RADIO UDELAR DE MONTEVIDEO. ENTREVISTA CON Julio Alonso Arevalo SOBRE INTELIGENCIA ARTIFICIAL
Recibimos a Julio Alonso Arévalo, jefe de la Biblioteca de la Facultad de Traducción y Documentación de la Universidad de Salamanca para conversar sobre Bibliotecas, Libros e Inteligencia Artificial
Chao Cai, Jane K. Yatcilla, Academic search literacy in the age of generative AI: A conceptual framework for navigating the search-language ecology, The Journal of Academic Librarianship,
Volume 52, Issue 5, 2026, 103323, ISSN 0099-1333, https://doi.org/10.1016/j.acalib.2026.103323.
El artículo analiza cómo la aparición de la IA generativa está transformando la manera en que estudiantes, investigadores y profesionales buscan, recuperan y evalúan información académica. Su punto de partida es que herramientas como los asistentes conversacionales y los sistemas de búsqueda basados en lenguaje natural no deberían entenderse necesariamente como una ruptura absoluta con las formas anteriores de recuperación de información. Más bien, se incorporan a una ecología de lenguajes y estrategias de búsqueda que ya incluye catálogos, bases de datos bibliográficas, buscadores académicos, operadores booleanos, palabras clave y otros mecanismos tradicionales. La IA amplía este ecosistema y modifica la relación entre el usuario y las herramientas de recuperación.
Una de las aportaciones principales es la propuesta de un marco de cuatro dimensiones para comprender la competencia en búsqueda académica en la era de la IA generativa. El planteamiento intenta superar una concepción de la alfabetización informacional centrada exclusivamente en conocer técnicas concretas —por ejemplo, utilizar operadores booleanos o seleccionar palabras clave— para avanzar hacia una competencia más amplia, relacionada con la capacidad del usuario para formular, reformular, negociar y evaluar sus propias preguntas de investigación. En este sentido, buscar información deja de ser simplemente introducir una consulta en un sistema y seleccionar resultados para convertirse en un proceso intelectual de construcción progresiva del problema.
El artículo concede especial importancia a la diferencia entre búsqueda por conveniencia y búsqueda responsable. Las herramientas generativas pueden hacer que encontrar una respuesta parezca mucho más sencillo: el usuario formula una pregunta en lenguaje natural y recibe una respuesta elaborada, sintetizada y aparentemente pertinente. Sin embargo, esa comodidad no garantiza que la información recuperada sea correcta, completa, relevante o verificable. Por ello, el trabajo plantea la necesidad de distinguir explícitamente entre utilizar la IA porque proporciona una respuesta rápida y utilizarla dentro de un proceso consciente de búsqueda, comprobación y evaluación de fuentes.
Otro aspecto interesante es la revisión del papel que tradicionalmente han desempeñado los operadores booleanos y las estrategias estructuradas de recuperación. El artículo señala que los criterios de responsabilidad asociados a la lógica booleana pueden resultar insuficientes en ámbitos en los que los conceptos tienen fronteras difusas o son difíciles de definir con precisión. Esto es especialmente relevante en las ciencias sociales y humanas, donde una misma cuestión puede expresarse mediante diferentes vocabularios, perspectivas conceptuales o tradiciones disciplinares. La IA generativa puede ayudar a explorar esas variaciones lingüísticas, pero esa posibilidad exige que el usuario comprenda qué está preguntando y qué consecuencias tiene cada formulación.
En este contexto, el prompt adquiere una consideración diferente. El artículo propone interpretar la elaboración de instrucciones para una IA generativa no simplemente como una habilidad técnica para conseguir mejores respuestas, sino como una forma de “negociación de preguntas” autogestionada por el usuario. Es decir, escribir un buen prompt implica pensar qué se quiere conocer, qué información falta, qué contexto debe proporcionar el usuario, qué restricciones deben establecerse y cómo se comprobará posteriormente la respuesta obtenida. La competencia no reside, por tanto, únicamente en saber “hablar con la IA”, sino en saber interrogar, cuestionar y conducir el proceso de búsqueda.
Esta perspectiva tiene importantes implicaciones para las bibliotecas universitarias y la alfabetización informacional. El bibliotecario deja de ser únicamente el profesional que enseña a localizar información en catálogos y bases de datos y adquiere un papel más amplio como mediador de los procesos de búsqueda en un entorno híbrido, donde conviven buscadores tradicionales, bases de datos académicas y sistemas de IA generativa. La formación debe enseñar no solo dónde buscar, sino también cómo formular preguntas, contrastar resultados, rastrear las fuentes originales, reconocer limitaciones y decidir qué nivel de evidencia es necesario para cada propósito académico.
En definitiva, el artículo propone pasar de una concepción de la alfabetización en búsqueda basada fundamentalmente en “saber utilizar una herramienta” a otra centrada en comprender el proceso de búsqueda y mantener el control intelectual sobre él. La IA generativa puede facilitar enormemente la exploración de información, pero no elimina la necesidad de competencias de búsqueda; al contrario, las hace más complejas. El usuario necesita comprender las diferentes posibilidades de recuperación, evaluar críticamente las respuestas generadas y mantener una actitud responsable ante las fuentes. La aportación resulta especialmente relevante para repensar la alfabetización informacional y la alfabetización en IA, porque sitúa en el centro no la tecnología, sino la capacidad humana para formular preguntas, interpretar resultados y construir conocimiento
Hartman, R., Nickerson, C., VanDyne, H., & Ohio State University Libraries Teaching & Learning. (2026). The Path to Information Literacy: From Finding a Topic to Writing an Annotated Bibliography. Fort Hays State University Digital Press. Hays, KS. https://doi.org/10.58809/ (Licencia Creative Commons Attribution 4.0 International). Versión beta revisada por estudiantes de UNIV 301: Information Literacy, Spring 2026.
Este es un manual universitario completo, diseñado como una ruta guiada para que el estudiante desarrolle alfabetización informacional desde cero hasta la producción de una bibliografía anotada, que es el producto final del proceso de investigación académica. El libro parte de la definición central de lo que es ser informacionalmente alfabetizado: no se trata simplemente de buscar en Google, sino de la capacidad de encontrar, evaluar y utilizar la información de manera efectiva, ética y estratégica en contextos académicos, personales y profesionales.
En su primer bloque introductorio, el libro establece los fundamentos conceptuales. Presenta el ACRL Framework for Information Literacy for Higher Education con sus seis marcos clave: la autoridad es construida y contextual, la creación de información como proceso, la información tiene valor, la investigación como indagación, la academia como conversación y la búsqueda como exploración estratégica. Con esto, el estudiante aprende que una fuente no es buena o mala en sí misma, sino que su valor depende de quién la crea, cómo se crea, para qué propósito y en qué contexto de necesidad se va a usar. Se enfatizan también las ideas clave de todo el proceso: buscar estratégicamente, evaluar críticamente y usar la información de forma responsable.
El segundo gran bloque del libro se centra en la planificación de la investigación. Es probablemente la parte más práctica para quien inicia un trabajo. Enseña a pasar de un tema general y difuso a un tema investigable, mediante tres técnicas esenciales: la lectura de fondo o background reading para entender el estado de la cuestión, el narrowing o delimitación del tema para evitar trabajos demasiado amplios o imposibles, y el mind mapping para explorar conceptos relacionados. A partir de ahí, introduce el concepto de plan de investigación y de pregunta de investigación, diferenciando entre una pregunta común y una pregunta de investigación real. Explica cómo una buena pregunta guía todo el proceso: determina qué tipo de información se necesita, qué fuentes buscar y qué herramientas utilizar.
El tercer bloque es una tipología exhaustiva de la información. El libro clasifica las fuentes desde múltiples ángulos para que el estudiante sepa qué usar y cuándo. Distingue entre fuentes primarias, secundarias y terciarias; entre información cuantitativa y cualitativa; entre formatos y el ciclo de vida de la información; y entre fuentes populares, profesionales/trade y académicas. También aborda la revisión por pares, el uso de datos y de personas como fuentes, y la distinción crucial entre hecho y opinión. La idea central es que ningún tipo de fuente es universalmente superior, sino que cada necesidad de información requiere un tipo de fuente distinto, y el investigador debe planificar conscientemente esa selección.
Posteriormente, el libro entra de lleno en las estrategias de búsqueda y evaluación, que son el corazón de la alfabetización informacional. Dedica capítulos completos a la búsqueda en la web, incluyendo el uso crítico de noticias, WorldCat y préstamo interbibliotecario, Google Scholar, motores de búsqueda y el uso emergente de la IA generativa como herramienta de búsqueda. Luego enseña a evaluar la relevancia y la credibilidad mediante metodologías modernas como SIFT y la lectura lateral, superando el obsoleto checklist CRAAP. Se insiste en pensar críticamente sobre el sesgo, el propósito, la actualidad y la autoridad de cada fuente, reconociendo que en el entorno digital actual la desinformación es parte del ecosistema.
La última parte del manual es sobre el uso ético y la producción final. Cubre en detalle cómo resumir, parafrasear y citar correctamente para evitar el plagio, por qué se cita, cuándo se debe citar y cuáles son los desafíos de los diferentes estilos de citación. Presenta las herramientas de búsqueda profesional: bases de datos, catálogos de biblioteca, guías temáticas y el uso de búsquedas de precisión con operadores, términos relacionados y declaraciones de búsqueda. Introduce también el método BEAM (Background, Exhibit, Argument, Method) como una forma de reflexionar y organizar las fuentes según la función que cumplen dentro del propio argumento del estudiante, no solo por su contenido. Todo este recorrido culmina en los capítulos 15 y los apéndices, donde explica qué es una bibliografía anotada, cuáles son las partes de una anotación (resumen, evaluación y reflexión sobre su utilidad) y ofrece ejemplos completos de bibliografías anotadas profesionales y estudiantiles, cerrando así el camino completo desde la idea inicial hasta el texto académico terminado y debidamente acreditado.
Inteligencia Artificial y Bibliotecas: oportunidades y desafios
Santiago de Areco, Buenos Aires 28 de septiembre de 2026
La inteligencia artificial está transformando las bibliotecas y la manera en que las personas acceden, utilizan y producen información. En este contexto, las bibliotecas pueden desempeñar un papel fundamental en la construcción de una cultura de alfabetización en IA, facilitando conocimientos accesibles para toda la ciudadanía. Esta alfabetización implica comprender cómo funcionan estas tecnologías, sus posibilidades, limitaciones, sesgos y riesgos. Los profesionales de las bibliotecas necesitan desarrollar nuevas competencias para orientar a los usuarios en un uso crítico, ético y responsable de la IA. La formación, los talleres, las guías y los espacios de experimentación pueden contribuir a reducir las brechas digitales y de conocimiento. De este modo, la biblioteca se consolida como un espacio de aprendizaje, pensamiento crítico y participación ciudadana ante la expansión de la inteligencia artificial.
Cartografía del Nuevo Mundo Algorítmico: La Biblioteca como Vanguardia Esencial en la Alfabetización en Inteligencia Artificial
1. Introducción: El Fin del Dominio Exclusivo de la Ingeniería
Durante décadas, el avance y la gestión de la inteligencia artificial pertenecieron casi exclusivamente al ámbito técnico. La IA operaba en la sombra, moldeada de manera opaca por ingenieros, matemáticos y programadores. Sin embargo, la irrupción masiva de los Grandes Modelos de Lenguaje (LLMs) como ChatGPT, Gemini o Claude ha transformado radicalmente este panorama, convirtiendo a la IA en una tecnología omnipresente e invisibilizada en la vida cotidiana.
Esta democratización en la creación de contenidos sintéticos hiperrealistas plantea una transformación profunda en la naturaleza de la información que consumimos. Nos enfrentamos a un ecosistema donde la veracidad, la autoridad y el conocimiento humano están condicionados por mediaciones algorítmicas, alterando las bases mismas de la investigación, la enseñanza y la ciudadanía.
2. La Brecha entre Uso y Comprensión: La Ilusión de Competencia
La adopción acelerada de herramientas generativas ha creado un fenómeno engañoso: una elevada fluidez instrumental acompañada de un severo analfabetismo funcional. Los usuarios aprenden a redactar prompts, obtener respuestas rápidas y delegar tareas complejas, desarrollando una falsa sensación de maestría.
Sin embargo, bajo esta superficie persisten riesgos estructurales no detectados por el usuario común:
3. Los Cuatro Pilares de la Alfabetización Algorítmica
Para pasar de la mera ejecución instrumental al pensamiento crítico, la alfabetización en inteligencia artificial debe articularse en torno a cuatro dimensiones interconectadas:
| Pilar | Concepto | Aplicación Práctica |
| Pilar 1: Técnica | Comprensión de la operación computacional | Entender la lógica probabilística de los LLMs, el funcionamiento de los corpus y los límites de la arquitectura algorítmica. |
| Pilar 2: Evaluativa | Análisis crítico de los resultados | Interrogar las respuestas, identificar sesgos, auditar la precisión factual y evaluar el impacto del contenido sintético. |
| Pilar 3: Práctica | Implementación eficaz y responsable | Integración de herramientas de IA en flujos de trabajo académico, investigación, docencia y gestión institucional. |
| Pilar 4: Ética | Gobernanza y salvaguardas | Diseño de políticas contra el uso indebido, protección de la privacidad, autoría responsable y mitigación de plagios. |
4. El Equilibrio de la Responsabilidad: Usuario vs. Sistema
La capacitación ante la era algorítmica no puede recaer únicamente sobre los hombros del individuo. La alfabetización no es un problema estrictamente individual, sino una cuestión de responsabilidad pública y diseño sistémico.
Mientras que el usuario debe comprometerse con la educación continua, la reformulación rigurosa de instrucciones y la evaluación crítica de los resultados, las instituciones públicas y bibliotecas deben asumir la responsabilidad sistémica. Esto implica exigir transparencia en la interfaz de los sistemas comercializados, establecer políticas institucionales claras y abogar por la equidad para evitar que la IA profundice las brechas sociales y educativas preexistentes.
5. Comparativa de Marcos Globales de Competencia en IA
Diversos organismos internacionales han definido marcos de competencia para abordar la alfabetización algorítmica desde diferentes perspectivas:
| Marco / Organismo | Enfoque Principal | Público Objetivo | Dimensión Clave | Utilidad para la Biblioteca |
| UNESCO | Humanista y centrado en los derechos humanos. | Estudiantes y ciudadanía global. | Capacidad ética, equidad, inclusión y justicia social. | Marco filosófico para fundamentar políticas de acceso democrático. |
| EDUCAUSE | Operación, evaluación e integración en la educación superior. | Docentes, estudiantes universitarios y personal técnico. | Dimensiones técnica, evaluativa, práctica y ética. | Guía metodológica para estructurar la instrucción universitaria. |
| ACRL (Adaptado) | Integridad de la información y mediación del conocimiento. | Investigadores y comunidad académica. | Discernimiento de la fiabilidad conceptual, independiente del origen. | Actualización directa de la alfabetización informacional clásica. |
| WEF / AILit | Ciudadanía digital y competencias para el siglo XXI. | Ciudadanía general y educación primaria/secundaria. | Interacción, creación, gestión y diseño con sistemas de IA. | Integración en proyectos comunitarios y de brecha digital. |
6. Diagnóstico Empírico en las Bibliotecas Universitarias
A pesar del avance acelerado de la tecnología, las bibliotecas enfrentan un desfase sustancial entre la adopción técnica y la formación crítica. Un análisis de 70 LibGuides universitarias revela un claro vacío conceptual: la inmensa mayoría de las guías se enfoca casi en exclusiva en el acceso instrumental y la sintaxis de instrucciones («prompts»), relegando el pensamiento crítico, la ética y la lógica computacional a un preocupante 7%.
Asimismo, aunque un 67% de las bibliotecas universitarias utilizaba activamente herramientas con IA integrada en 2024, se detecta una desconexión metodológica profunda, pues la mayor parte del personal imparte sesiones sin apoyarse en marcos consolidados como el de la ACRL. Existe, por tanto, una brecha urgente entre la accesibilidad técnica estudiantil y el dominio pedagógico e institucional.
7. Superando la Pista de Obstáculos
Para liderar esta transición, los profesionales de la información deben superar tres desafíos principales:
8. La Metáfora del Caballo de Troya y el Blueprint Integrado
La alfabetización en Inteligencia Artificial no representa una amenaza para los valores fundacionales de la biblioteconomía; al contrario, actúa como un Caballo de Troya. La fascinación o urgencia social por la IA es el vehículo ideal para introducir, con más vigor que nunca, los principios esenciales de la Alfabetización Informacional que las bibliotecas siempre han promovido.
Bajo la fachada del manejo de herramientas generativas e ingeniería de prompts, el núcleo de la misión bibliotecaria permanece intacto: la evaluación rigurosa de fuentes, el pensamiento crítico, el discernimiento moral y la asignación ética de la autoría. La biblioteca se posiciona así como el centro de gravedad que integra:
9. Hoja de Ruta para la Biblioteca Algorítmica
Para consolidar su papel protagónico en esta nueva era, las bibliotecas deben ejecutar tres acciones estratégicas:
10. Conclusión
La falta de competencias en IA no es un asunto individual ni un mero déficit técnico; es un factor emergente de desigualdad estructural. En un mundo donde los algoritmos filtran y generan la información, las bibliotecas, guiadas por su vocación pública, constituyen el último garante del acceso democrático al conocimiento crítico. Es el momento de asumir activamente nuestro lugar en el nuevo mundo algorítmico.
Alfabetización en inteligencia artificial (IA), sus dimensiones éticas y técnicas, y el papel fundamental que desempeñan las bibliotecas como mediadoras. Por Julio Alonso Arévalo
Elaborado en Prezzi IA a partir de los contenidos de Julio Alonso Arévalo
Alonso-Arévalo, Julio. “Alfabetización en inteligencia artificial: competencias, marcos de referencia y el papel de las bibliotecas en la era digital.” Boletín de la Asociación Andaluza de Bibliotecarios 131 (enero-junio 2026): 9-23. Artículo
Se aborda la alfabetización en inteligencia artificial (IA), sus dimensiones éticas y técnicas, y el papel fundamental que desempeñan las bibliotecas como mediadoras.
1. Definición y alcance de la alfabetización en IA
2. Marcos de referencia y dimensiones clave
3. El rol de las bibliotecas como «caballos de Troya»
4. Desafíos y debates actuales
5. Meta final: Ciudadanía algorítmica responsable
NotebookLM es una herramienta de inteligencia artificial de Google diseñada para trabajar directamente con las fuentes aportadas por el usuario, como libros, artículos científicos, documentos PDF, páginas web, apuntes o vídeos. A partir de estos materiales, permite resumir, organizar y relacionar información, responder preguntas sobre los documentos y localizar rápidamente conceptos relevantes, facilitando la comprensión de textos extensos y complejos.
NotebookLM es una herramienta de inteligencia artificial de Google que permite crear un espacio de trabajo alrededor de un conjunto de fuentes documentales. En lugar de preguntarle a una IA sobre cualquier tema de forma general, se pueden subir documentos concretos y pedirle que trabaje sobre ellos.
Puede utilizarse con artículos científicos, libros, informes, apuntes, páginas web, documentos PDF, vídeos de YouTube y otros materiales. Su utilidad principal consiste en leer, resumir, relacionar, comparar y explorar grandes cantidades de información de manera interactiva.
Para un investigador o bibliotecario resulta especialmente interesante porque permite convertir una colección de documentos en un entorno de consulta en el que se pueden formular preguntas directamente sobre las fuentes.
¿Que podemos hacer con NotebookKLM?
1. Crear un cuaderno
NotebookLM permite crear un cuaderno independiente para cada proyecto. Puede utilizarse, por ejemplo, para investigar sobre inteligencia artificial y bibliotecas, preparar una asignatura, analizar un libro, estudiar una tesis o realizar una revisión bibliográfica.
2. Añadir las fuentes
Una vez creado el cuaderno, se incorporan los documentos que servirán como base de trabajo. Se pueden utilizar, entre otros, PDF, documentos, páginas web, presentaciones, vídeos de YouTube y textos. NotebookLM analizará estas fuentes y permitirá consultarlas mediante preguntas.
3. Preguntar a los documentos
Una de sus principales funciones es poder hacer preguntas directamente sobre las fuentes. Podemos solicitar las ideas principales, comparar autores, identificar conceptos o conocer qué documentos respaldan una determinada información.
4. Resumir documentos
NotebookLM facilita la lectura de documentos extensos mediante resúmenes, síntesis por capítulos o extracción de objetivos, metodología, resultados y conclusiones. Es especialmente útil para obtener una primera visión de numerosos documentos, aunque siempre conviene comprobar la información en las fuentes originales.
5. Comparar documentos
Permite comparar diferentes artículos, informes o libros para identificar coincidencias, diferencias, enfoques y propuestas. Esta función resulta especialmente útil para organizar información y preparar revisiones bibliográficas.
6. Extraer conceptos importantes
Podemos pedir que identifique los conceptos fundamentales de un conjunto de documentos, los defina y establezca relaciones entre ellos. Esto puede ayudar a organizar un marco teórico o una estructura temática para una investigación.
7. Crear guías de estudio
NotebookLM puede transformar los documentos en materiales educativos, como guías de estudio, preguntas de examen, cuestionarios y respuestas, adaptados a diferentes niveles de dificultad.
8. Crear mapas conceptuales
También permite representar visualmente las principales ideas y sus relaciones. Por ejemplo: inteligencia artificial → alfabetización → competencias → pensamiento crítico → ética → bibliotecas → ciudadanía.
9. Realizar una revisión bibliográfica
Para una investigación podemos reunir los artículos, incorporarlos a un cuaderno y preguntar cuáles son las principales líneas de investigación, conceptos recurrentes, autores, diferencias entre enfoques y cuestiones todavía poco estudiadas. Después podemos solicitar una síntesis organizada por temas y respaldada por las fuentes.
10. Trabajar con libros
NotebookLM puede funcionar como un asistente de lectura. Podemos preguntarle cuál es la tesis principal de un libro, cómo está estructurado, cuáles son sus argumentos, qué conceptos aparecen con mayor frecuencia o qué cuestiones podrían convertirse en nuevas líneas de investigación.
11. Analizar artículos científicos
En un artículo científico podemos solicitar información sobre objetivos, metodología, resultados, limitaciones y conclusiones. También podemos pedir una ficha del artículo o identificar las preguntas que quedan abiertas para futuras investigaciones.
12. Generar resúmenes de audio
La función Audio Overviews permite transformar las fuentes en una conversación generada mediante inteligencia artificial. Es una forma diferente de repasar contenidos y puede resultar útil para estudiar, preparar una clase o familiarizarse con un conjunto de documentos.
13. Preguntar progresivamente
Una estrategia eficaz es comenzar con preguntas generales y avanzar hacia cuestiones más específicas: ¿de qué tratan los documentos?, ¿cuáles son sus ideas principales?, ¿en qué coinciden?, ¿en qué se diferencian?, ¿qué evidencias utilizan?, ¿qué contradicciones existen? y ¿qué aspectos necesitan más investigación? De este modo, NotebookLM se convierte en una herramienta de exploración progresiva de la literatura.
Ridley, Michael. “Artificial Research Intelligence: Autonomously AI-Generated Science and the Implications for Research Libraries.” Information Technology and Libraries 45, no. 3 (2026). DOI: 10.5860/ital.v45i3.17706
El artículo plantea un cambio de gran alcance: si la IA comienza a realizar de manera autónoma partes sustanciales del proceso científico, la biblioteca de investigación tendrá que evolucionar desde la gestión de colecciones hacia la gestión, preservación, evaluación y mediación de sistemas dinámicos de producción de conocimiento. La IA puede realizar gran parte del procesamiento y la exploración, pero el juicio científico, ético e intelectual sigue siendo una responsabilidad humana fundamental.
La aparición de lo que denomina Artificial Research Intelligence (ARI), o inteligencia artificial para la investigación, entendida como sistemas de IA capaces de realizar de manera prácticamente autónoma un proceso científico completo: desde la generación de una idea de investigación hasta la elaboración del manuscrito final. El concepto va más allá del uso convencional de la IA como herramienta auxiliar para buscar información, analizar datos o redactar textos, ya que plantea la utilización coordinada de múltiples modelos y agentes capaces de asumir diferentes etapas del método científico.
Una de las ideas centrales del artículo es que estos sistemas podrían representar una transformación profunda de la forma en que se produce conocimiento científico. Ridley señala que la combinación de modelos de IA agénticos, capacidad de computación y procedimientos propios del método científico podría configurar lo que algunos investigadores han denominado un posible “quinto paradigma de investigación científica”. En este modelo, la IA podría encargarse de tareas de cálculo, exploración de hipótesis, búsqueda de patrones, generación de propuestas y producción de resultados, mientras que las personas conservarían una función esencial relacionada con la interpretación, el juicio científico y la supervisión ética.
El autor, sin embargo, subraya que la investigación científica autónoma todavía presenta limitaciones importantes. Entre ellas aparecen las alucinaciones, la insuficiente especialización profunda en determinados dominios científicos y la tendencia de algunos sistemas a presentar conclusiones más contundentes de lo que permiten realmente las evidencias. Por ello, el hecho de que un sistema sea capaz de generar de forma autónoma un artículo o una hipótesis no significa necesariamente que haya producido conocimiento científico fiable. La automatización de las diferentes fases del proceso investigador introduce, por tanto, nuevos problemas relacionados con la reproducibilidad, la validación, la atribución de responsabilidad y la evaluación de la evidencia.
Otro concepto especialmente interesante es el de “captura epistémica” (epistemic capture). Ridley advierte de que, si las infraestructuras necesarias para desarrollar investigación científica autónoma quedan concentradas en grandes empresas privadas de inteligencia artificial, podría producirse un desplazamiento de parte de la producción de conocimiento desde las universidades y las instituciones públicas hacia las corporaciones tecnológicas que controlan los modelos, los datos y la capacidad de computación. El problema no sería solamente tecnológico o económico, sino también institucional: quién controla las infraestructuras de conocimiento puede acabar teniendo una influencia considerable sobre qué preguntas se investigan, qué resultados se producen y cómo circula el conocimiento científico.
En este contexto, el artículo plantea una redefinición del papel de las bibliotecas de investigación. Si tradicionalmente las bibliotecas universitarias han gestionado colecciones relativamente estáticas —libros, revistas, bases de datos, repositorios y otros recursos documentales—, la expansión de la investigación asistida o generada por IA exigiría avanzar hacia la gestión y custodia de sistemas dinámicos de conocimiento impulsados por inteligencia artificial. Esto supone pasar de administrar únicamente documentos y colecciones a participar también en los ecosistemas tecnológicos, datos, modelos, agentes y procesos mediante los cuales se genera nuevo conocimiento.
Ridley identifica varias áreas en las que las bibliotecas pueden asumir un papel activo. Una de ellas es la comunicación científica, donde los bibliotecarios podrían contribuir al desarrollo de nuevos procesos para documentar, preservar y hacer trazable la investigación producida con sistemas autónomos. También adquiere importancia la formación en competencias de inteligencia artificial para investigadores y profesionales de la información. El artículo plantea, además, la posibilidad de crear laboratorios de IA vinculados a las bibliotecas, desde los cuales experimentar con estas tecnologías y desarrollar investigaciones aplicadas sobre sus posibilidades y riesgos.
La propuesta implica, por tanto, una evolución de la biblioteca como intermediaria de información hacia una biblioteca como infraestructura de conocimiento. En lugar de limitarse a proporcionar acceso a la literatura científica existente, las bibliotecas podrían participar en las nuevas cadenas de producción, validación, preservación y comunicación del conocimiento. Esto conecta directamente con cuestiones que ya están transformando la comunicación científica: artículos generados parcialmente por IA, revisión por pares asistida por algoritmos, agentes capaces de realizar búsquedas y síntesis, generación automática de hipótesis y nuevas formas de publicación científica.
Kang, Jay Caspian. “The Despair of the Professor in the Age of A.I.” The New Yorker, 26 de mayo de 2026, sección Fault Lines. Leer el artículo original en The New Yorker
Uno de los aspectos menos visibles de la expansión de la inteligencia artificial generativa en la educación superior: el impacto emocional y pedagógico que está teniendo sobre profesores y docentes. Más que centrarse exclusivamente en el problema del plagio o en la utilización de ChatGPT para realizar trabajos académicos, Kang plantea una cuestión más profunda: qué ocurre cuando la tecnología empieza a eliminar precisamente aquellas experiencias de esfuerzo, descubrimiento, frustración y elaboración personal que constituían una parte esencial de la relación entre profesores y estudiantes.
El autor parte de una experiencia universitaria propia para recordar el valor de un profesor que consiguió que un estudiante leyera y comprendiera un texto que probablemente nunca habría abordado por iniciativa propia. Para Kang, esa capacidad del profesor de acompañar al estudiante hacia una idea nueva constituye uno de los valores más difíciles de medir de la educación universitaria.
El punto de partida del artículo es el testimonio de Jane Sloan Peters, profesora de estudios religiosos, que describe cómo cambió uno de sus cursos, Letters from Prison. Durante los primeros años, los estudiantes tenían dificultades para formular una idea propia a partir de las lecturas. Precisamente ese esfuerzo constituía parte del aprendizaje: mediante lluvia de ideas, discusión y sucesivas revisiones, acababan desarrollando interpretaciones personales. Sin embargo, posteriormente comenzaron a aparecer trabajos mucho más fluidos formalmente pero también mucho más genéricos, con resúmenes perfectamente estructurados y conclusiones que parecían abarcarlo todo sin plantear realmente una idea propia. Peters sospechó que muchos estudiantes estaban utilizando IA generativa. Al introducir ejercicios manuscritos y otras actividades destinadas a recuperar el proceso de elaboración personal, experimentó una fuerte sensación de pérdida: la profesora ya no estaba simplemente enseñando una materia, sino intentando reconstruir las condiciones que permitieran a sus alumnos pensar por sí mismos.
Una de las ideas centrales del texto es que el problema no puede reducirse a “estudiantes que hacen trampas”. Peters y otros docentes entrevistados por Kang perciben que la IA está intensificando un modelo educativo que ya era predominantemente transaccional: el estudiante paga por una titulación, entrega determinados productos para obtener una calificación y finalmente consigue una credencial. La IA hace mucho más sencillo producir esos productos sin necesariamente realizar el proceso intelectual que debería acompañarlos. El resultado es una tensión entre obtener una respuesta y adquirir conocimiento, entre completar una tarea y aprender a formular preguntas, argumentar, escribir, interpretar y equivocarse. El artículo recoge además una observación interesante: algunos profesores afirman que incluso estudiantes que utilizan IA desean que sus docentes mantengan expectativas elevadas y les exijan realizar un trabajo intelectual genuino.
Los testimonios reunidos por Kang muestran que la experiencia no es homogénea. Susanna F. Boxall, profesora de filosofía, considera especialmente problemática la combinación entre IA, educación en línea y descenso demográfico de estudiantes universitarios. Según su experiencia, determinados cursos en línea han perdido buena parte de su capacidad para garantizar un aprendizaje auténtico y algunas tareas tradicionales, como los trabajos escritos, se han vuelto muy difíciles de controlar. Su alternativa ha sido recurrir a actividades presenciales y exámenes orales, aunque reconoce que este modelo resulta difícil de aplicar cuando existen grupos numerosos. Al mismo tiempo, otros profesores encuentran usos positivos de la IA: Kevin Sun, profesor de informática, explica que las herramientas pueden ayudar a preparar materiales docentes y permiten plantear ejercicios en los que los estudiantes deben evaluar código generado por IA, desplazando parcialmente el aprendizaje desde la producción hacia la revisión crítica.
El artículo también recoge experiencias que muestran que la IA puede convertirse en un estímulo para rediseñar la pedagogía, en lugar de limitarse a combatirla. Daniel Silver, profesor de sociología, explica que tuvo que dedicar mucho más tiempo a crear nuevos tipos de actividades, incluyendo simulaciones en las que los estudiantes representan teorías de autores como Adam Smith o Max Weber y experimentan con ellas. Según su experiencia, algunos de estos proyectos produjeron más creatividad y trabajo intelectual que los ensayos convencionales. Silver también utiliza ejemplos de trabajos generados por IA para mostrar a los estudiantes cómo tienden a parecerse entre sí y para plantearles el desafío de producir algo que vaya más allá de ese nivel de respuesta. Su experiencia introduce una perspectiva importante: la aparición de la IA obliga a replantear qué tipo de actividades permiten demostrar realmente que se ha aprendido.
Una dificultad especialmente importante aparece en la educación en línea. Elizabeth Strom, profesora de la University of South Florida, señala que resulta prácticamente imposible impedir completamente el uso de IA en cursos totalmente virtuales. El problema no es solamente detectar si un texto ha sido generado artificialmente, sino determinar su procedencia cuando el profesor trabaja con decenas de estudiantes a los que apenas conoce. Las tareas pueden diseñarse incorporando citas, números de página, opiniones personales, debates o juegos de rol, pero también pueden ser manipuladas con herramientas generativas. Strom señala además la falta de criterios institucionales uniformes: cuando cada profesor establece sus propias reglas sobre IA, los estudiantes reciben mensajes diferentes acerca de qué usos son aceptables.
Otro aspecto relevante es la transformación del papel del profesor. Neal Hebert, profesor de teatro, explica que ha pasado de considerarse un colaborador en el aprendizaje de sus estudiantes a sentirse en ocasiones como un investigador de plagio. Después de comprobar que numerosos trabajos sobre obras conocidas presentaban estructuras y expresiones similares a las generadas por ChatGPT, comenzó a utilizar obras menos conocidas, sobre las que los modelos tienen menos información disponible. Sin embargo, incluso esta estrategia tiene limitaciones. Su testimonio refleja una preocupación más profunda: si los estudiantes dejan de leer, interpretar y experimentar personalmente con las obras, podrían perder parte de la capacidad crítica y creativa que necesita un profesional de las artes.
El artículo presenta también una perspectiva más favorable a la incorporación de la IA. Auyon Siddiq, profesor de gestión y tecnología en UCLA, describe un curso de estadística en el que se permite explícitamente el uso de IA, incluso durante los exámenes, para comprobar qué sucede cuando los estudiantes pueden utilizar libremente estas herramientas. La experiencia le ha llevado a reconsiderar la enseñanza y a dedicar más tiempo a aspectos como la estructura de las clases, los ejemplos y los casos prácticos. Lauren Aulet, investigadora de psicología y ciencias cerebrales, señala igualmente que la IA puede reducir considerablemente el coste de experimentar con código y análisis computacional. Estos testimonios introducen una distinción fundamental: que la IA sea problemática para determinadas formas de evaluación no significa que carezca de utilidad para la investigación o la enseñanza.
Uno de los problemas más destacados por los docentes es, por tanto, la pérdida de confianza. Beth Ritter-Conn explica que la educación universitaria puede funcionar como un espacio de descubrimiento en el que los estudiantes formulan ideas, se equivocan, reciben retroalimentación y modifican sus puntos de vista. Si el profesor no sabe si una reflexión, un diario personal o una respuesta a una lectura procede realmente del estudiante, se rompe una parte esencial de esa relación. La docente ha respondido aumentando las actividades presenciales, la escritura a mano, los exámenes en papel y la toma de apuntes sin dispositivos. Estas medidas parecen mejorar la situación, pero también convierten al profesor en una figura que debe vigilar y controlar constantemente el uso de tecnología, en lugar de concentrarse exclusivamente en enseñar.
El caso de Jane Sloan Peters adquiere especial relevancia al final del artículo porque introduce una dimensión generacional. Recuperando una reflexión de Toni Morrison sobre el lenguaje y la relación entre generaciones, Peters plantea que los estudiantes también están viviendo una situación de incertidumbre ante una tecnología que transformará sus vidas. Desde esta perspectiva, los jóvenes no solo necesitan que los profesores les digan qué está permitido y qué está prohibido, sino que esperan de ellos orientación para comprender qué significa seguir pensando y escribiendo en un mundo en el que una máquina puede producir textos convincentes en segundos. La cuestión no sería únicamente cómo impedir el uso de IA, sino cómo ayudar a los estudiantes a comprender por qué sus propias palabras, sus errores, sus dudas y sus procesos de pensamiento siguen teniendo valor.
WebJunction. (2026, 16 de julio). Teaching technology to adults: Confidence-building advice from the field. WebJunction, OCLC.
Acceder al artículo original en WebJunctio
Se aborda uno de los retos habituales de las bibliotecas públicas: ayudar a las personas adultas a desenvolverse con tecnologías que pueden resultarles complejas, intimidantes o cambiantes. La propuesta parte de una idea fundamental: muchas dificultades tecnológicas no deben interpretarse únicamente como una carencia de habilidades, sino también como un problema de confianza y seguridad personal.
La experiencia procede de Steve Alcalde, responsable de Servicios Informáticos y Tecnológicos de Rogers Memorial Library, cuyo equipo imparte aproximadamente diez clases de tecnología al mes y atiende diariamente consultas tecnológicas de usuarios y personal. El planteamiento fue presentado en una sesión de la PLA dedicada precisamente a enseñar tecnología a adultos que consideran que son «malos con la tecnología».
Uno de los principales mensajes del artículo es que la finalidad de la alfabetización tecnológica no debería limitarse a resolver el problema concreto que plantea el usuario, sino conseguir que este adquiera suficiente confianza para enfrentarse posteriormente a situaciones similares por sí mismo. Desde esta perspectiva, la intervención bibliotecaria se transforma: el profesional deja de ser simplemente quien «arregla» el problema y pasa a desempeñar una función de acompañamiento y formación. Esta diferencia es importante porque una solución rápida puede resolver la dificultad inmediata, pero no necesariamente proporciona al usuario los conocimientos o la seguridad necesarios para repetir el procedimiento de manera autónoma.
El artículo propone varias estrategias prácticas. La primera consiste en normalizar el miedo o la frustración ante la tecnología. Una persona puede temer equivocarse, romper el dispositivo, parecer poco competente o no comprender las explicaciones. Reconocer que determinadas tecnologías pueden resultar confusas ayuda a reducir esa sensación de inseguridad. También se recomienda adoptar una posición física y comunicativa más colaborativa: sentarse junto al usuario en lugar de situarse enfrente y, sobre todo, no quitarle el dispositivo de las manos. Aunque manejar directamente el teléfono o el ordenador pueda ser más rápido para el profesional, permitir que la propia persona realice las acciones favorece el aprendizaje, la familiarización con el dispositivo y la adquisición de confianza.
Otro aspecto especialmente relevante es el lenguaje empleado por el personal bibliotecario. Expresiones aparentemente inocentes como «es muy fácil» o «solo tienes que…» pueden aumentar la frustración cuando el usuario está teniendo dificultades. WebJunction propone sustituir este tipo de formulaciones por expresiones de acompañamiento, como «tú inténtalo y yo te guío», «tómate tu tiempo» o «vamos a hacerlo paso a paso». Se trata de eliminar el lenguaje excesivamente técnico y evitar que la persona sienta que su dificultad es consecuencia de una supuesta incapacidad. La comunicación se convierte así en una parte esencial de la alfabetización digital.
La fragmentación de los procesos en pequeñas acciones constituye otra de las recomendaciones centrales. Lo que para un profesional habituado a utilizar una determinada aplicación o servicio puede ser una secuencia automática de pasos, para un usuario puede representar una sucesión de decisiones desconocidas. Por ello, se aconseja explicar una sola acción cada vez, comprobar que la persona la ha realizado y continuar posteriormente con el siguiente paso. A esto se añade la recomendación de reducir deliberadamente la velocidad de explicación. El profesional puede tener interiorizado el procedimiento después de haberlo realizado cientos de veces, mientras que el usuario necesita tiempo para localizar botones, comprender términos y relacionar las instrucciones con lo que aparece en pantalla.
El artículo también plantea la conveniencia de comenzar por pequeños logros o «victorias rápidas». En lugar de abordar inmediatamente una tarea compleja, puede ser útil empezar con una acción sencilla que permita experimentar una sensación de éxito: aumentar el tamaño del texto, enviar una fotografía o realizar una operación básica. Estos pequeños avances funcionan como refuerzo positivo y pueden modificar la percepción que la persona tiene de sus propias capacidades. El objetivo no es únicamente completar una tarea, sino construir progresivamente una percepción de autonomía: «puedo hacerlo».
Un elemento particularmente interesante es la necesidad de preguntar y obtener retroalimentación durante la formación. El profesional no debería asumir automáticamente que conoce el origen del problema. Una persona que parece tener dificultades con una aplicación puede, en realidad, estar confundida por el proceso completo que hay detrás. Preguntas sencillas como «¿qué parte no coincide con lo que esperabas?» permiten descubrir las verdaderas dificultades y corregir las explicaciones. De esta manera, la interacción se convierte en un proceso bidireccional en el que también el bibliotecario aprende a identificar sus propias suposiciones y a mejorar sus métodos de enseñanza.
El artículo ofrece un ejemplo muy ilustrativo relacionado con el aprendizaje de la fotografía y el envío de imágenes desde un iPhone. El usuario seguía las instrucciones, pero dudaba antes de realizar cada paso. Cuando el instructor preguntó si estaba explicando demasiado deprisa, descubrió que la persona no conocía algunos términos utilizados y necesitaba más tiempo para localizar cada elemento en la pantalla. La solución consistió en reducir el ritmo, explicar una acción cada vez, evitar vocabulario técnico no explicado y ofrecer al usuario la posibilidad de intentar por sí mismo el siguiente paso. Al finalizar, la persona manifestó que creía que podría realizar el procedimiento en casa. Para WebJunction, este resultado es más significativo que la simple resolución de la consulta, porque demuestra que se ha conseguido transferir confianza y autonomía.
Otro ejemplo aborda un problema aparentemente técnico relacionado con la impresión desde el teléfono móvil utilizando la red Wi-Fi de la biblioteca. El usuario no entendía por qué el documento no salía inmediatamente de la impresora después de pulsar «imprimir». El problema no estaba realmente en la utilización de la página web, sino en que la persona tenía un modelo mental diferente del funcionamiento del servicio: esperaba que el documento se imprimiera automáticamente, como ocurría en su domicilio. La explicación del proceso completo —enviar el documento, acudir al mostrador, realizar el pago y liberar la impresión— permitió comprender la lógica del sistema. Además, se explicó que el mecanismo de liberación contribuía a proteger la privacidad de los usuarios. El ejemplo demuestra la importancia de explicar el funcionamiento global de un servicio y no únicamente los pasos técnicos.
En un sentido más amplio, el artículo presenta la alfabetización tecnológica como una tarea educativa y no simplemente asistencial. Las bibliotecas ofrecen cada vez más apoyo para utilizar teléfonos inteligentes, ordenadores, aplicaciones, servicios digitales, sistemas de impresión y otras herramientas tecnológicas. En este contexto, cada consulta individual puede convertirse en una oportunidad para desarrollar competencias que permitan al usuario afrontar nuevos problemas. Esta concepción conecta directamente con la función tradicional de las bibliotecas como espacios de aprendizaje permanente y con su papel en la reducción de las brechas digitales. WebJunction sitúa precisamente la formación de usuarios entre las áreas fundamentales de los servicios bibliotecarios y reúne recursos específicos sobre alfabetización digital y enseñanza a usuarios.
