Archivo de la categoría: Alfabetización informacional

Las cinco prioridades tecnológicas en educación en 2026

Kelly, R. (2026, 20 de mayo). Education’s Top 5 Technology Priorities and the Challenges Standing in the Way. THE Journal. https://thejournal.com/articles/2026/05/20/educationes-top-5-technology-priorities-and-the-challenges-standing-in-the-way.aspx

El artículo analiza los resultados del informe State of EdTech de CoSN, que ofrece una panorámica de las principales prioridades tecnológicas en el ámbito educativo en Estados Unidos para 2026, así como de los obstáculos que dificultan su implementación efectiva. El estudio, basado en encuestas a más de 600 responsables tecnológicos de distritos escolares, revela que la educación atraviesa una fase de intensa transformación digital marcada por la expansión de la inteligencia artificial, la preocupación por la ciberseguridad y las limitaciones estructurales de financiación y personal.

La primera gran conclusión del informe es que la ciberseguridad se mantiene como la prioridad número uno en los sistemas educativos. Le siguen la privacidad y protección de datos, la integración de la inteligencia artificial generativa, la optimización del presupuesto tecnológico y la modernización de la infraestructura de red. Este orden refleja un cambio progresivo en las preocupaciones del sector, donde la protección de los sistemas digitales y de los datos de estudiantes y personal se ha convertido en un elemento crítico debido al aumento de incidentes cibernéticos en instituciones educativas y a la creciente dependencia de plataformas digitales para la gestión académica y administrativa.

Uno de los hallazgos principales del informe es que la ciberseguridad sigue siendo la prioridad número uno para estos responsables. La mayoría de los distritos está invirtiendo en sistemas de monitorización, detección de amenazas, protección de identidades y cortafuegos para garantizar la seguridad de las redes y la continuidad del aprendizaje. Sin embargo, el informe señala una brecha importante entre responsabilidad y capacidad de respuesta: alrededor del 65% de los encuestados identifica la falta de personal especializado en ciberseguridad y la ausencia de presupuestos específicos como los principales obstáculos para afrontar estos retos. Este problema se agrava por el aumento del coste de los seguros cibernéticos y por la aparición de ciberataques potenciados por inteligencia artificial, lo que incrementa la presión sobre los recursos disponibles.

En relación con la inteligencia artificial, el informe destaca un avance notable en la adopción de marcos normativos y de orientación para su uso responsable. Más del 75% de los distritos ya cuentan con directrices sobre IA, lo que supone un aumento significativo respecto al año anterior. Los líderes educativos valoran positivamente la orientación de las agencias estatales de educación, aunque rechazan en su mayoría la imposición de mandatos rígidos, defendiendo la importancia de la autonomía local en la toma de decisiones.

El estudio también muestra un cambio importante en la percepción de la inteligencia artificial dentro del sector educativo. En tan solo un año, los responsables tecnológicos han incrementado de forma considerable su optimismo sobre el potencial de la IA, especialmente en áreas como la productividad, la personalización del aprendizaje, la tutoría estudiantil y la preparación para el mercado laboral. De hecho, la productividad es el ámbito donde se percibe mayor impacto positivo, con un 96% de líderes que consideran que la IA puede mejorar la educación.

Además, el informe señala que más de la mitad de los distritos ya implementan iniciativas de IA centradas en la mejora de la productividad administrativa y docente, mientras que un 41% trabaja en plataformas educativas para apoyar la enseñanza y el aprendizaje. Además, el uso de la IA en operaciones internas ha crecido de forma notable, pasando del 37% al 64% en un solo año. En conjunto, el estudio refleja un sistema educativo en transición, donde la adopción de la inteligencia artificial avanza rápidamente, pero sigue condicionada por desigualdades de recursos, capacidades organizativas y necesidades de regulación equilibrada..

Escribir bajo sospecha: el impacto de los detectores de inteligencia artificial en estudiantes y docentes

Agranovsky, Nathan. 2026. “AI Detectors Are Failing Our Students.” The AI School Librarian (Substack), 13 de abril de 2026. https://aischoollibrarian.substack.com/p/ai-detectors-are-failing-our-students

El artículo analiza críticamente el uso creciente de detectores de inteligencia artificial en entornos educativos y sostiene que estas herramientas, lejos de resolver el problema del uso indebido de la IA, están generando nuevos efectos adversos en el aprendizaje y la evaluación.

Un estudio reciente, AI Writing Detectors Are Ineffective, Unreliable, and Harmful de Louie Giray, reúne evidencias crecientes y plantea una idea clara: los detectores de escritura con IA no son lo bastante fiables para ser usados en la toma de decisiones educativas, y utilizarlos así puede causar un daño real al alumnado.

En particular, se señala que los estudiantes no nativos de inglés son desproporcionadamente afectados por estas herramientas, ya que sus producciones escritas tienden a ser más estructuradas o menos idiomáticas, lo que los algoritmos interpretan erróneamente como patrones artificiales. Este fenómeno no constituye un simple margen de error aceptable, sino un problema estructural que compromete la equidad del sistema de evaluación.

En primer lugar, se argumenta que los detectores de IA no identifican realmente la autoría del texto, sino que funcionan mediante métricas probabilísticas como la perplejidad y la variabilidad de las frases, lo que los hace incapaces de distinguir de forma fiable entre un texto humano bien estructurado y uno generado por IA. Esto provoca un alto riesgo de falsos positivos, especialmente en estudiantes que escriben con estilo académico, siguen rúbricas estrictas o pertenecen a contextos multilingües.

Otro aspecto crítico que se aborda es la facilidad con la que estos sistemas pueden ser eludidos. El artículo señala que no se requieren conocimientos técnicos avanzados para modificar un texto generado por IA de forma que evite ser detectado. Cambios mínimos en la redacción, ajustes de tono o la combinación parcial de escritura humana y artificial pueden alterar significativamente los resultados del detector. Esto genera una situación paradójica: mientras algunos estudiantes pueden ser falsamente acusados sin haber utilizado IA, otros pueden emplearla de manera estratégica sin ser detectados, lo que introduce una profunda desigualdad en el sistema de evaluación.

Se dedica una parte importante al problema del sesgo, destacando que los detectores tienden a perjudicar especialmente a estudiantes multilingües o a aquellos que utilizan un lenguaje más simple o estructurado. Esta situación agrava desigualdades ya existentes en el sistema educativo, ya que estudiantes que están en proceso de adquisición de una lengua o que provienen de contextos educativos diversos tienen más probabilidades de ser señalados erróneamente. De este modo, la herramienta no solo falla en su precisión técnica, sino que también introduce un componente de injusticia sistemática.

El texto también señala que estas herramientas están alterando el comportamiento de los estudiantes, que empiezan a escribir “para el detector” en lugar de escribir para comunicar ideas. Esto conduce a una degradación del estilo, una mayor homogeneización del lenguaje y, en algunos casos, al uso defensivo de la IA para evitar ser penalizados injustamente.

Otro eje central del artículo es la dimensión ética y pedagógica: el uso de detectores desplaza la confianza del profesorado hacia sistemas opacos que no pueden demostrar autoría ni intención. Incluso los propios desarrolladores de estas herramientas reconocen su falta de fiabilidad, lo que cuestiona su uso como base para sanciones académicas.

A partir de ejemplos concretos, el artículo ilustra la situación habitual en muchas aulas: un estudiante entrega un trabajo, el sistema lo marca como generado en gran parte por IA, y el docente debe decidir si confiar en la herramienta o en la palabra del estudiante, especialmente cuando no existen borradores u ուրիշ trazas del proceso de escritura. Este tipo de dilemas refleja una tensión creciente en la educación contemporánea, donde la autoridad del algoritmo compite con la evidencia humana sin que exista un criterio claro para resolver el conflicto.

Finalmente, el autor propone un cambio de enfoque: en lugar de depender de la detección, las instituciones deberían centrarse en la alfabetización en IA, la evaluación del proceso de escritura y la adaptación de las metodologías docentes a un entorno donde la IA ya forma parte del ecosistema de aprendizaje.

Adopción de la inteligencia artificial y tecnologías digitales en la educación superior

Qartuppi, S. de R.L. de C.V. 2025. Adopción de la inteligencia artificial y tecnologías digitales en la educación superior. Volumen 1. Hermosillo: Qartuppi.

Vol. 1

Vol. 2

Esta obra examina el impacto disruptivo de las tecnologías digitales en la educación superior, resaltando su influencia en las metodologías pedagógicas, los perfiles profesionales y la relación entre el aula y la sociedad. A lo largo de sus capítulos multidisciplinarios, explora aplicaciones que van desde el ámbito de la salud hasta el uso de asistentes virtuales y la realidad virtual, destacando las oportunidades para la innovación docente. Además, aborda los desafíos éticos emergentes y la urgencia de actualizar los perfiles curriculares para integrar la inteligencia artificial de manera efectiva. Con un enfoque que equilibra la innovación tecnológica y la reflexión ética, este libro propone una educación más inclusiva y adaptable a los desafíos del futuro.

Alfabetización en IA de los alumnos

High school students using laptops to learn about AI and machine learning in a classroom with a teacher assisting
Students and a teacher engage in a lively AI and machine learning class using laptops.

Deshen, M., & Aharony, N. (2026). Students’ Artificial Intelligence (AI) literacy: An exploratory study. Journal of Librarianship and Information Science, 1-15. DOI: 10.1177/09610006261442178
.

Este estudio de carácter cuantitativo y exploratorio tiene como propósito fundamental identificar y desentrañar los factores psicológicos, actitudinales y tecnológicos que se asocian con un mayor nivel de alfabetización en Inteligencia Artificial (IA) en estudiantes de educación superior.

El trasfondo de la investigación se sitúa en la rápida evolución y adopción masiva de herramientas de IA Generativa (IAGen), tales como los chatbots de lenguaje del tipo ChatGPT, los cuales están transformando el panorama educativo y laboral contemporáneo. Los autores argumentan que comprender qué variables impulsan o limitan esta alfabetización resulta un aspecto de vital importancia para las instituciones académicas; no solo para mitigar la brecha de habilidades técnicas y garantizar la adaptabilidad de la futura fuerza de trabajo en un mercado laboral en profunda reestructuración, sino también para prevenir riesgos académicos emergentes como el plagio, la dependencia excesiva de la tecnología, la desinformación y el quiebre de la integridad académica.

Para llevar a cabo la investigación, se recolectaron datos de una muestra compuesta por 190 estudiantes universitarios en Israel a través de un cuestionario cuantitativo en línea. La metodología empleada incluyó el uso de escalas psicométricas previamente validadas y altamente confiables que permitieron medir de forma precisa la alfabetización en IA de los alumnos, el rasgo de personalidad de «apertura a la experiencia» (perteneciente al modelo de los Cinco Grandes), las evaluaciones cognitivas de la tecnología percibida como una amenaza o como un desafío, y cuatro subdimensiones clave extraídas del Modelo de Aceptación del Uso de Dispositivos de Inteligencia Artificial (AIDUA): la influencia social, la motivación hedónica, la disposición o voluntad para aceptar el uso de la IA y las emociones positivas vinculadas a estas tecnologías. El análisis de los datos se efectuó mediante correlaciones estadísticas y un riguroso modelo de regresión múltiple jerárquica con el fin de determinar el peso predictivo de cada una de estas variables sobre la competencia general en IA de los participantes.

Los resultados estadísticos revelaron hallazgos de gran relevancia teórica y práctica. En primer lugar, se demostró que variables como la apertura a la experiencia y la percepción de la IA como un desafío (en lugar de como una amenaza) actúan como potentes predictores positivos de la alfabetización en IA, explicando por sí solas un considerable 48% de la varianza en la competencia de los estudiantes. Esto sugiere que aquellos alumnos dotados de flexibilidad cognitiva, curiosidad intelectual y una actitud orientada al crecimiento personal ven en los avances tecnológicos una oportunidad de aprendizaje benéfica, lo que estimula de manera directa el desarrollo de sus capacidades técnicas y críticas. Por otro lado, aunque el análisis correlacional simple inicial mostró vínculos positivos con el uso real de la IA y con las subescalas del modelo AIDUA (influencia social, motivación hedónica, emociones positivas y disposición de uso) , al introducir todas las variables simultáneamente en la regresión jerárquica, los factores de aceptación tecnológica del AIDUA perdieron significancia predictiva directa ante el peso dominante de la personalidad y la evaluación cognitiva del desafío. Asimismo, se detectaron discrepancias demográficas significativas: los estudiantes varones reportaron niveles ligeramente superiores de alfabetización en IA en comparación con las mujeres , y el uso previo de tecnologías de IA demostró ser el predictor más robusto dentro de los factores de fondo, lo que confirma que la familiaridad y la práctica directa potencian drásticamente las competencias de los estudiantes.

Finalmente, un hallazgo interactivo sumamente interesante emergió al analizar la relación entre la influencia social y la edad de los participantes. El estudio determinó, mediante la aplicación del método estadístico de Johnson-Neyman, que la presión o el ejemplo del entorno social (opiniones de pares, normas sociales y redes de contactos) ejerce un impacto positivo y estadísticamente significativo sobre la alfabetización en IA de manera exclusiva en los estudiantes menores de 27.87 años. Para los estudiantes que superan dicho umbral de edad, la influencia de los demás deja de ser un factor determinante en su nivel de alfabetización tecnológica. Con base en estas conclusiones, el artículo enfatiza que la alfabetización en IA no debe concebirse únicamente como una destreza puramente técnica o de programación, sino como un entramado multifacético que abarca la comprensión conceptual, la aplicación práctica, la evaluación crítica y la profunda reflexión sobre las implicaciones éticas y los impactos societales de la IA. Los autores concluyen instando a las universidades a rediseñar de manera urgente sus planes de estudio, adoptando enfoques holísticos e implementando programas educativos personalizados que promuevan activamente actitudes positivas, gestionen la ansiedad tecnológica y doten a los futuros graduados de un marco de compromiso ético indispensable para prosperar de forma competitiva en un mundo gobernado por algoritmos.

Datos relevantes:

Total: 190 estudiantes universitarios.

Uso de tecnología: La gran mayoría (casi 9 de cada 10 estudiantes o el 86.8%) ya utilizaba herramientas de Inteligencia Artificial (como ChatGPT).

Género: Hubo una mayoría de hombres (68% frente a un 32% de mujeres).

Edad: El grupo fue muy variado (desde jóvenes de 19 años hasta adultos de 57), pero la edad promedio fue de 31 años.

Nivel: El 62% estudiaba una carrera universitaria (grado) y el 38% estudiaba un posgrado o maestría.

Ganas de usarla (4.07 / 5): Los estudiantes tienen una disposición altísima a aceptar la IA en sus vidas.

Diversión / Motivación (3.92 / 5): Les resulta muy entretenido y motivador usar estas herramientas.

Nivel de habilidad percibido (3.79 / 5): En general, los estudiantes sienten que se defienden bastante bien con la IA (tienen una alfabetización media-alta).

Curiosidad / Apertura mental (3.78 / 5): La muestra destaca por ser gente abierta a nuevas experiencias.

Verlo como un reto positivo (3.36 / 5): Ven la IA como una oportunidad para aprender.

Verlo como una amenaza (2.36 / 5): El miedo o la sensación de peligro hacia la IA es bajo; a los estudiantes no les asusta especialmente que les vaya a quitar el empleo o a perjudicar.

Presión del entorno (2.87 / 5): La sociedad o sus círculos cercanos no les presionan demasiado para que la usen (es el factor con menor puntuación).

Radiografía de la desinformación global: la información se ha convertido en un campo de batalla estratégico

Las 10 principales plataformas por volumen de observables

European External Action Service (EEAS). 4th EEAS Report on Foreign Information Manipulation and Interference (FIMI) Threats. Brussels: EEAS, March 2026. Disponible en: https://euvsdisinfo.eu/uploads/2026/03/EEAS-4th-Threat-Report_web-version.pdf

El 4º informe anual del Servicio Europeo de Acción Exterior (EEAS) sobre amenazas de manipulación e interferencia informativa extranjera (FIMI) ofrece una radiografía detallada del ecosistema global de desinformación en 2025 y principios de 2026. El documento confirma que la información se ha convertido en un campo de batalla estratégico central, integrado en dinámicas híbridas que combinan ciberataques, presión política, guerra cognitiva y operaciones de influencia digital.

Uno de los principales hallazgos del informe es el incremento de la escala, sofisticación y automatización de las operaciones FIMI. Durante 2025, el EEAS documentó 540 incidentes globales, con una concentración de ataques especialmente significativa contra Ucrania, Francia, Moldavia y Alemania. El informe subraya que estas campañas no son episodios aislados, sino operaciones continuas, coordinadas y adaptativas, integradas en estrategias geopolíticas más amplias.

El informe identifica además un ecosistema masivo de infraestructura de influencia: aproximadamente 10.500 canales digitales y sitios web fueron utilizados para producir o amplificar contenido manipulado. De estos, una gran mayoría opera como redes encubiertas o inauténticas, mientras que solo una minoría está directamente vinculada a actores estatales visibles. Esto refleja la creciente dependencia de redes proxy, intermediarios y estructuras opacas que permiten negar atribución directa y aumentar la resiliencia de las campañas.

Otro eje central del informe es el papel de la inteligencia artificial (IA). El EEAS señala un salto cualitativo: en 2025, aproximadamente uno de cada cuatro incidentes FIMI implicó herramientas de IA, y el uso de estas tecnologías ha pasado de ser experimental a convertirse en un recurso rutinario. La IA se emplea para generar texto, imágenes, audio y vídeo sintético, así como para traducir y amplificar contenidos en múltiples idiomas, lo que permite una producción masiva, barata y altamente escalable de desinformación.

El informe dedica especial atención a los actores estatales, destacando principalmente a Rusia y China como principales impulsores de campañas FIMI. Estas operaciones muestran patrones comunes: creación de medios falsos, uso de cuentas coordinadas en redes sociales, manipulación de narrativas políticas y explotación de crisis internacionales o procesos electorales. El informe también señala que estas campañas se dirigen no solo a gobiernos, sino también a organizaciones internacionales, medios de comunicación, ONG y figuras públicas.

En el plano conceptual, el EEAS introduce un cambio importante: pasar de la simple evaluación del riesgo a la lógica de la disuasión (deterrence). El informe propone el llamado “FIMI Deterrence Playbook”, un marco operativo destinado a aumentar los costes de estas operaciones y reducir su rentabilidad estratégica. Este enfoque busca actuar sobre toda la cadena de suministro de la desinformación: desde financiadores y organizadores hasta intermediarios tecnológicos y plataformas digitales.

Asimismo, el informe enfatiza la necesidad de una respuesta multinivel y coordinada, que combine sanciones, regulación digital (incluida la Digital Services Act), cooperación judicial y policial, y estrategias de resiliencia social como la alfabetización mediática. La lógica es pasar de una respuesta reactiva a una estrategia anticipatoria y estructural, capaz de desmantelar las infraestructuras que sostienen la manipulación informativa.

En su dimensión política, el informe advierte que la FIMI forma parte de un entorno de competencia geopolítica creciente, donde la información se utiliza como instrumento de poder para influir en elecciones, erosionar la confianza en instituciones democráticas y debilitar la cohesión social dentro de la Unión Europea y sus países socios.

El documento concluye que la FIMI ya no puede entenderse como un problema comunicacional o mediático, sino como un problema de seguridad estratégica y estabilidad democrática. El reto principal para la UE es transformar la comprensión analítica del fenómeno en capacidad operativa de disuasión efectiva, haciendo que estas actividades sean más costosas, menos eficaces y progresivamente inviables.

Google AI Overviews: la precisión de la inteligencia artificial en la búsqueda y el problema de la fiabilidad informativa

Scale comparing accurate AI overview with verified sources and inaccurate AI overview with erroneous sources
Balancing accurate AI overview against errors and hallucinations

Mickle, Tripp, Cade Metz, Dylan Freedman, Teresa Mondría Terol y Keith Collins. «How Accurate Are Google’s A.I. Overviews?» The New York Times, 7 de abril de 2026. https://www.nytimes.com/2026/04/07/technology/google-ai-overviews-accuracy.html
.

El funcionamiento y la fiabilidad de Google AI Overviews, el sistema de respuestas generadas por inteligencia artificial que aparece directamente en los resultados de búsqueda. El informe se centra en una cuestión clave del ecosistema digital actual: hasta qué punto estos resúmenes automáticos pueden considerarse fiables cuando están mediando entre los usuarios y la información en la web.

La investigación parte de una evaluación técnica realizada con metodologías de benchmarking, que sugiere que, aunque el sistema muestra un alto nivel de acierto general, sigue produciendo un volumen significativo de errores debido a la naturaleza probabilística de los modelos de lenguaje.

Uno de los hallazgos principales es que los AI Overviews alcanzan aproximadamente entre un 90% y 91% de precisión en tareas evaluadas, lo que en términos relativos puede parecer un rendimiento elevado. Sin embargo, el artículo subraya que esta cifra adquiere otra dimensión cuando se aplica a la escala masiva de Google, que procesa billones de consultas anuales. En este contexto, incluso un margen de error del 9–10% se traduce en millones de respuestas incorrectas difundidas diariamente, lo que plantea un problema estructural de fiabilidad en la infraestructura informativa global.

El texto también profundiza en la naturaleza del error en los sistemas de inteligencia artificial generativa. A diferencia de los motores de búsqueda tradicionales, que devuelven enlaces a fuentes externas, los AI Overviews sintetizan respuestas directamente. Este proceso implica que los modelos no “verifican” la verdad de la información, sino que generan textos basados en patrones estadísticos de lenguaje. Como resultado, pueden producir afirmaciones plausibles pero incorrectas, especialmente cuando las fuentes subyacentes son ambiguas, contradictorias o de baja calidad.

Otro aspecto relevante del análisis es el impacto epistemológico de este tipo de tecnología. El artículo señala que la integración de respuestas generadas por IA en la parte superior de los resultados de búsqueda transforma la relación entre usuarios e ინფორმაცია: en lugar de acceder a múltiples fuentes para contrastar información, los usuarios reciben una síntesis única que puede ocultar la diversidad o el conflicto entre datos. Esto introduce una tensión entre eficiencia y verificación, ya que la rapidez del acceso a la información puede debilitar los procesos de comprobación crítica.

El informe plantea implicaciones más amplias para el ecosistema digital y la confianza pública en la información en línea. Aunque Google defiende que el sistema mejora continuamente y reduce errores, el estudio sugiere que la escala del problema sigue siendo significativa. En consecuencia, el artículo concluye que la cuestión central no es solo la precisión técnica del sistema, sino su impacto en la arquitectura del conocimiento digital: la forma en que la inteligencia artificial reconfigura qué información se ve, cómo se interpreta y en qué medida puede considerarse fiable en un entorno informativo cada vez más mediado por algoritmos.

La Inteligencia Artificial actúa como un megáfono distorsionador de desinformación masiva

Endert, Julius. “Generative AI is the Ultimate Disinformation Amplifier.” DW Akademie, March 26, 2024. https://akademie.dw.com/en/generative-ai-is-the-ultimate-disinformation-amplifier/a-68593890

La Inteligencia Artificial actúa como un megáfono distorsionador: por un lado absorbe datos caóticos de internet y, por el otro, los proyecta amplificados, transformando pequeñas mentiras en un diluvio de desinformación masiva.

La inteligencia artificial está redefiniendo el ecosistema informativo global. Su capacidad para procesar enormes volúmenes de datos, sintetizar información y generar contenido coherente ha sido celebrada como una revolución tecnológica. Sin embargo, existe una dimensión menos visible y potencialmente más peligrosa: su papel como amplificador estructural de la desinformación.

El núcleo del problema: Del consumo a la factoría

  • La fase de consumo: La IA se entrena con millones de textos de internet, absorbiendo verdades, pero también teorías conspirativas, sesgos históricos y datos falsos.
  • La fase de amplificación: Al generar contenido de forma masiva, barata y automatizada, la IA no solo repite lo que aprendió; lo empaqueta en formatos que parecen profesionales (noticias falsas que lucen reales, imágenes sintéticas convincentes), multiplicando el volumen de la mentira a una velocidad que los verificadores humanos no pueden alcanzar.

En este sentido, la IA puede entenderse como un megáfono distorsionador. No necesariamente crea la mentira, pero sí la recoge del entorno digital, la reorganiza y la devuelve amplificada, dotada de mayor coherencia formal, más persuasiva y, en muchos casos, más difícil de detectar.

El ecosistema digital contemporáneo ya está profundamente contaminado por información de baja calidad. Rumores sin verificar, noticias falsas diseñadas estratégicamente, bots automatizados y contenidos clickbait optimizados para la viralidad forman parte de un flujo constante de información caótica. En condiciones tradicionales, este ruido informativo se filtra parcialmente a través de medios de comunicación, periodistas o verificadores de hechos. Sin embargo, en los sistemas de inteligencia artificial generativa, este filtro se vuelve más ambiguo y menos transparente.

La IA no distingue entre verdad y falsedad en términos humanos. Su funcionamiento se basa en el reconocimiento de patrones lingüísticos, probabilidades estadísticas y correlaciones entre datos. En otras palabras, no opera con un modelo de verdad, sino con un modelo de coherencia. Esto genera un problema estructural: aquello que es falso, pero aparece repetido con suficiente frecuencia en los datos, puede adquirir apariencia de verosimilitud dentro del sistema.

El núcleo del problema reside precisamente en esta ausencia de epistemología. Los algoritmos de aprendizaje automático procesan grandes volúmenes de información heterogénea, mezclan fuentes de distinta calidad y generan respuestas que priorizan la plausibilidad lingüística. El resultado es la posibilidad de que la coherencia sustituya a la veracidad como criterio dominante.

En este contexto, surge un efecto de cámara de eco automatizado. Una vez que los sistemas han sido entrenados con datos contaminados, pueden reproducir narrativas sesgadas, interpretaciones incompletas o errores que aparecen reformulados como si fueran hechos. Sin embargo, el aspecto más preocupante no es la simple repetición, sino la capacidad de reformulación constante.

La inteligencia artificial no copia la desinformación de forma literal, sino que la reescribe. En ese proceso, le otorga apariencia de novedad, adopta estilos comunicativos profesionales y elimina rastros evidentes de su origen dudoso. Esto contribuye a que la mentira se vuelva más sofisticada, más creíble y mucho más difícil de rastrear.

Cuando este contenido generado se traslada al espacio público, entra en una fase de amplificación masiva. La IA funciona entonces como un megáfono digital capaz de producir múltiples versiones de un mismo mensaje, adaptarlo a diferentes audiencias, generar textos, imágenes o vídeos hiperrealistas y simular voces o estilos periodísticos. El resultado es una auténtica industrialización de la desinformación, donde ya no existen falsedades aisladas, sino ecosistemas completos de réplicas coordinadas.

En este nuevo entorno emergen formas específicas de desinformación automatizada. Por un lado, la saturación de medios clonados, es decir, sitios web que imitan portales informativos legítimos y que se generan automáticamente para reforzar determinadas narrativas. Por otro, los deepfakes hiperrealistas, capaces de recrear con gran precisión eventos que nunca ocurrieron. Finalmente, los artículos hiperpartidistas automatizados, textos generados en segundos que imitan el estilo periodístico pero están diseñados para polarizar y manipular la opinión pública.

Este proceso implica un cambio estructural profundo: la transición de la IA de consumidora de información a productora masiva de narrativas. Durante su fase de consumo, los sistemas se entrenan con un entorno digital donde conviven textos fiables, teorías conspirativas, sesgos históricos y errores acumulados. El problema no es la diversidad de datos, sino la ausencia de jerarquía epistemológica que permita distinguir su valor.

En la fase de amplificación, la IA reconfigura ese material sin mecanismos robustos de verificación de verdad. Reempaqueta la información en formatos persuasivos y acelera su difusión a una escala sin precedentes. De este modo, el sistema deja de ser únicamente un repositorio de conocimiento para convertirse en una factoría de narrativas.

El resultado es un ecosistema de realidad cada vez más inestable. La saturación informativa se vuelve constante, las fronteras entre lo real y lo simulado se difuminan, la confianza en las fuentes tradicionales disminuye y la verificación de hechos se vuelve progresivamente más compleja. En este contexto, la desinformación deja de ser una anomalía puntual y pasa a integrarse como un subproducto estructural del sistema informativo automatizado.

Por ello, la inteligencia artificial no puede entenderse únicamente como una herramienta neutral. Su funcionamiento actual la sitúa como un sistema de transformación masiva de información que puede tanto ampliar el acceso al conocimiento como intensificar sus distorsiones. El problema no es solo tecnológico, sino profundamente epistemológico: cómo distinguir la verdad cuando la falsedad puede ser generada, replicada y estilizada con la misma eficacia formal.

La respuesta no puede ser exclusivamente técnica. Requiere educación crítica, alfabetización mediática y nuevos marcos de gobernanza digital. En un entorno donde la inteligencia artificial amplifica todo, la cuestión central ya no es únicamente qué es información, sino qué significa todavía hablar de verdad.

La inteligencia artificial ya no solo “consume” información de internet, sino que está amplificando y reproduciendo desinformación a gran escala

Get Fact First. 2026. “AI Is Now Running the Mis and Disinformation.” Get Fact First (Substack). Accedido el 25 de mayo de 2026. https://getfactfirst.substack.com/p/ai-is-now-running-the-mis-and-disinformation

La inteligencia artificial ha pasado de ser una herramienta auxiliar en la producción y distribución de información a convertirse en un componente estructural dentro del ecosistema global de la desinformación. En lugar de limitarse a responder preguntas o resumir contenidos, los sistemas generativos actuales participan activamente en la circulación, reformulación y amplificación de narrativas informativas, incluidas aquellas que pueden ser falsas, sesgadas o directamente manipuladas.

El último informe de amenazas de la UE concluyó que el 27% de los incidentes de manipulación de información extranjera en 2025 involucraron IA. Y esto es solo lo que está en el dominio público. Rusia ha invertido una cifra récord de 1.850 millones de dólares en propaganda exterior para 2026, un 54% más en un año. Irán también está inyectando nuevo dinero en su cadena estatal de radiodifusión. La guerra de Irán de 2026 se ha convertido en un banco de pruebas en tiempo real, con Rusia y China ejecutando operaciones paralelas y compartiendo inteligencia mientras lo hacen.

Investigadores del Information Sciences Institute de la USC introdujeron un puñado de agentes de IA en una red social simulada y les dieron una única tarea: ejecutar una campaña de propaganda. Nadie los programó ni les indicó cómo hacerlo. Ellos lo resolvieron por sí mismos: publicaciones sincronizadas, inundación de hashtags, el mismo mensaje con distintas voces, y una coordinación del público objetivo. Cada acción que reconocerías de una operación de influencia real fue inventada desde cero por el software. Los investigadores lo dicen de forma sencilla: esto no es una amenaza futura, ya es técnicamente posible. Diez agentes lo hicieron en un laboratorio, y es seguro que esto ya lleva tiempo ocurriendo fuera de él. El coste de fabricar una realidad falsa ha caído prácticamente a cero, los presupuestos estatales detrás de ello están aumentando, y el ser humano ha quedado fuera del proceso.

Miremos las elecciones del año pasado en Irlanda. Días antes de la votación presidencial, apareció un falso boletín de “RTÉ News” anunciando que la candidata Catherine Connolly se había retirado de la carrera y que las elecciones se habían cancelado. Estuvo activo durante doce horas y acumuló 30.000 visualizaciones antes de ser retirado. Ella no se había retirado.

Una de las ideas centrales es que los modelos de IA no operan con una noción de verdad, sino con correlaciones estadísticas del lenguaje. Esto significa que su funcionamiento no se basa en comprobar la veracidad de los datos, sino en predecir la continuación más probable de un texto. En consecuencia, cuando la red contiene información incorrecta ampliamente difundida, existe el riesgo de que esa información sea integrada en los modelos y posteriormente reproducida con un formato convincente, lo que incrementa su credibilidad percibida. Este fenómeno genera lo que el artículo describe como una apariencia de autoridad sin verificación epistémica real.

El texto también enfatiza el carácter acumulativo del problema. La desinformación en internet no es nueva, pero la IA introduce una capa de aceleración y automatización. Plataformas, redes sociales, foros y sitios de baja fiabilidad constituyen un entorno donde la información circula sin control riguroso. En ese contexto, los modelos de IA actúan como sistemas de compresión y redistribución de información: sintetizan grandes volúmenes de contenido y lo devuelven al usuario en forma de respuestas claras y aparentemente neutrales. Sin embargo, esa síntesis puede diluir matices, eliminar fuentes o reforzar errores existentes.

Otro punto relevante del artículo es la transformación del fenómeno propagandístico. Tradicionalmente, la desinformación requería actores humanos que diseñaran campañas, produjeran contenido y lo distribuyeran de forma coordinada. Con la aparición de sistemas automatizados, ese proceso puede ejecutarse de manera continua, escalable y con menor coste. El resultado es un ecosistema donde bots, modelos generativos y herramientas de automatización pueden sostener narrativas falsas durante largos periodos sin intervención directa constante.

El artículo también introduce una dimensión social y cognitiva: la erosión progresiva de la confianza informativa. No se trata solo de que exista más información falsa, sino de que se debilita la capacidad del público para distinguir entre fuentes fiables y no fiables. Cuando los usuarios reciben respuestas coherentes, bien redactadas y aparentemente neutrales de sistemas automatizados, puede generarse una confianza excesiva en la forma del mensaje por encima de su contenido real.

El texto sugiere que la desinformación automatizada no es un fenómeno marginal, sino una tendencia estructural que podría redefinir la ecología informativa contemporánea. En este escenario, la IA no es únicamente un intermediario, sino un actor que participa en la construcción misma del espacio público digital, con implicaciones directas para la comunicación política, la ciencia, el periodismo y la educación mediática.

De oyentes a exploradores: reinventando las actividades infantiles en bibliotecas

Teacher reading 'The Gruffalo's Child' to children during storytime in a colorful library corner

“Curious Kids: A Program for the Children We Were Losing After Storytime”, publicado en el blog de la Association for Library Service to Children (ALSC), división de la American Library Association.

ALSC Blog

Se propone una reflexión sobre uno de los desafíos más frecuentes en las bibliotecas infantiles: qué ocurre con aquellos niños que “envejecen” para los programas tradicionales de cuentacuentos, pero que todavía no encuentran su lugar en las actividades pensadas para preadolescentes o adolescentes.

A partir de esta preocupación nace “Curious Kids”, una iniciativa diseñada específicamente para retener a esos usuarios infantiles que comenzaban a desaparecer de la biblioteca después de los programas de primera infancia. El texto parte de una observación sencilla pero reveladora: muchos niños dejan de asistir a la biblioteca no porque pierdan el interés por aprender, sino porque los formatos disponibles dejan de responder a su necesidad creciente de participación activa, exploración y descubrimiento.

El programa “Curious Kids” se plantea así como una transición entre el universo del storytime y experiencias más autónomas de aprendizaje. La propuesta apuesta por actividades basadas en la curiosidad, la experimentación y la interacción práctica. Frente al modelo tradicional en el que el niño escucha pasivamente una historia, aquí se fomenta que pregunte, manipule, construya y participe. El artículo subraya que los niños de entre seis y once años suelen encontrarse en una etapa especialmente compleja desde el punto de vista bibliotecario: ya no desean actividades percibidas como “para pequeños”, pero todavía necesitan espacios guiados, sociales y creativos donde sentirse cómodos y reconocidos.

Uno de los aspectos más interesantes del texto es la reivindicación de la curiosidad como motor educativo. El programa no se centra únicamente en promover la lectura de manera directa, sino en convertir la biblioteca en un espacio de descubrimiento integral. Ciencia, arte, manualidades, preguntas sobre el mundo natural, juegos de lógica o actividades de exploración forman parte de una filosofía que entiende que el interés por los libros surge muchas veces de una experiencia previa de asombro. La biblioteca deja así de ser exclusivamente un lugar para leer y se convierte en un entorno de investigación y creatividad infantil.

El artículo también destaca la importancia del diseño inclusivo de programas infantiles. Muchos niños abandonan las actividades bibliotecarias porque sienten que estas ya no están pensadas para ellos. “Curious Kids” intenta precisamente evitar esa pérdida de conexión emocional con la biblioteca. La iniciativa reconoce que no todos los niños aprenden del mismo modo ni responden igual a las dinámicas tradicionales. Algunos necesitan movimiento, experimentación o trabajo colaborativo. Otros encuentran motivación en desafíos prácticos o en actividades STEM. Esta flexibilidad metodológica permite ampliar la participación y atraer perfiles de usuarios que quizás no encajarían en programas más convencionales.

Otro elemento relevante es la dimensión comunitaria del proyecto. El programa no solo busca entretener, sino consolidar la biblioteca como espacio seguro de pertenencia y crecimiento. En un contexto en el que muchos niños pasan gran parte de su tiempo frente a pantallas o en actividades altamente estructuradas, la biblioteca aparece como un lugar donde pueden explorar libremente sus intereses. El texto sugiere que este tipo de iniciativas ayudan a fortalecer la relación de largo plazo entre los niños y la institución bibliotecaria, favoreciendo que continúen siendo usuarios activos durante la adolescencia y la vida adulta.

La experiencia descrita conecta además con una tendencia más amplia dentro de los servicios bibliotecarios infantiles contemporáneos: el paso de modelos centrados únicamente en la alfabetización temprana hacia enfoques que integran creatividad, aprendizaje informal, participación y desarrollo socioemocional. Numerosas bibliotecas están reformulando sus programas para responder a las necesidades cambiantes de las familias y de las nuevas generaciones de usuarios.

Curious Kids” demuestra que pequeños cambios en la concepción de las actividades pueden tener un impacto importante en la fidelización de los niños y en la construcción de una biblioteca más participativa, flexible y adaptada a las distintas etapas del desarrollo infantil.

El problema de la primera respuesta: cómo la IA está cambiando la forma de pensar, verificar y aprender

“The First Answer Problem: The hidden impact of AI-generated answers on student thinking, verification, and access to information”. Publicado en la newsletter AI School Librarian en Substack. Disponible en: AI School Librarian – The First Answer Problem

Se analiza uno de los efectos más profundos y menos visibles de la inteligencia artificial generativa en la educación: el desplazamiento del proceso de búsqueda, reflexión y verificación por respuestas inmediatas generadas automáticamente. La autora sostiene que el problema no es únicamente que los estudiantes utilicen herramientas como ChatGPT o los resúmenes automáticos de buscadores, sino que estas tecnologías están modificando la manera en que las personas se relacionan con el conocimiento. En lugar de recorrer distintas fuentes, contrastar perspectivas y construir criterios propios, los usuarios tienden a aceptar la “primera respuesta” producida por la IA como si fuese una síntesis objetiva y suficiente de la realidad.

El texto explica que durante décadas el proceso de búsqueda de información implicaba una serie de pasos cognitivos importantes: formular preguntas, revisar resultados, distinguir entre fuentes fiables y dudosas, comparar interpretaciones y, finalmente, construir una conclusión propia. Con la irrupción de los sistemas de respuesta automática, gran parte de ese recorrido desaparece. El usuario recibe una respuesta cerrada, aparentemente coherente y redactada con autoridad. La consecuencia es que la búsqueda deja de ser una actividad intelectual activa para convertirse en una experiencia de consumo pasivo de información.

El artículo subraya que esta transformación afecta especialmente a los estudiantes jóvenes, quienes pueden llegar a pensar que investigar consiste simplemente en obtener una respuesta instantánea. Según la autora, el verdadero riesgo no es únicamente la posibilidad de errores o “alucinaciones” de la IA, sino la pérdida gradual de habilidades críticas como la duda, la verificación y el razonamiento independiente. La IA reduce la fricción cognitiva que tradicionalmente formaba parte del aprendizaje. Sin esa fricción —el esfuerzo de leer, seleccionar y evaluar— disminuyen también la memoria, la comprensión profunda y la capacidad de desarrollar pensamiento propio.

La reflexión conecta con investigaciones recientes sobre sistemas generativos y verificación del conocimiento. Diversos estudios señalan que los modelos de IA producen respuestas convincentes incluso cuando son incorrectas o cuando las referencias que proporcionan son falsas. Investigadores han demostrado que los sistemas de lenguaje pueden generar información plausible sin ser capaces de respaldarla adecuadamente con evidencias reales. Esta cuestión resulta especialmente preocupante en contextos educativos, donde muchos estudiantes todavía no poseen herramientas suficientes para distinguir entre una respuesta sólida y una explicación meramente persuasiva.

El artículo también plantea que los motores de búsqueda basados en IA están sustituyendo progresivamente el modelo clásico de exploración web. En lugar de ofrecer listas de enlaces diversos, presentan resúmenes únicos elaborados algorítmicamente. Investigaciones recientes denominan este fenómeno “burbujas de respuesta”, ya que diferentes sistemas de IA pueden ofrecer versiones distintas y sesgadas de la realidad dependiendo de las fuentes que prioricen. Esto supone una transformación profunda del acceso a la información: el usuario ya no navega entre múltiples voces, sino que recibe una interpretación sintetizada por un intermediario algorítmico.

La autora advierte además de que la aparente autoridad lingüística de la IA favorece una confianza excesiva. Las respuestas están redactadas con fluidez, seguridad y tono enciclopédico, lo que dificulta detectar errores o simplificaciones. Estudios recientes muestran que muchos sistemas reducen incluso las expresiones de duda o incertidumbre presentes en las fuentes originales, transmitiendo una sensación artificial de certeza. De esta manera, la IA no solo organiza la información, sino que también condiciona la percepción de qué conocimientos parecen indiscutibles.

En el ámbito educativo, el texto señala que esta dinámica puede generar estudiantes capaces de repetir respuestas elaboradas por IA sin haber desarrollado comprensión auténtica. Diversos debates en comunidades docentes reflejan precisamente esta preocupación: profesores observan que muchos alumnos utilizan herramientas generativas para resumir lecturas, construir opiniones o elaborar respuestas antes incluso de enfrentarse directamente al material original. El aprendizaje se vuelve superficial, apoyado en textos correctos formalmente pero desconectados de una verdadera elaboración intelectual.

El artículo defiende que las bibliotecas escolares y los profesionales de la información tienen un papel fundamental ante esta situación. No basta con enseñar a utilizar herramientas digitales; es necesario formar en alfabetización informacional avanzada. Esto implica enseñar a verificar fuentes, rastrear el origen de las afirmaciones, identificar sesgos algorítmicos y comprender cómo funcionan los modelos de IA. La autora propone recuperar la idea de que investigar no consiste en encontrar rápidamente una respuesta, sino en aprender a formular preguntas mejores y desarrollar pensamiento crítico.

La reflexión enlaza además con debates contemporáneos sobre la verificabilidad de las respuestas generadas por IA. Instituciones académicas y tecnológicas están trabajando en sistemas que permitan rastrear evidencias y validar automáticamente afirmaciones generadas por modelos de lenguaje. Sin embargo, el propio artículo sugiere que ningún sistema técnico sustituirá completamente la necesidad de juicio humano, especialmente en educación.

En todo esto se plantea una cuestión cultural de gran alcance: si las nuevas generaciones se acostumbran a aceptar respuestas inmediatas producidas algorítmicamente, podría debilitarse la capacidad social de cuestionar, contrastar y pensar de forma autónoma. El problema central no sería únicamente tecnológico, sino epistemológico y educativo. La IA modifica no solo cómo accedemos a la información, sino también cómo entendemos el acto mismo de conocer.