El programa aborda cómo la inteligencia artificial se ha convertido en una competencia esencial del siglo XXI y por qué la alfabetización en IA debe ir más allá del uso instrumental de herramientas como ChatGPT. Se analiza la necesidad de comprender algoritmos, detectar sesgos, evaluar críticamente contenidos generados automáticamente y actuar de forma ética y responsable. A partir de marcos conceptuales de alfabetización en IA internacionales como los de UNESCO y EDUCAUSE, se reflexiona sobre las nuevas competencias digitales necesarias. El espacio destaca además el papel estratégico de las bibliotecas como mediadoras frente a la desinformación y como agentes clave en la formación de ciudadanía crítica en el entorno algorítmico. Finalmente, se plantea que la alfabetiza
An illustrated framework highlighting key factors influencing students’ AI literacy development.
Shomotova, A., ElSayary, A., & Husain, S. (2026). What shapes students’ AI literacy? Investigating digital competence, student background, and GenAI use in higher education.Education and Information Technologies, 31, 387–418. https://doi.org/10.1007/s10639-025-13832-x
Este estudio investiga las relaciones entre la competencia digital, el uso de la Inteligencia Artificial Generativa (IA Gen), las características de los antecedentes personales de los estudiantes y la alfabetización en IA entre estudiantes de pregrado en los Emiratos Árabes Unidos (EAU). A medida que la IA se integra cada vez más en la educación superior, comprender cómo los estudiantes desarrollan las habilidades para utilizar estas herramientas de manera responsable y efectiva resulta fundamental.
A partir de instrumentos validados—la Escala de Competencia Digital Estudiantil (SDiCoS, por sus siglas en inglés) y la Escala de Alfabetización en Inteligencia Artificial (AILS, por sus siglas en inglés)—se recopilaron datos de 186 estudiantes de pregrado, los cuales fueron analizados mediante análisis factorial, modelos de ecuaciones estructurales, ANOVA y regresión jerárquica.
Los hallazgos revelaron una fuerte relación positiva entre la competencia digital y la alfabetización en IA, emergiendo las habilidades de evaluación digital como el predictor más sólido. La frecuencia del uso de IA Gen se asoció significativamente tanto con la competencia digital como con la alfabetización en IA. Las características de los antecedentes de los estudiantes, incluyendo el rendimiento académico (CGPA), el tipo de escuela secundaria a la que asistieron (privada internacional vs. pública) y los niveles de educación de los padres, influyeron significativamente en la relación.
Específicamente, el rendimiento académico contribuyó positivamente tanto a la competencia digital como a la alfabetización en IA, mientras que las variables del trasfondo educativo moderaron la relación entre ambas. Además, la competencia digital predijo significativamente la frecuencia de uso de la IA Gen, mientras que la alfabetización en IA no lo hizo.
Estos resultados resaltan el papel fundacional de la competencia digital para respaldar la alfabetización en IA de los estudiantes y subrayan el valor del aprendizaje experiencial. Las implicaciones prácticas incluyen la integración de la ética de la IA, la evaluación crítica y el compromiso práctico con la IA en los planes de estudio de alfabetización digital. El estudio contribuye a los debates globales en curso sobre la IA en la educación, ofreciendo perspectivas para el desarrollo de currículos, la estrategia institucional y el acceso equitativo a las tecnologías emergentes en la educación superior.
En conjunto, esta investigación aporta una conclusión especialmente relevante para el futuro de la educación superior: la preparación de los estudiantes para convivir con la inteligencia artificial depende menos del conocimiento técnico específico sobre IA y más de la solidez de sus competencias digitales generales, su experiencia práctica con herramientas inteligentes y el contexto educativo y social en el que han desarrollado esas capacidades. En un escenario donde la inteligencia artificial está redefiniendo la producción académica, la enseñanza universitaria deberá evolucionar hacia modelos formativos que integren alfabetización digital avanzada, pensamiento crítico, ética tecnológica y experiencia práctica continuada con sistemas de inteligencia artificial. El estudio se convierte así en una referencia importante para comprender cómo preparar a las nuevas generaciones para un ecosistema educativo profundamente transformado por la automatización inteligente
«Cuando el deseo de leer nos toca el hombro, quizás sucede porque tenemos instalados deseos previos en relación con las palabras de otros, ordenadas en un texto. Tal vez cuando recurrimos a los textos buscamos algo desconocido, algo que se nos plantea como un puente hacia cosas ocultas, y eso nos puede resultar temible, pero a la vez estimulante para la curiosidad, para satisfacer apetencias que se van generando en los movimientos del ánimo».
Devetach, Laura. 2008. La construcción del camino lector. Córdoba: Editorial Comunicarte.
Students explore an interactive solar system hologram with their teacher in a library.
Malespina, Elissa. (2026). Teaching Truth in the Age of AI: The Role of School Librarians in an AI-Driven Information Ecosystem.The AI School Librarian Newsletter (Substack).
En una entrevista reciente en The New York Times, el experto en forense digital Hany Farid advirtió sobre un futuro en el que la inteligencia artificial hará cada vez más difícil distinguir el contenido auténtico del contenido fabricado. Los deepfakes, las voces clonadas, las imágenes generadas por IA y los medios sintéticos ya no son tecnologías experimentales: están convirtiéndose en parte de la vida cotidiana.
Justo en el momento en que la IA hace más difícil que nunca determinar qué es real, muchas escuelas están reduciendo a los profesionales mejor preparados para enseñar a los estudiantes a evaluar la información.
Durante décadas, las escuelas se centraron en el acceso a la información. Trabajamos para reducir la brecha digital, enseñando a los estudiantes a buscar en bases de datos, evaluar sitios web y encontrar información fiable en línea. En aquel momento, la información era relativamente escasa, y ayudar a localizarla era un objetivo educativo central.
Hoy, la información es abundante. Los estudiantes disponen de más información de la que generaciones anteriores podrían haber imaginado. Como resultado, el desafío ha cambiado: el reto educativo definitorio de la próxima década puede no ser el acceso a la información, sino la verificación de la información. Los estudiantes ya no luchan por encontrar respuestas; luchan por determinar si esas respuestas son verdaderas.
En muchos sentidos, la inteligencia artificial ha acelerado un cambio que ya estaba en marcha. Los estudiantes se enfrentan cada vez más a imágenes generadas por IA, vídeos sintéticos, voces clonadas, citas inventadas, sitios web falsos y desinformación amplificada algorítmicamente. La cuestión ya no es si pueden encontrar información, sino si pueden confiar en ella.
Las escuelas llevan décadas ayudando a los estudiantes a navegar por riesgos digitales. Les enseñamos a crear contraseñas seguras, evitar el phishing, proteger su información personal y mantenerse seguros en línea. Estas habilidades siguen siendo esenciales, pero la IA introduce un desafío diferente: ya no se trata solo de proteger dispositivos y cuentas, sino también de proteger nuestra capacidad de pensar críticamente, evaluar evidencias y tomar decisiones informadas en un entorno informativo cada vez más complejo.
Los investigadores denominan este desafío “seguridad cognitiva”. En esencia, la seguridad cognitiva es la capacidad de reconocer la manipulación, evaluar evidencias, distinguir hechos de ficción y resistir intentos de engaño o influencia a través de la información. En un mundo lleno de deepfakes, medios sintéticos, contenido generado por IA y campañas de desinformación sofisticadas, estas habilidades son tan importantes como la ciberseguridad tradicional. Los estudiantes deben aprender no solo a proteger sus contraseñas y datos personales, sino también a proteger su juicio, cuestionando las fuentes, verificando las afirmaciones y pensando críticamente sobre la información que encuentran.
Cada vez que un bibliotecario escolar enseña a los estudiantes a evaluar una fuente, verificar una afirmación, identificar sesgos, comparar perspectivas, comprobar hechos o realizar investigación ética, está enseñando seguridad cognitiva. Mucho antes de que la inteligencia artificial entrara en las aulas, los bibliotecarios ya ayudaban a los estudiantes a desarrollar los hábitos mentales necesarios para navegar entornos informativos complejos.
La conversación sobre alfabetización en IA suele centrarse en la redacción de prompts, herramientas de productividad y aplicaciones en el aula. Estas conversaciones son importantes, pero la alfabetización en IA sin alfabetización informacional es incompleta. Los estudiantes deben aprender cómo se crea la evidencia, cómo se puede manipular la información y cómo los algoritmos influyen en lo que ven. También deben aprender a verificar la información antes de compartirla y a tomar decisiones informadas cuando la certeza es difícil. No son solo habilidades tecnológicas. Son habilidades humanas que permiten navegar un entorno informativo cada vez más complejo con confianza, criterio y responsabilidad.
Lo que la IA no puede desarrollar en los estudiantes es la capacidad de saber cuándo confiar en una fuente, reconocer cuándo la evidencia es incompleta, hacer preguntas antes de aceptar una afirmación como verdadera o identificar cuándo algo parece auténtico pero requiere verificación.
A modern library integrates artificial intelligence for advanced information access and digital learning.
Pressley, Lauren.What Libraries Actually Do. Publicado en el blog Libraries as Epistemic Institutions, 23 de marzo de 2026. Disponible en: Lauren Pressley – What Libraries Actually Do
Lauren Pressley plantea una reflexión profunda sobre la verdadera función de las bibliotecas en un contexto marcado por la expansión de la inteligencia artificial y la transformación radical de los ecosistemas informativos.
La autora parte de una idea central: uno de los mayores problemas a la hora de explicar el valor de las bibliotecas es que cada persona percibe una biblioteca de forma distinta según su experiencia y sus necesidades. Para un estudiante puede ser simplemente un lugar tranquilo donde estudiar; para un investigador, un sistema complejo que proporciona acceso a recursos especializados; para un profesor, una infraestructura invisible que sostiene gran parte del trabajo académico cotidiano. Esta diversidad de percepciones dificulta comunicar de manera clara qué hacen realmente las bibliotecas.
Pressley sostiene que históricamente las bibliotecas han sido descritas en términos demasiado reduccionistas, asociándolas casi exclusivamente con el acceso a la información: colecciones, préstamos, consultas o espacios físicos. Sin embargo, argumenta que esta visión resulta hoy insuficiente, especialmente en un mundo donde herramientas de inteligencia artificial permiten acceder instantáneamente a enormes volúmenes de información. En este nuevo escenario, centrarse únicamente en la idea de “dar acceso” puede llevar a pensar erróneamente que las bibliotecas han perdido relevancia. La autora considera que precisamente ocurre lo contrario: cuanto más abundante y automatizada es la información, más necesaria resulta la labor intelectual que las bibliotecas llevan décadas desarrollando.
Uno de los puntos fundamentales del texto es la distinción entre información y conocimiento. La inteligencia artificial puede ofrecer respuestas rápidas, sintetizar contenidos y generar textos aparentemente coherentes, pero no produce conocimiento en sentido profundo. Transformar información en conocimiento exige contexto, interpretación, comprensión crítica y capacidad para evaluar la procedencia, calidad y fiabilidad de las fuentes. Según Pressley, este es precisamente el núcleo del trabajo bibliotecario: ayudar a las personas a entender cómo se produce el conocimiento, cómo se valida a través de procesos como la revisión por pares, cómo distinguir entre distintos tipos de publicaciones académicas y cómo evaluar si una fuente realmente sustenta una afirmación o una investigación.
La autora también critica la tendencia histórica de las bibliotecas a justificar su valor mediante métricas cuantitativas tradicionales: número de préstamos, visitas físicas, tamaño de las colecciones o consultas atendidas. Aunque estos indicadores fueron durante décadas la forma habitual de demostrar impacto institucional, Pressley argumenta que la inteligencia artificial obliga a replantear esas métricas. Cuando el acceso a la información deja de ser escaso, lo verdaderamente importante es destacar el papel de las bibliotecas como instituciones que sostienen la construcción colectiva del conocimiento, preservan la calidad del ecosistema informativo y enseñan a navegar críticamente entornos saturados de datos.
Otro eje esencial del artículo es la idea de que las bibliotecas constituyen una infraestructura epistemológica. Inspirándose en conceptos de la epistemología social desarrollados por Jesse H. Shera y Margaret Egan, Pressley sostiene que las bibliotecas no son simples depósitos de información, sino instituciones que organizan la manera en que las comunidades producen, validan, comparten y preservan el conocimiento. Su función consiste en mantener visibles elementos que la inteligencia artificial suele ocultar: la autoría, el contexto de producción del conocimiento, la trazabilidad de las ideas, la diversidad de perspectivas y las condiciones bajo las cuales una afirmación puede considerarse confiable.
En relación con ello, la autora advierte que los sistemas de inteligencia artificial generan respuestas con una apariencia de autoridad que puede resultar engañosa. Los modelos de lenguaje producen textos fluidos y convincentes, pero a menudo eliminan o difuminan el origen de la información utilizada. Esta ausencia de procedencia dificulta la verificación crítica y puede fomentar una aceptación acrítica de contenidos potencialmente erróneos. Frente a ello, las bibliotecas desempeñan un papel irremplazable enseñando competencias informacionales, promoviendo el pensamiento crítico y preservando los mecanismos de validación que sostienen la producción académica y científica.
Finalmente, Pressley concluye que el discurso que presenta a la inteligencia artificial como una amenaza que volverá obsoletas a las bibliotecas parte de una comprensión equivocada de lo que estas representan. Si se piensa que una biblioteca solo sirve para localizar información, entonces parecería que la IA puede sustituirla. Pero si se entiende que las bibliotecas son instituciones dedicadas a construir conocimiento confiable, preservar memoria cultural, garantizar transparencia en las fuentes y enseñar a evaluar críticamente la información, entonces la inteligencia artificial no reduce su importancia, sino que hace todavía más evidente su papel esencial dentro de la sociedad contemporánea.
El artículo termina proponiendo una reformulación profunda del relato institucional bibliotecario: las bibliotecas nunca han sido solamente espacios de acceso a información, sino estructuras fundamentales que sostienen las condiciones necesarias para que las sociedades puedan conocer, aprender y producir conocimiento de manera crítica y responsable. En la era de la inteligencia artificial, esa función se vuelve no secundaria, sino absolutamente central.
El artículo advierte que la rápida expansión de los agentes de inteligencia artificial en entornos empresariales está generando un problema crítico de gobernanza: muchas organizaciones les están otorgando permisos demasiado amplios sin los controles adecuados, lo que aumenta el riesgo de errores graves, fugas de datos o acciones irreversibles.
La idea central es que los agentes de IA deben ser tratados como “becarios” o empleados junior, no como trabajadores plenamente confiables. Igual que un interno en su primer día, un agente no debería tener acceso generalizado a sistemas críticos ni capacidad de decisión autónoma sin supervisión.
El texto señala que uno de los principales fallos actuales es el “exceso de confianza” en los agentes, que lleva a otorgarles permisos de escritura, acceso a bases de datos o capacidad de ejecutar acciones sensibles. Este crecimiento gradual de privilegios puede parecer razonable en cada paso, pero acaba creando un nivel de acceso desproporcionado y peligroso.
Para evitarlo, el artículo propone un enfoque de gobernanza basado en la mínima autoridad necesaria y en la supervisión continua. Entre las recomendaciones clave destacan:
Definir claramente la función del agente antes de asignarle permisos.
Limitar su acceso estrictamente a lo necesario para esa tarea.
Usar credenciales separadas y específicas por agente.
Monitorizar sus acciones de forma constante.
Revisar periódicamente sus permisos.
También se insiste en que la gobernanza no puede ser un añadido posterior, sino que debe diseñarse desde el inicio del sistema. La conclusión es clara: los agentes de IA pueden ser muy útiles, pero sin una estructura de control equivalente a la de un entorno laboral humano supervisado, pueden convertirse en un riesgo significativo para las organizaciones.
An infographic explaining what AI detectors can confidently identify and where their analysis falls short.
Atamhenwan, Lucky E. (2026). How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin? Education and Information Technologies. Springer Nature. DOI: 10.1007/s10639-026-14049-2
La rápida expansión de herramientas de inteligencia artificial está transformando profundamente la educación y la escritura académica. Ante este cambio, universidades e instituciones recurren cada vez más a detectores automáticos como Turnitin para identificar textos generados por IA. El estudio de Lucky E. Atamhenwan analiza hasta qué punto Turnitin puede distinguir con precisión entre escritura humana y contenido producido total o parcialmente por inteligencia artificial.
La expansión acelerada de la inteligencia artificial generativa en los últimos años ha transformado profundamente la educación superior y los procesos de producción textual. La aparición de modelos de lenguaje de gran escala como ChatGPT, Microsoft Copilot, Google Gemini y Grammarly ha permitido que estudiantes, investigadores y profesionales generen textos complejos con rapidez y una calidad lingüística cada vez más cercana a la escritura humana. Frente a este nuevo escenario, instituciones educativas de todo el mundo han comenzado a depender de sistemas automáticos de detección de contenido generado por IA, siendo Turnitin una de las herramientas más utilizadas. El estudio de Lucky E. Atamhenwan se propone analizar hasta qué punto Turnitin es realmente capaz de diferenciar entre textos escritos por humanos y textos producidos, parcial o totalmente, mediante modelos de lenguaje artificial.
La investigación parte de una cuestión central: aunque numerosas universidades están comenzando a utilizar detectores automáticos de IA para evaluar trabajos académicos, existe todavía una gran incertidumbre acerca de la precisión real de estas herramientas. El autor recuerda que la irrupción masiva de ChatGPT en noviembre de 2022 marcó un punto de inflexión sin precedentes en la relación entre inteligencia artificial y educación. En apenas unos meses aparecieron múltiples sistemas generativos capaces no solo de redactar textos completos, sino también de resumir documentos, corregir gramática, traducir contenidos, programar código y reformular ideas con notable coherencia. Este avance ha generado enormes beneficios pedagógicos, pero también ha abierto interrogantes sobre plagio, autoría y honestidad académica, especialmente cuando los estudiantes presentan como propio un contenido producido parcial o totalmente por IA.
Para estudiar la eficacia de Turnitin, el investigador diseñó un experimento de gran escala basado en 81 documentos diferentes, construidos a partir de combinaciones variables entre escritura humana y texto generado por modelos de lenguaje. Los documentos contenían mezclas progresivas que iban desde un 100% de texto humano hasta un 100% de texto generado por IA, utilizando cuatro sistemas distintos: ChatGPT, Copilot, Gemini y Grammarly. Se crearon textos de aproximadamente 4.000 palabras y se fueron introduciendo porcentajes crecientes de contenido generado artificialmente: 5%, 10%, 15%, 20%, 30%, 50%, 70%, hasta llegar al 100%. Cada documento fue sometido al detector de Turnitin para observar qué porcentaje del contenido era identificado como generado por inteligencia artificial. Este diseño experimental permitió estudiar no solamente si Turnitin detecta IA, sino también cómo cambia su comportamiento cuando el texto combina escritura humana y escritura algorítmica.
Uno de los resultados más relevantes del estudio es que Turnitin no detectó absolutamente ningún contenido generado por IA cuando este representaba solo el 5% o el 10% del texto total. Esto significa que si un estudiante escribe la mayor parte de un trabajo por sí mismo y utiliza un modelo de lenguaje únicamente para generar pequeños fragmentos, Turnitin puede no generar ninguna alerta. A partir de porcentajes cercanos al 15%, el sistema comienza a identificar contenido sospechoso, pero con un problema importante: las puntuaciones no son exactas. Cuando el porcentaje real de texto generado por IA es bajo, Turnitin suele sobreestimar la cantidad de contenido artificial, produciendo falsos incrementos. Paradójicamente, cuando el porcentaje real de IA es muy alto, el detector comienza a subestimar la presencia artificial, mostrando cifras inferiores a la realidad. Esta inconsistencia cuestiona seriamente la confianza absoluta en el sistema.
El comportamiento del detector varía además según el modelo de lenguaje utilizado. En el caso de ChatGPT, Turnitin mostró una tendencia sistemática a detectar porcentajes inferiores al contenido real generado por IA. Incluso cuando un texto estaba producido al 100% por ChatGPT, Turnitin solo identificó un 60% como artificial. Con Copilot y Gemini los resultados fueron algo más equilibrados, aunque igualmente inconsistentes: en algunos casos sobreestimaban la presencia de IA y en otros la reducían. Grammarly presentó un patrón diferente, con detecciones superiores al porcentaje real cuando la intervención de IA era baja, pero subestimaciones cuando aumentaba la proporción de texto generado automáticamente. Esto demuestra que no existe un criterio homogéneo y que el detector responde de manera distinta según las características lingüísticas propias de cada modelo de inteligencia artificial.
Un segundo bloque del estudio analiza un fenómeno cada vez más extendido: el uso de herramientas diseñadas específicamente para “humanizar” textos creados por IA con el objetivo de evitar ser detectados. Para ello se utilizaron plataformas como QuillBot, EasyEssayAI y RyneAI, muy conocidas en comunidades digitales por su capacidad para reformular textos y hacerlos parecer escritos por humanos. Los investigadores tomaron textos generados al 100% por ChatGPT, Copilot, Gemini y Grammarly, y posteriormente los pasaron por estas herramientas de reformulación antes de volver a analizarlos en Turnitin. Los resultados fueron especialmente reveladores: textos completamente generados por Copilot y posteriormente reformulados con QuillBot obtuvieron una puntuación del 0%, es decir, Turnitin los consideró completamente humanos. De manera similar, RyneAI consiguió que textos enteramente generados por Copilot, Gemini o Grammarly fueran clasificados también con 0% de contenido artificial.
Desde un punto de vista estadístico, el estudio confirma que existe una correlación muy fuerte entre la cantidad real de texto generado por IA y la puntuación otorgada por Turnitin. Sin embargo, esta relación no implica precisión. Los análisis de correlación y regresión muestran que el sistema detecta patrones asociados al texto artificial, pero no logra cuantificar de manera fiable cuánto contenido ha sido realmente producido por inteligencia artificial. El modelo estadístico utilizado revela que el 82,5% de la variabilidad observada en las puntuaciones depende efectivamente de la presencia de texto generado por IA, pero el margen de error sigue siendo considerable. En otras palabras: Turnitin reconoce señales asociadas al uso de IA, pero no constituye una herramienta exacta para determinar porcentajes reales de autoría algorítmica.
Las implicaciones educativas del trabajo son profundas. El autor sostiene que las universidades no deberían utilizar las puntuaciones de Turnitin como prueba concluyente para sancionar estudiantes, especialmente cuando los porcentajes detectados son bajos o moderados. Según el estudio, puntuaciones inferiores al 40% deben interpretarse con gran cautela, mientras que valores superiores al 60% pueden ser indicativos más sólidos, aunque nunca definitivos. Más allá de la detección, el artículo plantea que el verdadero desafío no consiste en prohibir la inteligencia artificial, sino en redefinir el modo en que se evalúa el aprendizaje. A medida que los modelos generativos evolucionen, será cada vez más difícil impedir su uso en tareas escritas tradicionales. Esto obliga a replantear metodologías de evaluación, incorporando sistemas supervisados, navegadores bloqueados, evaluaciones presenciales y nuevas formas de demostrar conocimiento que no dependan exclusivamente de la producción textual.
El estudio concluye que la educación necesita abandonar la visión puramente punitiva sobre la inteligencia artificial y avanzar hacia un modelo de integración ética y transparente. La IA debe entenderse como una herramienta legítima de aprendizaje, siempre que existan normas claras sobre su uso. El autor propone una cooperación entre universidades, empresas tecnológicas y plataformas como Turnitin para desarrollar sistemas que no solo detecten contenido generado por IA, sino que permitan rastrear el origen y el proceso de creación de los textos. En definitiva, esta investigación desmonta la idea de que los detectores actuales sean infalibles y muestra que, en el contexto actual, confiar ciegamente en estas herramientas para tomar decisiones académicas puede generar errores, injusticias y conflictos éticos considerables. Más que una solución definitiva, los detectores de IA representan apenas una tecnología en desarrollo dentro de un escenario educativo que está cambiando a una velocidad sin precedentes.
Datos clave:
Precisión con textos humanos: Turnitin no arrojó falsos positivos en el texto escrito completamente por humanos (0% de puntuación de IA).
Umbral mínimo de detección: Turnitin no detectó la presencia de IA cuando el porcentaje real de texto generado por los LLM era del 5% o 10% (marcando 0% en la puntuación).
Distorsión en porcentajes bajos (Inexactitud por exceso): Cuando la cantidad de IA era baja pero detectable (ej. 15% o 20%), Turnitin tendió a sobreestimar el puntaje, otorgando porcentajes de IA detectada más altos que la realidad (ej. detectó entre 21% y 24% para un 15% real).
Distorsión en porcentajes altos (Inexactitud por defecto): A medida que aumentaba el texto de IA en la combinación, el detector tendió a subestimar el puntaje real. Al llegar al 100% de contenido de IA en textos largos (4,000 palabras), Turnitin nunca puntuó 100%; las calificaciones máximas para textos puros de IA fueron de 87% (Copilot/Gemini), 82% (Grammarly) y apenas un 60% (ChatGPT).
Correlación: Existe una relación positiva muy fuerte ($R^2$ de Nagelkerke = 0.825): a mayor porcentaje real de IA, mayor es la puntuación de detección de Turnitin, confirmando que la detección se debe efectivamente a los fragmentos de IA
ChatGPT: Fue el modelo que más «burló» el detector en formato mixto. Turnitin puntuó por debajo de la realidad en el 65% de sus textos. Incluso al 25% de contenido real de ChatGPT, Turnitin marcó 0%.
Copilot y Gemini: Siguieron un comportamiento similar entre sí; Turnitin tendió a sobreestimar el porcentaje de IA en rangos bajos y medianos, pero empezó a reportar por debajo de la realidad a partir del 75% de contenido de IA.
Grammarly: Turnitin detectó niveles inflados (más altos que la realidad) entre el 15% y 40% de contenido, pero empezó a puntuar por debajo del porcentaje real a partir del 45% de texto generado por Grammarly.
RyneAI: Fue la herramienta de evasión más efectiva. Logró reducir la puntuación de Turnitin a 0% para Copilot, Grammarly y Gemini (haciendo que el detector los aceptara por completo como humanos). Para ChatGPT, la redujo al 26%.
QuillBot (AI Humanizer): Consiguió reducir la puntuación de Copilot a 0%. Sin embargo, fue menos efectivo con los demás: ChatGPT (33%), Grammarly (62%) y Gemini (83%).
EasyessayAI: Fue la menos efectiva. Turnitin siguió detectando altas tasas de IA en los textos procesados: Copilot (80%), ChatGPT (65%), Gemini (63%) y Grammarly (56%).
Efecto de la longitud del texto: El estudio demostró que Turnitin es mucho más preciso detectando textos puramente de IA cuando el documento es más corto (500-1000 palabras frente a las 4000 de la primera fase).
Simons, Bright. “The Social Edge of Intelligence”. The Ideas Letter, 16 de abril de 2026
La IA no es realmente inteligente por sí misma, sino que funciona como un espejo estadístico que reproduce la inteligencia colectiva generada por las sociedades humanas. Según el autor, los modelos de lenguaje como ChatGPT no “piensan” de manera autónoma, sino que aprenden de enormes cantidades de lenguaje producido históricamente por interacciones humanas complejas. El verdadero peligro, sostiene, es que el uso excesivo de la IA podría erosionar precisamente las condiciones sociales que hicieron posible su desarrollo.
Simons parte de una observación central: el progreso de la inteligencia artificial se alimenta del conocimiento acumulado por generaciones humanas. Para demostrarlo, propone un experimento mental en el que imagina entrenar distintos modelos de IA con textos de diversas épocas históricas: el antiguo Egipto, la Grecia clásica, Roma, Bagdad medieval, el Renacimiento italiano y el mundo contemporáneo. La conclusión es clara: aunque la arquitectura tecnológica fuera idéntica, cada modelo sería más “inteligente” en la medida en que la civilización que produjo los textos fuera socialmente más compleja. Esto sugiere que la inteligencia artificial no depende únicamente del cómputo o de los algoritmos, sino fundamentalmente de la riqueza cultural, institucional y social de las comunidades humanas que generan el lenguaje con el que aprende.
Uno de los argumentos más fuertes del ensayo se relaciona con el fenómeno conocido como colapso del modelo. Simons recupera investigaciones publicadas en Nature que muestran que cuando una IA comienza a entrenarse con contenido generado por otras inteligencias artificiales, su calidad cognitiva empieza a degradarse progresivamente. Desaparecen perspectivas minoritarias, formulaciones poco comunes, ideas originales y conocimientos marginales. El resultado es un sistema que sigue siendo fluido y convincente, pero intelectualmente más pobre y homogéneo. El autor interpreta este problema técnico como una manifestación de un problema social más profundo: la reducción de la diversidad intelectual humana a medida que delegamos cada vez más tareas cognitivas a las máquinas.
El ensayo también examina investigaciones recientes sobre creatividad asistida por IA. Un estudio realizado en el Reino Unido con alrededor de 300 escritores mostró que quienes utilizaron modelos como GPT-4 produjeron relatos que los evaluadores consideraron más creativos a nivel individual. Sin embargo, cuando se analizó el conjunto de relatos apareció un efecto inesperado: todos los textos empezaban a parecerse demasiado entre sí. Cada individuo mejoraba su rendimiento, pero el colectivo perdía diversidad creativa. Simons denomina este fenómeno una especie de “tragedia de los comunes cognitiva”: la ganancia individual inmediata produce una pérdida colectiva a largo plazo porque empobrece la variedad intelectual del ecosistema cultural.
Otro eje importante del artículo se centra en cómo la automatización está transformando el trabajo intelectual. El autor cita casos de empresas como IBM, Duolingo, Klarna y Atlassian, que han reducido o replanteado parte de sus plantillas al incorporar inteligencia artificial. El problema, argumenta Simons, es que muchas compañías ven la IA únicamente como una herramienta para sustituir trabajadores y reducir costes. Sin embargo, eliminar puestos junior o funciones de aprendizaje interno significa destruir los espacios donde se genera el conocimiento tácito, la experiencia acumulada y la formación de futuros expertos. Es decir, al automatizar excesivamente se debilita el proceso social mediante el cual se produce nuevo conocimiento humano, que es precisamente el combustible de futuras generaciones de inteligencia artificial.
Simons recupera además estudios de Nicholas Carr y otros investigadores que muestran que las personas tienden a reducir su esfuerzo cognitivo cuando confían en sistemas automatizados. Igual que ocurrió con los buscadores como Google —que llevaron a muchas personas a memorizar menos información— la IA generativa podría producir un fenómeno más profundo: la externalización del pensamiento mismo. Un estudio realizado por investigadores de Microsoft y Carnegie Mellon University encontró que en un 40% de tareas asistidas por IA los trabajadores dejaron de ejercer pensamiento crítico, especialmente cuando confiaban plenamente en las respuestas producidas por el sistema. Para Simons, esto supone un riesgo sistémico: una humanidad cada vez más eficiente individualmente, pero colectivamente menos capaz de generar conocimiento nuevo.
El núcleo conceptual del ensayo aparece en lo que Simons llama “Social Edge Framework” (Marco del Borde Social). Su argumento es que la inteligencia humana siempre ha sido un fenómeno profundamente colectivo. Retoma ideas del psicólogo soviético Lev Vygotsky, quien sostenía que el pensamiento emerge del lenguaje social, y del antropólogo cognitivo Edwin Hutchins, que demostró cómo muchos procesos mentales no ocurren dentro del cerebro individual sino distribuidos en grupos, instituciones y herramientas culturales. Desde esta perspectiva, la IA no aprende de individuos aislados, sino de millones de conversaciones, debates, negociaciones y conflictos sociales acumulados durante siglos. Cada “token” de entrenamiento es, en cierto modo, un fósil de interacción humana.
En la parte final del texto, Simons critica a figuras influyentes del sector tecnológico como Sam Altman, Dario Amodei y Leopold Aschenbrenner, a quienes acusa de centrarse casi exclusivamente en variables técnicas como potencia computacional, escalado de datos y arquitectura de modelos, sin prestar suficiente atención a la dimensión social del conocimiento. Según Simons, la gran paradoja es que cuanto más se use la IA para reemplazar interacciones humanas —reuniones, debates, aprendizaje entre compañeros, puestos de entrada al mercado laboral, escritura original o pensamiento crítico— más se debilitará el ecosistema intelectual del que depende el progreso futuro de la propia inteligencia artificial.
La conclusión del ensayo es contundente: las organizaciones más exitosas en la próxima década no serán necesariamente aquellas que más automaticen, sino aquellas que comprendan que el verdadero valor de la IA no reside en sustituir personas, sino en potenciar formas más ricas de colaboración humana. La inteligencia artificial es, en última instancia, una herencia construida por siglos de interacción social compleja. Si esa herencia se consume sin reinvertir en creatividad, debate, educación, pensamiento crítico y trabajo colaborativo, acabará agotándose. Para Simons, el futuro de la IA no depende solamente de máquinas más poderosas, sino de preservar y fortalecer la riqueza intelectual de la sociedad que alimenta esas máquinas.
El ensayo constituye una crítica profunda a la visión tecnocrática dominante sobre la IA. Frente a la narrativa habitual centrada en eficiencia y automatización, Bright Simons recuerda que la inteligencia —humana y artificial— no surge en el aislamiento, sino en la conversación, el desacuerdo, la cooperación y la complejidad social. La verdadera frontera tecnológica, concluye, no está en los algoritmos, sino en nuestra capacidad de seguir pensando juntos.
Two professionals use AI tools to enhance their writing project in a modern office.
Diab, Robert. “The Case for and Against Co-Authoring With AI”. Publicado en Slaw.ca, 6 de mayo de 2026.
El jurista canadiense Robert Diab examina críticamente una de las cuestiones más debatidas en la era de la inteligencia artificial generativa: si resulta conveniente utilizar herramientas de IA como colaboradoras directas en la escritura profesional. Su reflexión se centra especialmente en el ámbito jurídico, aunque las ideas planteadas son extrapolables al periodismo, la investigación académica y cualquier disciplina donde la escritura sea una manifestación del pensamiento crítico y de la autoría intelectual.
Diab parte de una distinción fundamental entre dos usos distintos de la inteligencia artificial: emplearla como herramienta de apoyo para revisar o editar un texto ya escrito por una persona, o utilizarla para generar el documento desde cero a partir de instrucciones o prompts. Mientras considera legítimo y útil el primer caso, manifiesta reservas importantes sobre el segundo. Su principal preocupación es que, aunque técnicamente el texto generado pueda ser correcto, la escritura producida por IA suele carecer de autenticidad, personalidad y profundidad argumentativa, dando lugar a documentos excesivamente formales, repetitivos o mecánicos.
El autor analiza la postura opuesta defendida por el abogado neoyorquino Zack Shapiro, quien sostiene que la IA puede actuar como una verdadera coautora siempre que el usuario aporte previamente el pensamiento estratégico, la estructura argumentativa y las decisiones intelectuales fundamentales. Según esta visión, la parte esencial del trabajo cognitivo ocurre antes de redactar: el humano piensa, diseña y decide, mientras la máquina ejecuta y optimiza la expresión escrita. Desde esta perspectiva, no existiría una oposición binaria entre escritura humana y escritura artificial, sino una tercera vía híbrida de colaboración hombre-máquina.
Diab reconoce que este modelo de coautoría resulta intelectualmente atractivo y que numerosos profesionales lo están experimentando activamente. Sin embargo, mantiene su escepticismo. Señala que incluso cuando se utilizan instrucciones sofisticadas y procesos iterativos complejos, los textos producidos siguen presentando rasgos característicos de la escritura automatizada: verbosidad excesiva, formulaciones previsibles, falta de originalidad estilística y ausencia de matices personales. A su juicio, quienes valoran realmente la calidad de la escritura pueden detectar fácilmente estas limitaciones.
Uno de los aspectos más interesantes del artículo es la reflexión sobre la dimensión reputacional y profesional del acto de escribir. En profesiones como la abogacía, argumenta Diab, redactar bien no es simplemente transmitir información sino demostrar competencia, criterio y personalidad profesional. Un documento que suena excesivamente automatizado podría transmitir al lector —sea un cliente, un colega o un juez— la impresión de que el autor no dedicó suficiente atención o esfuerzo personal al trabajo realizado.
El autor reconoce, sin embargo, un argumento fuerte a favor del uso de IA: la eficiencia. En contextos laborales de alta presión, como servicios jurídicos saturados o tareas administrativas rutinarias, una carta elaborada parcialmente con ayuda de IA puede ser preferible a no producir ningún documento o limitarse a una comunicación oral improvisada. En estos escenarios, la inteligencia artificial puede servir como una herramienta valiosa para sintetizar información, organizar ideas y acelerar tareas de menor complejidad.
En sus conclusiones, Diab plantea una pregunta provocadora: si el objetivo final es producir un texto que refleje verdaderamente las propias ideas, la propia voz y el propio criterio, ¿no sería más razonable escribirlo directamente uno mismo? Sugiere que quizá la cuestión central no sea si la IA permite escribir más rápido, sino qué tipo de pensamiento, autenticidad y responsabilidad estamos dispuestos a delegar en sistemas automáticos.
El artículo refleja una preocupación creciente en ámbitos profesionales y académicos: a medida que la inteligencia artificial se integra en los procesos de escritura, surge la necesidad de redefinir conceptos tradicionales como autoría, responsabilidad intelectual y creatividad humana. Más allá de la eficiencia técnica, el verdadero debate gira en torno al valor que seguimos atribuyendo al pensamiento humano expresado a través de la escritura
El artículo aborda una cuestión clave en el contexto actual de la educación superior: no se sabe con precisión cuántos estudiantes utilizan realmente herramientas de inteligencia artificial como ChatGPT, y esa incertidumbre está influyendo tanto en la percepción social como en las políticas universitarias.
El punto de partida es un estudio realizado en la Universidad de Chicago con 338 estudiantes de grado. Los resultados muestran una discrepancia significativa: el 60 % afirma utilizar herramientas de IA, mientras que el 90 % cree que la mayoría de sus compañeros también las usa. Esta diferencia de 30 puntos plantea varias posibilidades: que los estudiantes subestimen su propio uso, que sobreestimen el de los demás o ambas cosas simultáneamente. En cualquier caso, el resultado es una visión distorsionada del fenómeno.
Los investigadores señalan que esta distorsión puede estar provocada por la llamada “sesgo de deseabilidad social”. Es decir, los estudiantes pueden no declarar con sinceridad su uso de IA porque consideran que admitirlo podría asociarse con pereza, falta de esfuerzo o incluso deshonestidad académica. En entrevistas complementarias, algunos estudiantes equiparan el uso de IA con no ser capaz de realizar el trabajo por sí mismos, lo que refuerza el estigma y favorece el ocultamiento.
Sin embargo, el artículo también plantea una explicación alternativa: la sobreestimación del uso de IA entre compañeros. Dado que estas herramientas son muy visibles en la vida cotidiana universitaria —pantallas abiertas con ChatGPT, conversaciones sobre su uso, referencias constantes en clase— los estudiantes pueden asumir que su uso es mucho más generalizado de lo que realmente es. Esta combinación de invisibilidad del uso real y visibilidad del discurso genera un efecto de “normalización percibida”.
El texto conecta este fenómeno con un concepto bien conocido en ciencias sociales: la “ignorancia pluralista”. Este ocurre cuando las personas creen erróneamente que los demás se comportan de manera distinta (generalmente más extrema o más frecuente) que la realidad. Un paralelismo clásico se observa en el consumo de alcohol o drogas en campus universitarios, donde los estudiantes suelen sobrestimar cuánto beben o consumen sus compañeros.
Estas percepciones erróneas no son inocuas. El artículo recuerda que en estudios sobre salud pública se ha demostrado que cuando los estudiantes creen que “todo el mundo bebe”, tienden a beber más ellos mismos. Es decir, la percepción social puede convertirse en una profecía autocumplida. Si los estudiantes creen que el uso de IA es casi universal, pueden sentirse presionados a adoptarlo para no quedarse atrás, aunque en realidad no sea tan extendido.
En este sentido, los investigadores advierten de un riesgo importante para las universidades: diseñar políticas sobre inteligencia artificial basadas en suposiciones y no en datos fiables. Si las instituciones asumen que la IA es omnipresente sin evidencias sólidas, podrían establecer normas excesivamente restrictivas o, por el contrario, demasiado permisivas.
El artículo también sugiere que las universidades podrían aprender de estrategias aplicadas en salud pública. En el caso del alcohol, algunas campañas dejaron de enfatizar el problema del consumo excesivo y empezaron a comunicar datos reales que mostraban que la mayoría de estudiantes bebía con moderación. Esta corrección de percepciones contribuyó a reducir comportamientos de riesgo.
Finalmente, el texto concluye que la gestión del uso de la IA en educación no solo depende de normas tecnológicas o académicas, sino también de cómo se construyen las percepciones sociales. Si los estudiantes creen que el uso de IA es la norma absoluta, esa creencia puede moldear su comportamiento, independientemente de la realidad estadística. Por ello, los autores subrayan la necesidad de investigar mejor estos patrones y comunicar datos más precisos para evitar dinámicas de presión social y uso inducido.
Universo Abierto 