Archivo de la categoría: Alfabetización informacional

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.

Zotero 9.0. Tutorial. Gestor de referencias bibliográficas

Zotero 9.0. Tutorial. Gestor de referencias bibliográficas

por Julio Alonso Arévalo

Ver en Youtube

Zotero 9 es la versión más reciente del popular gestor bibliográfico y supone un cambio importante respecto a las versiones 7 y 8, especialmente en lectura asistida, rendimiento y experiencia de investigación. Por Julio Alonso Arévalo

Que características tiene esta versión:

Lectura en voz alta (Read Aloud). La función más destacada es el nuevo sistema de lectura automática de documentos:

Lee PDFs, EPUB y capturas web.
Usa voces naturales de alta calidad.
Permite avanzar por frases o párrafos.
Puede comenzar desde cualquier punto del texto.
Integra anotaciones rápidas mientras escuchas.

Esto convierte a Zotero en una herramienta híbrida entre gestor bibliográfico y asistente de lectura académica.

Repensar la evaluación en tiempos de inteligencia artificial: del producto final al proceso de aprendizaje

The AI School Librarian. “Grading in the AI Era: Research Literacy in the Age of AI, Week 13: How to Assess Reasoning, Verification, and Transparency.” The AI School Librarians Newsletter, 20 de abril de 2026. Substack. The AI School Librarians Newsletter

Se plantea una reflexión profunda sobre la crisis actual de los sistemas de evaluación educativa en un contexto marcado por la expansión de la inteligencia artificial generativa. El texto parte de una premisa contundente: si las rúbricas y modelos de calificación continúan premiando principalmente el acabado formal, la corrección gramatical o la apariencia de sofisticación textual, las herramientas de IA superarán fácilmente los criterios tradicionales de evaluación. Según el artículo, el problema central ya no consiste en “detectar trampas” o descubrir cuándo un estudiante ha utilizado IA, sino en replantear qué significa realmente aprender y qué aspectos del proceso intelectual merecen ser valorados.

La autora sostiene que gran parte de los sistemas educativos siguen fundamentándose en una lógica de evaluación heredada de la era pre-IA, centrada casi exclusivamente en el producto final: ensayos terminados, trabajos perfectamente estructurados, citas formateadas correctamente y redacciones libres de errores. Sin embargo, la inteligencia artificial es capaz de generar con rapidez precisamente ese tipo de productos. En consecuencia, la escuela se enfrenta a una disyuntiva fundamental: continuar evaluando elementos superficiales que las máquinas pueden imitar fácilmente o desplazar el foco hacia procesos cognitivos más complejos y genuinamente humanos. El texto insiste en que la verdadera evidencia del aprendizaje no reside únicamente en el resultado visible, sino en el recorrido intelectual que conduce hasta él: las dudas, revisiones, decisiones, errores, verificaciones y transformaciones del pensamiento.

Uno de los aspectos más relevantes del artículo es la idea de que la IA obliga a redefinir el concepto mismo de “autoría intelectual”. Tradicionalmente, muchos modelos de evaluación asumían que el texto presentado reflejaba directamente el pensamiento del estudiante. Sin embargo, en un escenario donde una herramienta puede redactar párrafos coherentes, producir tesis convincentes o incluso estructurar investigaciones completas, el profesorado necesita nuevas estrategias para distinguir entre producción automática y apropiación auténtica del conocimiento. El artículo argumenta que la clave no está en prohibir la IA, sino en diseñar evaluaciones capaces de hacer visible el razonamiento humano que hay detrás del trabajo.

Para responder a este desafío, el texto propone cuatro transformaciones estructurales en la evaluación. La primera consiste en calificar la evolución de la pregunta de investigación. En lugar de valorar únicamente la tesis final, se recomienda que el alumnado entregue también la pregunta inicial, las modificaciones posteriores y una explicación de cómo y por qué cambió su enfoque. Esta estrategia busca reconocer el refinamiento intelectual y la capacidad de replantear problemas, algo que constituye una parte esencial del pensamiento crítico. El aprendizaje deja así de verse como un acto instantáneo y pasa a entenderse como un proceso dinámico de exploración y reconstrucción conceptual.

La segunda transformación se centra en la justificación de las fuentes. El artículo subraya que, en una época saturada de información y contenido generado algorítmicamente, ya no basta con citar fuentes; es necesario demostrar por qué una fuente merece confianza. El alumnado debería explicar la credibilidad de los materiales utilizados, detectar sesgos, identificar limitaciones y contrastar datos mediante verificación cruzada. Esta orientación conecta directamente con las competencias de alfabetización informacional y mediática que tradicionalmente han promovido bibliotecarios y especialistas en documentación. La evaluación, por tanto, se desplaza desde la mera acumulación de referencias hacia la capacidad crítica para analizarlas y contextualizarlas.

La tercera propuesta del artículo es incorporar la transparencia como criterio explícito de evaluación. La autora defiende que los estudiantes deberían informar abiertamente sobre cómo utilizaron herramientas de IA, qué partes verificaron y qué decisiones éticas tomaron durante el proceso. Este enfoque intenta sustituir los modelos punitivos basados en vigilancia y sospecha por una cultura académica de honestidad y reflexión. En vez de criminalizar el uso de la inteligencia artificial, el sistema educativo debería enseñar a utilizarla de manera responsable, crítica y documentada. Según el texto, normalizar la transparencia reduce la dependencia de detectores automáticos de IA, cuya fiabilidad es limitada y cuya aplicación puede generar injusticias y desconfianza institucional.

La cuarta transformación aborda la importancia de la reflexión metacognitiva. El artículo propone que los estudiantes respondan preguntas relacionadas con la evolución de su pensamiento: qué cambió durante la investigación, qué evidencias resultaron más débiles o qué interrogantes quedaron sin resolver. Estas actividades buscan que el alumnado tome conciencia de sus propios procesos intelectuales y convierta el aprendizaje en una experiencia autorreflexiva. Además, la metacognición resulta especialmente difícil de automatizar, ya que implica conectar experiencias personales, decisiones contextuales y procesos internos de razonamiento.

Otro aspecto significativo del artículo es su crítica implícita a la cultura educativa basada exclusivamente en resultados cuantificables y estandarizados. La IA pone en evidencia las limitaciones de sistemas que privilegian la eficiencia, la apariencia formal y la producción rápida de textos. Frente a ello, la autora defiende modelos de evaluación más lentos, procesuales y centrados en la construcción del pensamiento. En esta visión, el aula deja de ser un espacio donde únicamente se “entregan productos” para convertirse en un entorno donde se documenta el desarrollo intelectual.

El texto también se relaciona con debates más amplios sobre alfabetización digital y ciudadanía crítica. La capacidad para verificar información, justificar decisiones y reflexionar sobre el uso ético de herramientas tecnológicas se presenta como una competencia esencial del siglo XXI. De este modo, la evaluación deja de ser solamente un mecanismo de medición académica y se transforma en un espacio de formación ética e intelectual. El artículo sugiere que la irrupción de la IA puede convertirse en una oportunidad para corregir debilidades estructurales que ya existían en los sistemas educativos mucho antes de la aparición de ChatGPT y otras plataformas generativas.

“Grading in the AI Era” propone una visión educativa basada en la autenticidad del pensamiento, la trazabilidad del aprendizaje y la centralidad del razonamiento humano. El artículo concluye que la inteligencia artificial no debería obligar a las instituciones educativas a reforzar modelos de vigilancia, sino a rediseñar profundamente sus prácticas pedagógicas. La verdadera cuestión ya no es si los estudiantes utilizan IA, sino si las escuelas son capaces de evaluar aquello que realmente importa: la capacidad de pensar, cuestionar, verificar, interpretar y construir conocimiento propio en colaboración crítica con las tecnologías emergentes

Google publica una guía clave para optimizar contenidos en la era de la búsqueda generativa

Infographic on optimizing website for generative AI features on Google Search
A detailed infographic explaining optimization strategies for generative AI features on Google Search.

Google Search Central. “Optimizing Your Website for Generative AI Features on Google Search.” Search Engine Land (cobertura periodística del documento oficial de Google). https://searchengineland.com/google-publishes-guide-on-optimizing-for-generative-ai-features-477671

Google acaba de publicar una nueva guía oficial destinada a ayudar a editores, responsables de SEO y creadores de contenido a optimizar sus sitios web para las nuevas funciones de búsqueda generativa, como las AI Overviews y el AI Mode. Este documento representa un paso importante en la consolidación del ecosistema de búsqueda impulsado por inteligencia artificial, ya que por primera vez Google ofrece directrices unificadas sobre cómo debe estructurarse y publicarse el contenido para aparecer de forma efectiva en resultados generativos. La guía no plantea una ruptura con el SEO tradicional, sino que lo reinterpreta dentro del nuevo contexto de la inteligencia artificial aplicada a la búsqueda.

Uno de los elementos centrales del documento es la afirmación de que las prácticas clásicas de optimización para buscadores siguen siendo plenamente válidas. Google subraya que los sistemas de IA generativa se apoyan en los mismos mecanismos de indexación, clasificación y recuperación de información que el buscador tradicional. En este sentido, conceptos emergentes como AEO (Answer Engine Optimization) o GEO (Generative Engine Optimization) no constituyen disciplinas independientes, sino extensiones del SEO convencional. El objetivo sigue siendo el mismo: producir contenido útil, accesible, bien estructurado y orientado a las necesidades reales de los usuarios, más que a la manipulación de los sistemas algorítmicos.

La guía también aclara varias ideas erróneas que se habían extendido en el sector del marketing digital durante los últimos años. Google señala explícitamente que no es necesario crear archivos especiales como llms.txt, ni desarrollar versiones del contenido pensadas exclusivamente para modelos de lenguaje. Tampoco es obligatorio introducir marcado estructurado adicional para “optimizar” la visibilidad en sistemas de IA generativa. Según la compañía, estos elementos no influyen directamente en la aparición del contenido en las respuestas generadas por IA, ya que los sistemas se basan principalmente en la comprensión del contenido visible y en señales de calidad general del sitio web.

Otro aspecto relevante es la insistencia en la calidad y utilidad del contenido como factor decisivo. Google destaca que los sistemas generativos están diseñados para identificar información fiable, clara y relevante, priorizando páginas que aporten valor real frente a aquellas que simplemente repiten información genérica. Esto refuerza la idea de que la estrategia más efectiva no es técnica, sino editorial: crear contenidos originales, con estructura clara, autoridad temática y utilidad demostrable para el usuario final.

Finalmente, el artículo subraya que esta guía supone una consolidación del enfoque de Google hacia la integración de la inteligencia artificial en la búsqueda. Lejos de sustituir el SEO, la búsqueda generativa lo amplía y lo redefine dentro de un marco más complejo, donde la calidad del contenido, la intención del usuario y la comprensión semántica juegan un papel más relevante que nunca. En conjunto, el documento marca un punto de referencia importante para entender cómo evolucionará la visibilidad en la web en la era de la inteligencia artificial aplicada a los motores de búsqueda.

Sabiduría humana para la era de la IA: una guía práctica para cultivar habilidades esenciales

American Association of Colleges and Universities (AAC&U). 2026. Human Wisdom for the Age of AI: A Field Guide. Washington, DC: AAC&U

Texto completo

El eje central del informe es la necesidad de reforzar lo que denomina “sabiduría humana” como competencia esencial para el siglo XXI. Frente a un entorno saturado de información y mediado por sistemas algorítmicos cada vez más potentes, el texto sostiene que no basta con desarrollar habilidades técnicas o cognitivas asociadas a la IA, sino que es imprescindible cultivar capacidades profundamente humanas: juicio ético, reflexión crítica, discernimiento moral y comprensión contextual.

La guía se inscribe en el enfoque clásico de las liberal arts education, defendiendo que la educación universitaria no debe limitarse a la adquisición de conocimientos técnicos, sino que debe promover habilidades transferibles como la indagación crítica, el razonamiento ético, la creatividad y la toma de decisiones responsable. En este marco, la “sabiduría” se entiende como una síntesis entre conocimiento, experiencia y juicio prudente, especialmente en situaciones complejas o ambiguas donde no existen respuestas algorítmicamente correctas.

El documento subraya que, en la era de la IA, la sabiduría humana adquiere un valor estratégico porque permite:

  • Interpretar críticamente la información generada por sistemas automatizados.
  • Evitar la dependencia acrítica de modelos de IA en la toma de decisiones.
  • Mantener la responsabilidad ética en contextos de automatización creciente.
  • Fomentar la autonomía intelectual frente a la delegación cognitiva en máquinas.

Además, la publicación se vincula con investigaciones contemporáneas sobre alfabetización en IA y formación universitaria, situando la sabiduría como un nivel superior en la jerarquía de habilidades cognitivas, por encima del conocimiento y la información, en línea con el modelo DIKW (data–information–knowledge–wisdom).