigación, la preparación de manuscritos o la elaboración de propuestas de financiación y que expliquen cómo fueron utilizadas. Esta información puede contribuir a la reproducibilidad de la investigación y también servir como elemento de defensa frente a determinadas acusaciones de mala conducta. No obstante, declarar el uso de IA no garantiza que dicho uso sea considerado legítimo: si la utilización de la herramienta contradice las prácticas aceptadas por la comunidad científica, puede seguir constituyendo evidencia de mala conducta. Asimismo, el uso de IA para generar o procesar datos debe ser cuidadosamente verificado.

La guía presta especial atención a los problemas de fabricación y falsificación de datos. Un investigador debe comprobar los resultados obtenidos mediante procesos que incorporen IA, ya que la generación o modificación no declarada de datos puede constituir fabricación o falsificación. ORI incluso señala que algunas tecnologías aparentemente rutinarias pueden incorporar procesos automáticos de alteración de imágenes, como ocurre con determinadas cámaras de teléfonos inteligentes. En estos casos, corresponde al investigador demostrar, cuando proceda, que la alteración fue consecuencia de un error honesto y no de una conducta intencionada, consciente o imprudente.

La IA se convierte en asistente habitual de los investigadores

AI for Science 2026: The State of AI Use among Researchers. Fudan University, Shanghai Academy of AI for Science & Nature Research Intelligence, 2026.

Texto completo

El informe muestra que la IA generativa ya está integrada en buena parte del trabajo cotidiano de los investigadores, aunque principalmente como herramienta de apoyo y no como sustituto del juicio científico. Su utilización se concentra especialmente en las primeras fases del proceso investigador: búsqueda y descubrimiento de información, exploración de literatura, redacción, edición y mejora de textos. Casi la mitad de los investigadores afirma utilizar IA con frecuencia para recopilar información y para mejorar o editar artículos.

El informe muestra que la inteligencia artificial está incorporándose rápidamente al trabajo cotidiano de los investigadores, aunque su utilización no es homogénea. La IA se emplea sobre todo en las fases exploratorias y generativas de la investigación, especialmente para recopilar información, descubrir literatura, planificar investigaciones y mejorar o editar artículos. El 43,8 % de los investigadores utiliza IA frecuente o muy frecuentemente para recopilar información y el 44,6 % para mejorar o editar artículos. En cambio, su utilización disminuye considerablemente cuando las tareas requieren evaluación, responsabilidad y juicio profesional.

Una de las principales conclusiones es que la IA actúa más como asistente que como sustituto del investigador. El uso es mucho menor en actividades como la revisión de artículos científicos o la toma de decisiones sobre la publicación. Solo el 23,5 % utiliza IA para revisar artículos y el 25,7 % para decisiones relacionadas con su presentación. Esto refleja que los investigadores siguen reservando para las personas aquellas tareas en las que son fundamentales el criterio experto, la responsabilidad profesional y la evaluación crítica.

Existe además una importante diferencia generacional. Los investigadores más jóvenes recurren a la IA con mayor frecuencia que los investigadores con más experiencia. Entre quienes llevan menos de tres años investigando, el 46,8 % utiliza frecuentemente IA para mejorar o editar artículos, frente al 36,1 % entre quienes acumulan 20 años o más de experiencia. Para la recopilación de información, las cifras son del 47,8 % y el 33,4 %, respectivamente. La diferencia se explica tanto por una mayor utilización entre los investigadores jóvenes como por una mayor resistencia de los investigadores sénior a utilizar estas herramientas.

En cuanto a las herramientas utilizadas, los modelos generalistas dominan claramente el panorama. Representan el 75,9 % de las menciones entre las tres herramientas de IA más utilizadas por los investigadores. ChatGPT aparece en primer lugar, con el 36,8 % de las menciones, seguido de Gemini, con el 19,4 %, y Claude, con el 6,5 %. Las herramientas específicas para escritura y edición representan el 7,2 %, mientras que las destinadas al descubrimiento de literatura y evidencias alcanzan el 5,6 %.

El informe también revela diferencias geográficas. El uso intensivo de IA para descubrir contenidos científicos es especialmente elevado en Asia oriental. En el conjunto de la muestra, el 5,7 % de los investigadores depende principalmente o exclusivamente de herramientas de IA para identificar investigaciones relevantes, pero entre los investigadores jóvenes la proporción llega al 21,2 % en Japón y al 15,2 % en China, frente al 5,7 % en Estados Unidos y el 8,9 % en Europa.

Otro aspecto significativo es la forma de financiación de estas herramientas. La mayoría de los investigadores accede a ellas de manera independiente: el 45,4 % utiliza principalmente herramientas gratuitas y el 41,3 % las paga personalmente. Solo el 11,1 % señala que su institución financia la licencia. Esto indica que la adopción de IA está avanzando más rápidamente que el establecimiento de políticas y sistemas institucionales de apoyo, formación y financiación.

La satisfacción con la IA es relativamente elevada cuando se utiliza para descubrir información científica. El 65,2 % de los investigadores se declara satisfecho o muy satisfecho con la ayuda que proporciona su herramienta principal para descubrir nuevos contenidos. Las razones principales son su capacidad para localizar fuentes relevantes y proporcionar referencias, además de la precisión de las respuestas y el incremento de la productividad.

Sin embargo, la confianza sigue siendo el principal problema. Las respuestas abiertas muestran que los investigadores valoran especialmente la posibilidad de aumentar la productividad, facilitar el descubrimiento de literatura y ampliar el acceso al conocimiento, pero manifiestan importantes preocupaciones sobre la fiabilidad de los resultados. Entre más de 7.500 respuestas abiertas, las alucinaciones y los problemas de exactitud acumularon 4.935 menciones, muy por encima de otros riesgos. También aparecen el temor a la pérdida de pensamiento crítico, mencionado 1.167 veces, y las preocupaciones relacionadas con la integridad de la investigación, con 702 menciones.

En definitiva, el estudio presenta una imagen de una investigación científica cada vez más asistida por IA, pero todavía lejos de una investigación autónoma. La IA está penetrando especialmente en la búsqueda y descubrimiento de información, la organización de ideas, la redacción y la edición, mientras que los investigadores mantienen un mayor control humano sobre la evaluación y las decisiones científicas. El gran reto que plantea el informe no es tanto conseguir que los investigadores utilicen IA —algo que ya está sucediendo— como garantizar que sepan utilizarla de forma crítica, verificable, ética y responsable, especialmente ante las alucinaciones, la pérdida potencial de pensamiento crítico, la integridad científica y la seguridad de los datos.

Dua Lipa abre en Oporto una biblioteca permanente dedicada a libros prohibidos y censurados

Ramm, Millie. “Dua Lipa Just Opened a Library of Banned Books Inside the World’s Most Beautiful Bookshop.” 1000 Libraries Magazine, 16 de agosto de 2026. Artículo original

El Manifesto Library representa un ejemplo llamativo de cómo una figura de la cultura popular puede utilizar su enorme capacidad de convocatoria para promover la lectura, la libertad intelectual y el debate sobre la censura. Más allá de la celebridad de Dua Lipa, el proyecto resulta interesante desde la perspectiva bibliotecaria porque recupera una función tradicional de las bibliotecas: garantizar el acceso a una pluralidad de voces y preservar aquellas obras que determinados poderes o instituciones han intentado silenciar.

La cantante Dua Lipa ha creado la Manifesto Library, una biblioteca permanente dedicada a libros prohibidos, censurados o cuestionados, instalada en la histórica Livraria Lello de Oporto (Portugal). El espacio abrió el 27 de junio de 2026 y constituye la primera sede física permanente del proyecto literario asociado a su club de lectura Service95. La colección reúne alrededor de 100 títulos que, en diferentes países y momentos, han sido objeto de prohibiciones, restricciones o controversias.

La iniciativa supone la evolución natural de la relación de Dua Lipa con los libros. En 2022 puso en marcha Service95 como plataforma cultural y posteriormente desarrolló un club de lectura que ha contado con conversaciones con escritoras y escritores como Margaret Atwood, Olga Tokarczuk, Chimamanda Ngozi Adichie y Claire Keegan. Con la Manifesto Library, ese proyecto digital se transforma en un espacio físico destinado a la lectura, la conversación y el debate sobre la libertad de expresión y la censura.

La elección de Livraria Lello resulta especialmente significativa. La célebre librería portuguesa, inaugurada en 1906 y caracterizada por su espectacular arquitectura neogótica y modernista, ha sido reconocida por 1000 Libraries como la librería más bella del mundo. El proyecto de la biblioteca se integra además en una ampliación cultural diseñada por el arquitecto portugués Álvaro Siza Vieira, ganador del Premio Pritzker.

Los aproximadamente cien libros están organizados alrededor de cuatro grandes conceptos: poder, control, voz y memoria. Entre ellos aparecen obras que han sido objeto de prohibiciones o impugnaciones por abordar cuestiones relacionadas con la raza, la sexualidad, el género, la identidad, la política o las injusticias sociales. La colección incluye títulos como El cuento de la criada, de Margaret Atwood, 1984, de George Orwell, Los versos satánicos, de Salman Rushdie, Pachinko, de Min Jin Lee, La insoportable levedad del ser, de Milan Kundera, y obras de Olga Tokarczuk.

El proyecto pretende ir más allá de una simple exposición de libros censurados. La Manifesto Library se plantea como un espacio vivo de lectura y reflexión, no como un museo de la censura. La idea es que los visitantes puedan acercarse a las obras, debatir sobre ellas y reflexionar sobre las razones por las que determinados textos han sido considerados peligrosos, incómodos o inaceptables en determinados contextos. La propia iniciativa reivindica la lectura como una forma de aproximarse a otras experiencias y perspectivas.

Uno de los aspectos más interesantes es precisamente la concepción de la biblioteca como instrumento de libertad cultural. Livraria Lello resume esta filosofía con la idea de que «el libro es una tecnología de libertad». De este modo, la biblioteca no se limita a conservar obras que fueron objeto de censura, sino que utiliza esos libros para plantear una cuestión contemporánea: qué ocurre cuando instituciones políticas, educativas o sociales intentan determinar qué puede leer una comunidad.

La iniciativa adquiere especial relevancia en un contexto internacional de creciente preocupación por la censura de libros, especialmente en el ámbito educativo. La colección de Oporto reúne precisamente obras que han sufrido restricciones en distintos lugares y por motivos muy diferentes, convirtiendo la biblioteca en una especie de mapa internacional de los conflictos existentes alrededor de la libertad de lectura.

MANIFESTO LIBRARY

En esta biblioteca se encuentran cien libros que hacen preguntas o que, en algún momento, fueron cuestionados.

Organizados en cuatro capítulos: Poder, Control, Voz y Memoria, estos libros exploran lo que sucede cuando las ideas son desafiadas, las voces son silenciadas y las historias son olvidadas.

La Manifesto Library nace de una colaboración entre la Livraria Lello y el Service95 Book Club, la comunidad global de lectura fundada por Dua Lipa, cuyas conversaciones con escritores como Margaret Atwood y Olga Tokarczuk han contribuido a devolver los libros al centro de la cultura contemporánea.

Porque retirar un libro de una estantería nunca es solo retirar un libro. Es también decidir qué preguntas se pueden hacer, qué historias permanecen visibles y qué voces continúan escuchándose.

¿Las clasificaciones universitarias premian realmente la colaboración en investigación?

University World News. Do rankings reward research collaboration or dependence?”. 15 de julio de 2026. Artículo original en University World News

El artículo analiza críticamente hasta qué punto las clasificaciones internacionales de universidades están valorando de manera adecuada la colaboración científica.

La cuestión es especialmente relevante porque los rankings —como QS, Times Higher Education (THE) o U.S. News— tienen una influencia creciente sobre las estrategias institucionales, la financiación y la reputación internacional de las universidades. Aunque la colaboración científica internacional se presenta habitualmente como un indicador de excelencia y apertura global, el artículo plantea que los sistemas de clasificación no siempre recompensan de manera proporcional el trabajo cooperativo y que, en muchos casos, continúan privilegiando indicadores asociados al volumen de publicaciones, las citas, la reputación o la visibilidad internacional. Esta situación puede generar una paradoja: las universidades necesitan colaborar cada vez más para producir investigación de calidad, pero las métricas pueden seguir incentivando comportamientos eminentemente competitivos.

Uno de los problemas señalados es que la producción científica contemporánea es cada vez más colectiva. Las grandes investigaciones internacionales suelen implicar equipos procedentes de diferentes universidades, países y disciplinas. Sin embargo, medir quién obtiene realmente el reconocimiento por esa colaboración resulta complejo. Una universidad puede participar en numerosas investigaciones internacionales y contribuir de manera significativa a ellas, pero esa participación no necesariamente se traduce en una mejora equivalente de su posición en un ranking. La cuestión adquiere todavía mayor importancia para las instituciones de países con menor capacidad científica o menor tradición de presencia en las grandes clasificaciones internacionales. Estas universidades pueden beneficiarse enormemente de las redes internacionales de investigación, pero parten de una desventaja estructural en términos de reputación, volumen de publicaciones y visibilidad.

El artículo invita, por tanto, a cuestionar la lógica competitiva de los rankings universitarios. Las clasificaciones pretenden establecer una jerarquía entre instituciones, pero la ciencia actual depende cada vez más de redes, alianzas y proyectos compartidos. Existe así una tensión entre la lógica de “competir por posiciones” y la lógica de “cooperar para producir conocimiento”. Estudios y análisis recientes sobre educación superior han señalado precisamente que muchas métricas universitarias continúan dando prioridad a la producción investigadora y la reputación frente a dimensiones como la colaboración, la calidad docente o el impacto social.

Otro aspecto importante es el denominado efecto Mateo: las universidades que ya poseen prestigio, recursos y una amplia red internacional tienen mayores posibilidades de atraer nuevos investigadores, proyectos y colaboraciones, lo que a su vez incrementa su producción científica y mejora su posición en los rankings. De esta manera, las métricas pueden terminar reforzando las desigualdades existentes. Las instituciones periféricas o de países con menos recursos pueden quedar atrapadas en un círculo en el que tienen menos visibilidad, reciben menos oportunidades de colaboración y, consecuentemente, obtienen peores resultados en los indicadores que determinan su posición internacional. Este fenómeno ha sido señalado también en análisis recientes sobre financiación, cooperación internacional y clasificaciones universitarias.

En definitiva, el texto plantea la necesidad de repensar qué entendemos por excelencia universitaria. Si la ciencia del siglo XXI es cada vez más interdisciplinar, internacional y colaborativa, los sistemas de evaluación deberían ser capaces de reconocer mejor las contribuciones realizadas dentro de redes científicas y no limitarse a contabilizar publicaciones, citas o prestigio institucional. El reto consiste en desarrollar indicadores que valoren no solamente cuánto produce una universidad, sino cómo produce conocimiento, con quién lo hace, qué impacto tiene y qué beneficios genera para la sociedad. En este sentido, el artículo se sitúa dentro de un debate más amplio sobre la necesidad de transformar los rankings universitarios para que no reproduzcan exclusivamente las jerarquías existentes y puedan convertirse en instrumentos que fomenten una cooperación científica internacional más equilibrada.

Manual apegado a APA 7.a edición para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa (IAGen)

Ruiz Mendoza, K. K. Manual apegado a APA 7.ª edición para citar, documentar y transparentar el uso de IAGen. 2026. El documento ofrece orientaciones prácticas para documentar de manera transparente el uso de herramientas de inteligencia artificial generativa en trabajos académicos y de investigación

Texto completo

El documento propone un marco práctico para transparentar el uso de la inteligencia artificial generativa (IAGen) en la producción académica, partiendo de una idea fundamental: no basta con declarar de forma genérica que se ha utilizado IA. La transparencia exige explicar qué herramienta se empleó, con qué finalidad, qué partes del trabajo fueron afectadas, cómo se verificó la información generada y qué responsabilidad asumieron finalmente los autores.

El principio central es que la utilización de IA debe ser documentable y auditable, manteniendo siempre la contribución intelectual humana como elemento fundamental del trabajo académico.

Uno de los principios más importantes del manual es la responsabilidad humana final. La inteligencia artificial puede ayudar a organizar ideas, redactar, traducir, revisar la claridad de un texto, elaborar tablas, generar imágenes o apoyar determinados análisis, pero no puede asumir la responsabilidad ética, académica o legal del trabajo. Las decisiones sobre las ideas, la interpretación de los resultados, las conclusiones, la selección de fuentes y la edición definitiva corresponden a las personas autoras. Por esta razón, el documento recomienda que la IA nunca aparezca como autora o coautora de una investigación.

El manual insiste especialmente en la verificación de los resultados producidos por la IA. Toda afirmación, dato, cita, DOI, referencia bibliográfica, tabla, figura o resultado sugerido por una herramienta generativa debe contrastarse con fuentes originales o documentación primaria. La salida de un modelo de lenguaje no debe considerarse por sí misma una fuente de conocimiento. Esta recomendación resulta especialmente relevante porque los sistemas generativos pueden producir información incorrecta, referencias inexistentes o interpretaciones que parecen plausibles pero carecen de respaldo documental.

Una aportación práctica del documento es la creación de una bitácora de uso de IA generativa. Esta debería registrar elementos como la fecha, la herramienta y el modelo utilizado, el objetivo académico, el prompt, la salida que finalmente se empleó y las modificaciones o verificaciones realizadas por el autor. De este modo, el uso de IA deja de ser una actividad opaca y pasa a formar parte de la metodología documentada de la investigación. El manual señala que el registro debe ser suficientemente claro para que otra persona pueda comprender qué intervención tuvo la IA, aunque no necesariamente pueda reproducir exactamente la misma respuesta.

El documento también ofrece modelos concretos para redactar una declaración metodológica sobre el uso de IA. La fórmula propuesta consiste en indicar qué herramienta se utilizó, para qué finalidad y dejar constancia de que la persona autora revisó, verificó y modificó la salida antes de incorporarla al trabajo. Se pretende así evitar declaraciones ambiguas como “se utilizó inteligencia artificial” y sustituirlas por explicaciones específicas sobre la naturaleza y alcance de la intervención tecnológica.

Otro aspecto destacado es la documentación de los prompts y de las salidas relevantes mediante apéndices. El manual recomienda identificar la herramienta, el modelo y la fecha de utilización, explicar el objetivo académico, conservar el prompt suficientemente completo, registrar la salida relevante, documentar las modificaciones humanas y señalar las fuentes utilizadas para verificar los resultados. Esta documentación proporciona una especie de rastro de auditoría que permite reconstruir cómo intervino la IA en el proceso de elaboración del trabajo.

La guía presta también atención a la privacidad y protección de datos. No recomienda incorporar a los apéndices conversaciones que contengan nombres, matrículas, correos electrónicos, rostros, direcciones, datos médicos u otra información sensible. Del mismo modo, deben evitarse prompts que revelen contraseñas, credenciales, documentos internos o información protegida. La transparencia sobre el uso de IA no debe convertirse, por tanto, en una nueva fuente de exposición de información personal o confidencial.

En cuanto a la presentación formal, el manual adapta estas prácticas al estilo APA 7.ª edición. Propone modelos para las declaraciones metodológicas, las notas de figuras generadas con IA, las tablas elaboradas con asistencia de IA y las referencias de chats específicos. También explica cómo organizar los apéndices y cómo numerar sus tablas y figuras: por ejemplo, Tabla A1 o Figura A1 para el Apéndice A.

En definitiva, el documento plantea que la cuestión no es prohibir o permitir genéricamente la inteligencia artificial en la investigación, sino establecer condiciones de uso responsable. La IA puede convertirse en una herramienta legítima para mejorar determinados procesos académicos siempre que exista supervisión humana, transparencia, trazabilidad y verificación. La idea esencial podría resumirse así: la IA puede participar en el proceso de producción del conocimiento, pero la responsabilidad sobre ese conocimiento continúa siendo humana.

Cuando el error se convierte en consenso: la ciencia ya no puede corregirse al ritmo al que se propagan los errores

Scientists reviewing evidence beneath text reading “Science Cannot Self-Correct.”

Hu, Jason. “When Errors Become Consensus: Science’s Self-Correction Can No Longer Keep Up”. The Scholarly Kitchen, 17 de agosto de 2026

Ver original

La ciencia siempre ha cometido errores, pero tradicionalmente se confiaba en que su propio sistema de autocorrección acabaría detectándolos y sustituyéndolos por conocimientos más sólidos. El problema actual es que esa capacidad de corrección ya no parece avanzar al mismo ritmo que la producción y difusión de información.

Antes, los errores podían tardar años en propagarse porque las publicaciones, revisiones, libros y manuales evolucionaban lentamente. Esa lentitud actuaba, paradójicamente, como una forma de contención. Ahora, una afirmación errónea puede difundirse prácticamente de inmediato a través de artículos, bases de datos, redes académicas y sistemas de inteligencia artificial.

Hu utiliza como ejemplo histórico las afirmaciones de Justus von Liebig sobre el valor nutricional del extracto de carne. Liebig defendió que el concentrado de carne poseía un importante valor nutritivo y contribuyó a popularizar el llamado beef tea. Sin embargo, experimentos realizados posteriormente por Adolf Fick y Johannes Wislicenus apuntaron en otra dirección: eran principalmente las grasas y los carbohidratos, y no las proteínas, los que proporcionaban energía para el trabajo muscular. A pesar de ello, las ideas iniciales de Liebig sobrevivieron durante décadas y contribuyeron a consolidar una asociación entre carne, proteína y fuerza que continúa teniendo influencia en la cultura alimentaria contemporánea.

A partir de este ejemplo, el autor introduce el concepto de “consenso sintético”Se trataría de una situación en la que la credibilidad de una afirmación no procede fundamentalmente de una nueva validación empírica, sino de su repetición, agregación y reproducción dentro de diferentes sistemas de conocimiento. Una afirmación puede aparecer en artículos, revisiones, libros, bases de datos y posteriormente en sistemas de IA. Al aparecer tantas veces, parece estar respaldada por múltiples fuentes, aunque todas esas apariciones procedan en última instancia de la misma afirmación original y no constituyan verificaciones independientes.

El fenómeno se desarrolla, según Hu, mediante tres fuerzas: persistencia, suministro y recursividad. La persistencia significa que un error puede continuar circulando incluso después de que el artículo original haya sido retractado. El autor cita el caso de un ensayo sobre suplementos de omega-3 en pacientes con EPOC que fue retractado en 2008 por falsificación de datos y que, once años después, seguía siendo citado positivamente en más de un centenar de publicaciones y otros materiales. La retractación afecta al documento original, pero con frecuencia no acompaña a todas las copias, citas, revisiones y afirmaciones derivadas que ya se han incorporado al sistema científico.

El suministro hace referencia al crecimiento de los paper mills, organizaciones que producen artículos científicos fraudulentos o de baja calidad de forma industrializada. El problema deja de ser entonces detectar ocasionalmente un artículo defectuoso y pasa a consistir en hacer frente a un volumen de información potencialmente fraudulenta que puede superar la capacidad de editores, revisores, instituciones y organismos de integridad científica para examinarla. El sistema de control se encuentra así ante una asimetría: la producción de contenidos problemáticos puede escalar mucho más rápidamente que su detección y retirada.

La tercera fuerza, y quizá la más novedosa, es la recursividad introducida por la IA generativa. Los grandes modelos de lenguaje pueden sintetizar y reproducir información existente a un coste marginal muy bajo. Si entre esa información existen afirmaciones erróneas, sin fundamento o incluso inventadas, la IA puede incorporarlas a nuevos textos. Estos nuevos textos pueden volver a alimentar otros sistemas de IA, creando un ciclo en el que una afirmación se repite y se transforma sucesivamente. Con cada repetición puede disminuir la percepción de incertidumbre y aumentar la apariencia de corroboración, aunque la evidencia original no haya mejorado.

El artículo conecta esta dinámica con dos problemas relacionados: el “model collapse” y la aparición de una posible “monocultura científica”. El primero describe el deterioro que puede producirse cuando los modelos se entrenan indiscriminadamente con contenidos generados por otros modelos. El segundo hace referencia a la tendencia de los sistemas de IA a favorecer la convergencia de temas, métodos y formas de expresión cuando se utilizan cada vez más para generar ideas, sintetizar literatura y formular preguntas de investigación. El riesgo es que la IA no solo reproduzca errores existentes, sino que contribuya a reducir la diversidad intelectual del sistema científico.

Esto plantea una limitación importante para los mecanismos tradicionales de revisión por pares, supervisión editorial y retractación. Estos mecanismos fueron diseñados fundamentalmente para corregir errores dentro de la literatura científica. Pero actualmente el conocimiento ya no está contenido exclusivamente en los artículos publicados. Las afirmaciones científicas pasan a bases de datos, revisiones, materiales docentes, herramientas de decisión, motores de búsqueda y modelos de IA. Por ello, retirar o corregir un artículo puede resultar insuficiente: el error puede continuar existiendo en todos los sistemas que ya lo han incorporado.

La propuesta central de Hu es construir una auténtica “capa de propagación” de las correcciones. Si una afirmación errónea puede viajar de un artículo a una revisión, de esta a una base de datos y posteriormente a un modelo de IA, las correcciones deberían poder realizar exactamente el mismo recorrido. El autor menciona iniciativas como United2Act, los trabajos de la STM Association sobre el uso responsable de contenidos científicos en IA, Crossmark, la base de datos de Retraction Watch y las recomendaciones de NISO sobre comunicación de retractaciones. Sin embargo, señala que todavía existe una adopción desigual y, sobre todo, que los modelos de IA permanecen en gran medida fuera del circuito de corrección científica.

La conclusión es especialmente relevante para la integridad científica en la era de la IA: el desafío ya no consiste únicamente en impedir que un artículo falso o defectuoso llegue a publicarse. Hay que garantizar que, cuando aparezca un error, la corrección sea capaz de viajar tan lejos y tan rápido como viajó el error original. De lo contrario, podemos terminar en un sistema en el que la repetición produzca una apariencia de consenso y donde una afirmación parezca verdadera simplemente porque ha sido reproducida miles de veces por personas, bases de datos y máquinas.

La metáfora final del artículo resulta muy apropiada: lo que se incorpora a una estructura tiende a permanecer. La pregunta que plantea Hu para el ecosistema académico es, por tanto, qué estamos incorporando a las infraestructuras que conservarán y transmitirán el conocimiento del futuro y si esas infraestructuras serán capaces de recordar no solo las afirmaciones, sino también sus correcciones. Es un cambio de perspectiva importante: la integridad científica deja de ser únicamente una cuestión de revisar publicaciones y pasa a convertirse también en un problema de arquitectura, metadatos, trazabilidad, interoperabilidad y gobernanza de la información científica.

Cuando la IA escribe a la IA: quién controla las comunicaciones en la empresa del futuro

Hoque, Faisal. “Your AI is emailing my AI—and nobody’s in charge”. Fast Company, 17 de agosto de 2026. El artículo aborda la creciente automatización de las comunicaciones laborales y el problema de la responsabilidad cuando los sistemas de IA empiezan a comunicarse entre sí en nombre de los trabajadores. Artículo original en Fast Company

Hay una situación que empieza a dejar de ser excepcional: una persona recibe un correo electrónico perfectamente redactado, con información sobre un proyecto, próximos pasos y responsables, pero descubre que el mensaje ha sido generado y enviado íntegramente por un agente de inteligencia artificial que actúa en nombre de otra persona. Al mismo tiempo, incluso cuando la IA no envía directamente los mensajes, cada vez más trabajadores recurren a ella para redactarlos.

Según datos de Gallup citados por Fast Company, más de la mitad de los empleados estadounidenses utilizan IA en el trabajo y el uso más habitual, señalado por el 51 %, es precisamente escribir y editar contenidos.

El resultado es una transformación silenciosa de la comunicación profesional: aparentemente los humanos siguen hablando con humanos, pero debajo de la superficie las IA empiezan a hablar entre sí. Una persona puede recibir un mensaje elaborado por un agente, introducirlo en su propio chatbot y enviar la respuesta generada por este. De esta manera se crea una nueva capa de comunicación en la que los interlocutores humanos pueden quedar cada vez más alejados de la elaboración efectiva de sus propios mensajes.

El autor considera que este proceso es difícilmente reversible y que tampoco sería necesariamente deseable detenerlo. La IA puede producir comunicaciones mejores que las humanas en determinadas circunstancias. Fast Company cita el caso de Allstate, donde la IA se emplea para redactar unas 50.000 comunicaciones de reclamaciones al día y los mensajes generados resultaron más claros, menos cargados de jerga y más empáticos que los redactados anteriormente por empleados. Además, la enorme cantidad de comunicaciones que reciben actualmente los trabajadores hace comprensible que deleguen parte de esta tarea en sistemas automatizados.

El problema, por tanto, no es simplemente utilizar IA para comunicarse, sino determinar qué grado de autonomía resulta aceptable. El autor establece un continuo que va desde la IA que simplemente ayuda a perfeccionar un texto, pasando por aquella que redacta el mensaje y el trabajador lo revisa, hasta llegar a la IA que representa directamente a una persona y mantiene conversaciones sin que esta llegue necesariamente a revisar los intercambios. El peligro aparece cuando las organizaciones avanzan por este continuo sin haber tomado conscientemente la decisión de hacerlo.

Una de las principales advertencias se refiere a las comunicaciones que no deberían delegarse nunca. El artículo pone como ejemplo las evaluaciones del desempeño, el mentoring o determinadas conversaciones difíciles entre directivos y empleados. Una evaluación laboral no consiste solamente en producir un documento correcto: su valor reside en que un responsable haya observado, valorado y pensado personalmente sobre el trabajo de otra persona. Automatizar completamente ese proceso puede ahorrar tiempo, pero también puede eliminar precisamente el componente humano que le da sentido.

El autor propone, por ello, establecer una “línea humana”: identificar aquellas conversaciones cuyo valor depende de la presencia, el juicio o la empatía de una persona y mantenerlas fuera del alcance de la automatización. Para el resto de comunicaciones, la cuestión no debería ser prohibir la delegación, sino hacerla explícita y consciente. La organización debe saber si un mensaje ha sido escrito personalmente, asistido por IA, delegado completamente a una IA o producido por un agente que representa autónomamente al trabajador.

La tercera cuestión fundamental es la responsabilidad. Si un agente puede enviar correos, concertar reuniones, realizar compras o comprometer a una empresa, debe existir un mandato claro sobre aquello que puede decidir y una persona responsable de sus actuaciones. El artículo insiste en que no basta con darle instrucciones al agente, porque esas instrucciones también son texto y el sistema puede interpretarlas de manera imperfecta. Los controles verdaderamente importantes deben situarse fuera de la IA: límites de gasto, permisos restringidos, credenciales específicas y mecanismos que exijan aprobación humana antes de determinadas acciones.

En este sentido, la idea central del artículo es que la autonomía de la IA exige reforzar, no eliminar, la responsabilidad humana. No sería necesario que una persona revisara cada correo generado por un agente, porque eso acabaría anulando las ventajas de la automatización. Pero sí debe existir una persona identificada que responda por lo que el agente hace y unos límites técnicos que impidan que pueda tomar decisiones que excedan su mandato.

Fast Company propone que las organizaciones comiencen auditando dónde se está produciendo ya comunicación entre IA y IA, establezcan qué conversaciones deben seguir siendo exclusivamente humanas, identifiquen los diferentes grados de delegación y definan para cada agente qué puede hacer, qué no puede hacer y quién responde por sus acciones. La conclusión es especialmente relevante para la evolución de los agentes de IA: las organizaciones que triunfarán no serán necesariamente las que más automaticen, sino aquellas capaces de decidir conscientemente dónde debe hablar la máquina y dónde debe seguir hablando el ser humano.