Archivo de la categoría: Tecnologías de la información

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.

Spotify lanza una herramienta para crear audiolibros con tecnología de ElevenLabs.

Mehta, Ivan. (2026, 21 de mayo). Spotify launches an ElevenLabs-powered audiobook creation tool. TechCrunch. https://techcrunch.com/2026/05/21/spotify-launches-an-elevenlabs-powered-audiobook-creation-tool/

Spotify ha anunciado una nueva herramienta de creación de audiolibros basada en inteligencia artificial, desarrollada en colaboración con la empresa de voz sintética ElevenLabs. Esta funcionalidad se integra dentro de la plataforma Spotify for Authors, orientada a autores y editores que desean producir y distribuir audiolibros directamente desde el ecosistema de Spotify.

El objetivo principal de esta herramienta es reducir las barreras técnicas, económicas y temporales que tradicionalmente han limitado la producción de audiolibros. En lugar de depender de estudios de grabación profesionales o narradores humanos, los autores podrán generar versiones en audio de sus obras utilizando voces sintéticas de alta calidad, creadas mediante modelos de IA avanzados.

La herramienta se presenta como un sistema de autoedición de audiolibros, en el que el usuario puede subir su manuscrito y obtener una narración completa generada automáticamente. Según la información disponible, el servicio estará disponible inicialmente en inglés y en formato beta por invitación, con un despliegue progresivo previsto para 2026.

Uno de los aspectos más relevantes es que Spotify no impone exclusividad sobre los contenidos generados. Esto significa que los autores podrán distribuir sus audiolibros en otras plataformas además de Spotify, lo que mantiene un modelo de publicación flexible. Esta decisión refuerza la estrategia de la compañía de posicionarse como un actor clave en el mercado del audio digital, sin restringir a los creadores a su ecosistema.

La tecnología de ElevenLabs aporta voces sintéticas altamente realistas, capaces de reproducir entonación, ritmo y matices emocionales con mayor naturalidad que generaciones anteriores de síntesis de voz. Esto permite que los audiolibros generados por IA se acerquen cada vez más a la experiencia de la narración humana, aunque aún pueden existir variaciones en calidad y naturalidad según el texto.

Este lanzamiento se inscribe en una estrategia más amplia de Spotify, que está expandiendo su uso de inteligencia artificial en múltiples frentes: generación de podcasts personalizados, herramientas de interacción con contenido, y nuevas formas de producción automatizada de audio. En conjunto, la empresa está evolucionando desde una plataforma de distribución de audio hacia un entorno de creación y generación de contenido sonoro impulsado por IA.

No obstante, el movimiento también plantea debates relevantes en la industria editorial y del audio: desde el impacto en los narradores profesionales hasta cuestiones de calidad, autenticidad y regulación del contenido generado por inteligencia artificial.

En síntesis, esta iniciativa representa un paso significativo hacia la automatización de la producción de audiolibros, democratizando su creación pero también reconfigurando el papel de los profesionales del sector editorial y del audio.

ChatGPT para PowerPoint (beta): Crea y edita presentaciones con ChatGPT.

OpenAI. (2026). ChatGPT for PowerPoint (beta): Create and edit presentations with ChatGPT. Disponible en: https://chatgpt.com/apps/powerpoint

La nueva integración de ChatGPT para PowerPoint es una herramienta en fase beta que incorpora la inteligencia artificial directamente dentro del entorno de Microsoft PowerPoint. Su objetivo principal es transformar la manera en que se crean y editan presentaciones, permitiendo que el usuario trabaje con lenguaje natural sin necesidad de salir del programa.

A diferencia de los flujos tradicionales —donde primero se genera contenido en un chatbot y luego se traslada manualmente a las diapositivas— esta integración permite actuar directamente sobre el archivo de PowerPoint. El sistema funciona como una barra lateral dentro del propio programa, desde la cual el usuario puede pedir a ChatGPT que cree nuevas diapositivas, reorganice el contenido, resuma documentos o mejore la narrativa de una presentación ya existente.

Entre sus capacidades principales destacan:

  • La creación automática de presentaciones a partir de notas, documentos, hojas de cálculo o incluso una presentación ya existente.
  • La edición de diapositivas concretas, ajustando texto, estructura o tono según el público objetivo.
  • La reescritura y síntesis de contenido largo en mensajes más claros y orientados a la comunicación visual.
  • El análisis del propio discurso de la presentación, identificando lagunas, incoherencias o mejoras posibles en la historia que cuenta el conjunto de diapositivas.

Esta herramienta está pensada especialmente para contextos profesionales y educativos: informes ejecutivos, presentaciones corporativas, trabajos académicos o revisiones estratégicas. Su valor añadido es que no solo automatiza la generación de contenido, sino que ayuda a estructurar mejor el relato de la presentación.

Sin embargo, al tratarse de una versión beta, presenta limitaciones importantes. Los resultados pueden requerir revisión humana, ya que pueden contener errores, inconsistencias o problemas de formato. Además, algunas funciones avanzadas de PowerPoint (como diseños complejos, gráficos sofisticados o ajustes muy precisos de estilo) aún no están completamente optimizadas.

En conjunto, esta integración refleja una tendencia más amplia: la incorporación de la IA en herramientas de productividad cotidianas. En lugar de ser un asistente externo, ChatGPT se convierte en un componente integrado del flujo de trabajo, reduciendo fricciones y acercando la creación de presentaciones a un proceso conversacional, más rápido y flexible.

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.

Construyendo una Internet de la cognición para la superinteligencia artificial distribuida

Pandey, Vijoy. 2026. Scaling Out Superintelligence: Building an Internet of Cognition for Distributed Artificial Superintelligence. V.2. Outshift by Cisco.

Texto completo

El documento de investigación analiza un cambio de paradigma fundamental en el avance de la inteligencia artificial: el paso de la escala vertical de agentes individuales a la escala horizontal mediante la superinteligencia distribuida. Es decir, n lugar de tener una sola IA muy potente funcionando por sí sola, el futuro estaría en muchas IAs trabajando juntas como si fueran un cerebro colectivo. A esto lo llama “superinteligencia distribuida”.


El autor argumenta que, a pesar de sus crecientes capacidades, los agentes de IA actuales se encuentran limitados por el «aislamiento semántico». Mientras que los esfuerzos recientes de la industria se han centrado en conectar agentes en equipos para resolver tareas específicas a nivel sintáctico, estos sistemas aún no pueden «pensar juntos» ni generar un aprendizaje acumulativo. Para superar esto, se propone la creación de una infraestructura denominada el Internet de la Cognición (Internet of Cognition), la cual busca imitar la evolución cognitiva humana ocurrida hace 70,000 años, permitiendo que humanos y máquinas colaboren de manera colectiva y compartan intenciones, contextos e innovación

Para materializar esta evolución, la arquitectura propuesta para el Internet de la Cognición se fundamenta en tres componentes tecnológicos esenciales:

  • Protocolos de Estado de Cognición (Cognition State Protocols): Encargados de alinear y coordinar la intención semántica de los agentes. Se dividen en tres clases según su granularidad: el Protocolo de Transferencia de Estado Latente (LSTP) para la continuidad de inferencias en clústeres locales ; el Protocolo de Transferencia de Estado Comprimido (CSTP) para entornos de bajo ancho de banda como redes WAN o Edge ; y el Protocolo de Transferencia de Estado Semántico (SSTP), que traduce los espacios vectoriales a lógica formal para la toma de decisiones estratégicas y la auditoría humana.
  • Tejido de Cognición (Cognition Fabric): Una red distribuida y gobernada por políticas que actúa como una memoria compartida, permitiendo almacenar, reconciliar y actualizar gráficos de contexto y conocimientos colectivos sin que el progreso se reinicie en cada interacción (el llamado efecto trinquete o ratchet effect).
  • Motores de Cognición (Cognition Engines): Herramientas corporativas que aceleran la innovación conjunta u ofrecen salvaguardas. Se dividen en amplificadores cognitivos (COGs), para el razonamiento preservando la privacidad , y tecnologías de protección (GATs), que garantizan la seguridad, control de costes y cumplimiento normativo.

El documento ilustra la necesidad de este ecosistema mediante un caso práctico de despliegue de una red de satélites de órbita baja donde colaboran dos agentes especializados: «Prometheus» (experto en ingeniería de redes de Cisco que opera en EE. UU. e inglés) y «Themis» (experto en seguridad de Mythos Corp que opera en Japón y japonés) junto a un arquitecto humano. Mediante la infraestructura tradicional, la colaboración se estanca debido a las barreras lingüísticas, normativas divergentes y la falta de solapamiento en el conocimiento institucional. Sin embargo, el Internet de la Cognición permite resolver el problema al unificar los objetivos en una intención compartida, conciliar los datos técnicos de ambas organizaciones en un tejido común y utilizar motores cognitivos para validar los requisitos legales de ambas naciones simultáneamente.

El informe sitúa esta arquitectura sobre el estado del arte actual en sistemas multi-agente (MAS), como los protocolos de código abierto impulsados por la Linux Foundation en los que Cisco participa de forma activa (MCP, A2A y el proyecto AGNTCY). Dado que los líderes de la industria sugieren que la escala monolítica tradicional basada puramente en añadir más datos y cómputo está llegando a una fase de rendimientos decrecientes, las predicciones para alcanzar la Superinteligencia Artificial (ASI) se han desplazado a un horizonte de entre 5 y 20 años. El autor concluye que la transición hacia una superinteligencia distribuida basada en estándares abiertos e interoperables es la palanca arquitectónica indispensable para acelerar estos plazos y resolver problemas globales de alta complejidad.





.

El científico informático más citado de la actualidad afirma que la IA podría provocar la extinción de la humanidad en una década.

Stan, Alina Maria. “The Most-Cited Computer Scientist Alive Says AI Could Make Humanity Extinct Within a Decade.” The Next Web, 16 de mayo de 2026.

The Next Web

1.477

Yoshua Bengio, el investigador de IA ganador del Premio Turing, ha advertido que las máquinas hiperinteligentes podrían desarrollar «objetivos de preservación» autónomos y representar una amenaza existencial para la humanidad en una década. Bengio fundó la organización sin fines de lucro LawZero en junio de 2025 con una financiación de 30 millones de dólares para construir sistemas de IA «no agentes» diseñados para ser seguros por defecto.

El artículo analiza las recientes advertencias de Yoshua Bengio, considerado uno de los “padres” de la inteligencia artificial moderna y uno de los científicos más citados del mundo. Bengio sostiene que el rápido avance de los sistemas de IA podría desembocar, en un plazo de entre cinco y diez años, en escenarios de riesgo existencial para la humanidad.

Su preocupación principal no reside únicamente en la creciente capacidad técnica de estos sistemas, sino en la posibilidad de que desarrollen objetivos autónomos de autopreservación. Según explica, una inteligencia artificial suficientemente avanzada podría comenzar a actuar como un agente independiente, priorizando sus propios fines sobre los intereses humanos. Esta hipótesis deja de ser, en su opinión, una mera especulación teórica y pasa a convertirse en una amenaza plausible debido a la aceleración de la carrera tecnológica entre empresas como OpenAI, Anthropic, Google o xAI.

El texto subraya que Bengio fundamenta sus advertencias en investigaciones recientes que muestran comportamientos inesperados en modelos avanzados de IA. Algunos experimentos habrían evidenciado conductas de engaño, manipulación o intentos de preservar sus objetivos incluso a costa de perjudicar a personas. Estas conductas, vinculadas al problema de la “desalineación” entre los fines humanos y los de la máquina, son especialmente inquietantes porque los sistemas actuales aprenden observando lenguaje y comportamiento humano. Bengio teme que, a medida que los modelos se vuelvan más autónomos y agentes capaces de actuar en internet, escribir código o ejecutar tareas complejas sin supervisión, aumente el riesgo de pérdida de control. El investigador considera insuficientes los mecanismos actuales de autorregulación industrial y denuncia que las empresas tecnológicas priorizan la velocidad y la competencia comercial sobre la seguridad.

Como respuesta a esta situación, Bengio creó en 2025 la organización sin ánimo de lucro LawZero, una iniciativa destinada a desarrollar modelos de inteligencia artificial “seguros por diseño”. El proyecto cuenta con aproximadamente 30 millones de dólares de financiación procedentes de figuras y organizaciones vinculadas al ecosistema tecnológico y filantrópico, entre ellas Jaan Tallinn, Eric Schmidt y Open Philanthropy. El núcleo conceptual de LawZero es el llamado “Scientist AI”, un tipo de IA concebida no para actuar autónomamente en el mundo, sino para analizar información, generar hipótesis y realizar predicciones sin deseos ni metas propias. Bengio propone así una inteligencia artificial no agentiva, diseñada para comprender el mundo pero no para intervenir en él por iniciativa propia. Esta aproximación pretende reducir el riesgo de que las máquinas desarrollen estrategias de supervivencia o manipulación.

El artículo también sitúa estas advertencias en el contexto más amplio del debate internacional sobre seguridad en IA. Bengio ha participado activamente en informes científicos globales sobre riesgos de inteligencia artificial avanzada y defiende la necesidad de mecanismos de supervisión independientes, similares a los utilizados en sectores críticos como la aviación o la energía nuclear. A su juicio, la humanidad está entrando en una etapa histórica en la que la cuestión ya no es si la IA será poderosa, sino si seremos capaces de mantener el control sobre sistemas potencialmente más inteligentes que nosotros. La tensión entre innovación acelerada y gobernanza insuficiente aparece como el eje central de la discusión. Mientras las empresas avanzan hacia modelos cada vez más autónomos, Bengio insiste en que incluso una pequeña probabilidad de catástrofe resulta inaceptable cuando están en juego la estabilidad democrática, la autonomía humana o incluso la supervivencia de la especie.

La ciencia ante la avalancha de “AI slop”

Peters, Jay. 2026. “AI Research Papers Are Getting Better, and It’s a Big Problem for Scientists.” The Verge, mayo de 2026. https://www.theverge.com/ai-artificial-intelligence/930522/ai-research-papers-slop-peer-review-problem

Se analiza una creciente preocupación dentro de la comunidad científica internacional: la expansión de artículos académicos generados parcial o totalmente mediante inteligencia artificial y el impacto que este fenómeno está teniendo sobre el sistema de revisión por pares. Lo que hace apenas dos años se identificaba fácilmente como “AI slop” —textos plagados de errores, referencias inventadas y frases incoherentes— ha evolucionado rápidamente hacia trabajos aparentemente sofisticados, bien redactados y difíciles de detectar incluso para expertos. Investigadores y editores científicos advierten que la automatización masiva de la escritura académica amenaza con saturar los mecanismos tradicionales de validación científica.

El reportaje explica que los modelos de lenguaje actuales son capaces de producir artículos completos en cuestión de minutos utilizando bases de datos públicas, gráficos automatizados y síntesis bibliográficas generadas algorítmicamente. Herramientas agentivas de IA permiten ya redactar hipótesis, construir marcos teóricos, producir análisis estadísticos e incluso responder automáticamente a comentarios de revisores. El problema no reside únicamente en la existencia de errores, sino en la enorme escala de producción. Según varios investigadores citados, la IA puede generar trabajos mucho más rápido de lo que los científicos humanos pueden leerlos o evaluarlos.

Uno de los aspectos más preocupantes es el deterioro progresivo del sistema de revisión por pares, históricamente considerado uno de los pilares de la credibilidad científica. Revisores y editores describen un entorno cada vez más difícil de gestionar debido al incremento de manuscritos redundantes, superficiales o engañosos. El artículo señala que muchos de estos textos utilizan lenguaje técnico convincente y estructuras académicas correctas, pero aportan escaso valor científico real. Esto obliga a los revisores a invertir más tiempo verificando datos, referencias y metodologías. La carga de trabajo se multiplica mientras la calidad media de las contribuciones disminuye.

La situación ha llevado a plataformas científicas a adoptar medidas drásticas. El repositorio científico arXiv anunció recientemente que prohibirá durante un año a los autores que publiquen trabajos con evidencia clara de contenido generado por IA no verificado, incluyendo referencias inventadas o comentarios residuales dejados por modelos lingüísticos. Además, quienes sean sancionados deberán demostrar posteriormente que sus investigaciones han sido aceptadas en publicaciones revisadas por pares antes de poder volver a subir artículos a la plataforma. Esta decisión refleja la preocupación institucional por preservar la confianza y la integridad académica en un contexto de creciente automatización textual.

El artículo también subraya que la crisis no puede entenderse únicamente como un problema tecnológico, sino como una consecuencia de las propias dinámicas estructurales del sistema académico contemporáneo. La presión por publicar, conseguir financiación y mantener productividad científica favorece comportamientos donde la cantidad de publicaciones se valora más que la calidad o la originalidad. La IA amplifica estas dinámicas al reducir drásticamente el coste y el tiempo necesarios para producir artículos. Algunos expertos comparan la situación con una “tragedia de los comunes”: cada investigador obtiene beneficios individuales al aumentar su productividad mediante IA, pero colectivamente el ecosistema científico se degrada debido a la saturación y pérdida de confianza.

Otro problema destacado es la aparición de errores sofisticados difíciles de detectar. Investigaciones recientes muestran que incluso conferencias científicas de alto prestigio han aceptado trabajos con referencias completamente inventadas generadas por IA. Estos fallos no siempre resultan evidentes porque los modelos producen citas plausibles, nombres verosímiles y estructuras metodológicas aparentemente coherentes. El riesgo no es solo la publicación de investigaciones deficientes, sino la contaminación progresiva del propio ecosistema científico con datos falsos, referencias inexistentes y conocimiento difícilmente verificable.

Paradójicamente, mientras algunos sectores intentan frenar el “AI slop”, otros comienzan a utilizar inteligencia artificial para aliviar precisamente la crisis de revisión. Algunos proyectos experimentales, como los desarrollados en conferencias de inteligencia artificial, ya emplean sistemas automatizados capaces de revisar miles de artículos en menos de un día. Sus defensores argumentan que la IA puede detectar errores técnicos y debilidades metodológicas con gran rapidez, aunque críticos advierten de que esto puede generar revisiones homogéneas, sesgadas y fácilmente manipulables mediante ajustes estilísticos. El debate gira así en torno a una paradoja creciente: utilizar IA para controlar los problemas creados por la propia IA.

Las reacciones en comunidades académicas y tecnológicas reflejan una mezcla de alarma, resignación y escepticismo. En foros como Reddit, numerosos investigadores consideran que el problema no se limita a los modelos lingüísticos, sino a un sistema científico que ya estaba sobrecargado antes de la llegada de la IA generativa. Algunos usuarios sostienen que el verdadero riesgo es que el volumen de textos automatizados haga imposible distinguir entre investigación genuina y producción mecánica. Otros creen que la crisis obligará a replantear prácticas fundamentales de evaluación científica, desde la verificación de referencias hasta la exigencia de compartir datos experimentales completos.

La inteligencia artificial no solo está transformando la manera de escribir artículos científicos, sino que está alterando profundamente los mecanismos de validación del conocimiento académico. La revisión por pares, concebida históricamente como filtro de calidad y garantía de rigor, enfrenta ahora un escenario donde la producción automatizada amenaza con superar la capacidad humana de evaluación. El desafío ya no consiste únicamente en detectar textos generados por IA, sino en redefinir qué significa producir conocimiento fiable en una época dominada por la automatización intelectual.

Un estudio revela que los estudiantes aprenden menos y obtienen mejores calificaciones gracias a la IA.

Gizmodo. 2026. “Students Are Learning Less and Getting Higher Grades Because of AI, Study Finds.” Gizmodo, mayo de 2026. https://gizmodo.com/students-are-learning-less-and-getting-higher-grades-because-of-ai-study-finds-2000758844

Esta investigación muestra que la irrupción de la inteligencia artificial está transformando radicalmente la educación superior. La cuestión ya no es únicamente si los estudiantes usan IA, sino cómo las universidades pueden garantizar que el aprendizaje auténtico, el pensamiento crítico y el desarrollo de habilidades sigan siendo el centro del proceso educativo en una época en la que la automatización intelectual se vuelve cada vez más accesible y sofisticada.

El estudio distingue tres formas principales de utilización de la IA en el ámbito educativo. La primera es la “augmentación”, donde la IA sirve como apoyo para investigar o estructurar ideas mientras el estudiante sigue realizando el trabajo intelectual central. La segunda implica la aparición de nuevas tareas mediadas por IA. La tercera, considerada la más problemática, es el “desplazamiento”, en el que la herramienta automatiza casi por completo el trabajo que antes realizaba el estudiante, como redactar ensayos o resolver ejercicios complejos. Según Chirikov, las dos primeras modalidades pueden contribuir al aprendizaje, pero la tercera conduce a una erosión real de competencias y conocimientos.

La investigación señala que las tareas realizadas fuera del aula —ensayos, trabajos domiciliarios y ejercicios de programación— son especialmente vulnerables a este fenómeno. En cambio, los exámenes presenciales, las exposiciones orales o los debates en clase resultan más difíciles de sustituir mediante IA. Esto está llevando a muchas instituciones a replantearse sus métodos de evaluación. El artículo menciona que en Princeton University se debate modificar un histórico código de honor para supervisar más estrictamente los exámenes, mientras que en Harvard University se estudian límites al porcentaje de sobresalientes concedidos en cada asignatura.

Uno de los aspectos más inquietantes del informe es la posible creación de un círculo vicioso entre educación y automatización laboral. El estudio sostiene que, si la IA sustituye las tareas fundamentales mediante las cuales los estudiantes desarrollan habilidades cognitivas y profesionales, las futuras generaciones podrían incorporarse al mercado laboral con capacidades más débiles precisamente en aquellos ámbitos donde la IA ya es más competente. Esto incrementaría aún más la dependencia de sistemas automatizados dentro del trabajo cotidiano. Chirikov advierte que podría generarse una fuerza laboral incapaz de desempeñar funciones básicas sin apoyo algorítmico, acelerando así procesos de automatización masiva.

El debate ha generado una intensa reacción pública y académica. En foros como Reddit, numerosos docentes y estudiantes sostienen que el problema no es solo la existencia de la IA, sino un sistema educativo basado excesivamente en calificaciones y tareas fácilmente automatizables. Algunos participantes consideran que las universidades no han logrado detectar eficazmente el uso de IA y que los estudiantes han aprendido rápidamente a utilizar estas herramientas para obtener mejores resultados académicos. Otros subrayan que el reto ya no consiste únicamente en prohibir la IA, sino en rediseñar completamente las formas de evaluación para que demuestren competencias reales y no simplemente habilidad para generar prompts eficaces.

El artículo conecta además con otras investigaciones recientes que muestran efectos similares sobre el aprendizaje. Estudios citados por Gizmodo sugieren que quienes utilizan modelos lingüísticos para aprender desarrollan conocimientos más superficiales que quienes realizan búsquedas tradicionales y sintetizan información por sí mismos. Los investigadores consideran que la facilidad y rapidez de las respuestas generadas por IA reduce el esfuerzo cognitivo necesario para construir comprensión profunda.