Archivo de la categoría: Tecnologías de la información

¿Qué hacen las empresas con la enorme cantidad de información personal que los usuarios revelan durante sus conversaciones?

Fried, Ina. “What happens to the secrets you share with AI”. Axios, 17 de agosto de 2026. Artículo original en Axios

El artículo analiza una cuestión cada vez más importante a medida que los chatbots de inteligencia artificial se incorporan a la vida cotidiana: qué hacen realmente las empresas con la enorme cantidad de información personal que los usuarios revelan durante sus conversaciones.

A diferencia de un buscador tradicional o de una red social, un chatbot puede generar un nivel de confianza y de intimidad mucho mayor, porque las personas recurren a él para hablar de problemas de salud, dinero, trabajo, relaciones personales, preocupaciones emocionales o decisiones importantes. Estas conversaciones pueden constituir un retrato extraordinariamente detallado de una persona. Axios advierte que el debate sobre privacidad ya no debe limitarse a saber si las compañías utilizan las conversaciones para entrenar nuevos modelos de IA. La cuestión más importante es qué pueden hacer las empresas con el conocimiento acumulado sobre cada usuario en tiempo real: personalizar las respuestas, recordar información, recomendar contenidos, orientar publicidad o intentar aumentar el tiempo de interacción. 

El cambio fundamental es que las empresas de IA están intentando obtener información más allá de la propia ventana de conversación. El artículo señala, por ejemplo, que OpenAI anunció una función opcional de historial informático que permite a ChatGPT conservar información sobre las aplicaciones y sitios web utilizados por una persona. Google, por su parte, comunicó que utilizará por defecto determinadas fotografías y otros materiales que los usuarios incorporan mediante Search para entrenar sus sistemas de IA, aunque existe la posibilidad de excluirse. El potencial beneficio es evidente: cuanto más información conozca un asistente sobre una persona, más personalizadas y útiles pueden ser sus respuestas. Pero también aumenta considerablemente la cantidad de información que una compañía puede reunir sobre la vida de un individuo. El riesgo, por tanto, no reside solamente en que una conversación concreta sea almacenada, sino en que múltiples fragmentos de información puedan combinarse para construir un perfil cada vez más completo y persistente del usuario. 

Una de las preocupaciones más importantes es que los usuarios pueden revelar voluntariamente información que nunca proporcionarían a una empresa tecnológica convencional. Una persona puede contar a un chatbot sus inseguridades, dificultades económicas, problemas laborales, conflictos familiares o preocupaciones relacionadas con su salud simplemente porque percibe al sistema como un interlocutor neutral, disponible y sin capacidad de juzgar. Miranda Bogen, del Center for Democracy & Technology, advierte que la era de la IA puede estar marcada por personas entregando voluntariamente una parte cada vez mayor de su vida digital a herramientas que prometen reducir su carga mental o combatir la soledad. Cuanto más conoce un sistema sobre una persona, más sencillo resulta formular nuevas preguntas que permitan obtener información privada adicional. De este modo, la personalización puede generar un círculo de retroalimentación: más información produce mejores respuestas, las mejores respuestas generan mayor confianza y esa confianza facilita que el usuario revele todavía más información. 

El artículo compara las políticas de privacidad de diferentes compañías y muestra que existen diferencias importantes en la forma de gestionar estos datos. Apple representa uno de los modelos más orientados a la privacidad, ya que intenta procesar determinadas solicitudes de Apple Intelligence directamente en el dispositivo y utiliza Private Cloud Compute para tareas más exigentes. Según Apple, los datos utilizados para realizar estas operaciones no quedan accesibles para la compañía. Este enfoque tiene, sin embargo, una contrapartida: cuanto menos información conserva el sistema sobre el usuario, menor puede ser su capacidad para ofrecer una personalización continuada. Meta se encuentra en el extremo contrario, con una política que permite un uso mucho más amplio de los datos derivados de las interacciones con Meta AI para personalizar contenidos y publicidad dentro de sus servicios. La compañía también ha comenzado a introducir un modo de conversación de incógnito destinado a proporcionar conversaciones temporales sin almacenamiento. 

El desarrollo de la publicidad dentro de los sistemas de IA constituye otro de los grandes interrogantes. Meta, Google y OpenAI están explorando diferentes fórmulas de monetización y, si los chatbots siguen una evolución similar a la de los buscadores y las redes sociales, la publicidad podría adquirir un papel cada vez más importante. Esto crea un incentivo económico potencialmente problemático: si una compañía conoce los intereses, necesidades, vulnerabilidades y preferencias de una persona, puede utilizar ese conocimiento para ofrecer publicidad mucho más personalizada. El riesgo no consiste únicamente en mostrar un anuncio relacionado con una conversación concreta, sino en que el sistema pueda utilizar un conocimiento acumulado sobre el individuo para influir en sus decisiones, prolongar su interacción o persuadirlo de determinadas acciones. Por eso, el artículo plantea un escenario especialmente delicado: un chatbot que conozca los miedos y las inseguridades de una persona podría potencialmente utilizar esa información para modificar su comportamiento. 

Las políticas actuales son muy diferentes entre servicios. Algunas plataformas ofrecen chats temporales que no se utilizan para memoria ni entrenamiento; otras permiten el entrenamiento con datos del usuario únicamente cuando este lo autoriza, mientras que algunas requieren que el usuario se excluya expresamente para evitarlo. También existen sistemas que permiten consultar y borrar la información almacenada o determinadas «memorias», aunque la facilidad para hacerlo varía considerablemente. Además, algunas compañías aplican reglas específicas para información sanitaria, datos de menores o conversaciones realizadas mediante aplicaciones conectadas. Esta diversidad hace que resulte difícil para los usuarios comprender exactamente qué sucede con sus conversaciones. La cuestión de la privacidad se vuelve así mucho más compleja que un simple interruptor de «permitir/no permitir el entrenamiento». Una persona puede impedir que sus conversaciones se utilicen para entrenar modelos y, sin embargo, permitir que esa información se conserve para personalizar futuras interacciones. 

La conclusión central del artículo es especialmente relevante: la pregunta clave ya no es si una empresa entrena sus modelos con nuestras conversaciones, sino qué puede llegar a saber de nosotros gracias a ellas y para qué puede utilizar ese conocimiento. La memoria, la personalización y la integración de los asistentes de IA con otras aplicaciones pueden convertir al chatbot en una especie de intermediario permanente de la vida digital de una persona. Esto ofrece enormes ventajas en términos de comodidad y utilidad, pero también plantea riesgos relacionados con privacidad, manipulación, publicidad personalizada y concentración de información personal. En definitiva, Axios sostiene que los consumidores pueden considerar que los beneficios de un asistente personalizado justifican este intercambio, pero deberían conocer claramente qué información están entregando, cuánto tiempo se conserva, cómo puede combinarse con otros datos y qué usos puede hacer la empresa de ese conocimiento antes de empezar a contarle sus secretos a una IA

Cuando la IA cita ciencia: ¿qué versión del artículo ha utilizado?

AI-driven article version and source identification with verified sources and revision analysis
A futuristic interface illustrates AI-powered article tracking, source verification, and data provenance.

Hargitt, Patrick; Smith, Steve. “AI Can Find the Article. Can It Tell Which Version It Used?”. The Scholarly Kitchen, 19 de agosto de 2026. Artículo original en The Scholarly Kitchen

La expansión de la inteligencia artificial en la búsqueda y recuperación de información científica está generando un problema que va mucho más allá de localizar correctamente un artículo: determinar exactamente qué versión del trabajo ha utilizado la IA.

Patrick Hargitt y Steve Smith parten de una cuestión fundamental para la comunicación científica: un mismo trabajo puede existir simultáneamente como preprint, manuscrito revisado, manuscrito aceptado, versión publicada por el editor, copia depositada en un repositorio institucional y versiones posteriores corregidas o retractadas. Los sistemas de IA pueden recuperar cualquiera de estas manifestaciones, fragmentar su contenido en pequeños bloques y utilizar determinados pasajes para elaborar una respuesta sin mostrar necesariamente al usuario el contexto o la versión concreta de la que procede la información. Por ello, la ambigüedad de las versiones deja de ser únicamente un problema bibliográfico o de descubrimiento y se convierte en un problema de procedencia, especialmente importante cuando una IA genera revisiones de literatura, informes, resúmenes o respuestas basadas en investigación científica.

Los autores destacan que los identificadores persistentes (PID), especialmente los DOI, siguen siendo esenciales, pero por sí solos no resuelven el problema. Un DOI puede identificar de manera estable un trabajo y conducir al registro mantenido por el editor, pero eso no significa necesariamente que sea la versión que un sistema de IA utilizó. Una IA podría haber recuperado, por ejemplo, una copia anterior depositada en un repositorio, mientras que la referencia final apunta al DOI de la versión publicada. Del mismo modo, un artículo puede haber sido corregido o retractado después de que una plataforma de IA incorporara una copia anterior. Por tanto, no basta con saber qué trabajo se ha utilizado: es necesario conocer qué estado o versión concreta del trabajo se empleó y si en ese momento existían correcciones, actualizaciones, retractaciones o versiones posteriores relevantes. El valor de un PID depende así del ecosistema de metadatos y relaciones que lo acompaña, capaz de explicar qué objeto representa, cómo se relaciona con otras versiones y cuál es su situación actual dentro del registro académico.

En este contexto cobra especial importancia la próxima revisión de la recomendación NISO Journal Article Versions (JAV). Según los autores, esta revisión se encuentra en fase editorial final y pretende proporcionar una descripción más precisa de las diferentes etapas por las que puede pasar un artículo científico. La propuesta combina etapas y estados del artículo con versionado semántico, permitiendo distinguir no solo entre un preprint, un manuscrito aceptado o una versión del registro (Version of Record), sino también entre diferentes modificaciones producidas dentro de una misma etapa. Esta distinción resulta especialmente relevante porque un artículo puede experimentar varias modificaciones sin cambiar necesariamente de categoría: una corrección menor de metadatos no tiene la misma importancia que un cambio sustancial que pueda afectar a la interpretación de los resultados. El versionado estructurado permitiría que tanto los investigadores como los sistemas automatizados comprendieran mejor qué versión están manejando y cuál es su relación con las demás.

El artículo propone, en esencia, distinguir tres capas de identidad. La primera responde a la pregunta «¿qué trabajo u objeto científico es este?» y se resuelve mediante un PID, como un DOI, acompañado de metadatos y relaciones. La segunda responde a «¿en qué estado o versión se encuentra el trabajo?» y requiere información sobre la etapa editorial, el estado y el número o versión semántica. La tercera, mucho más novedosa en el contexto de la inteligencia artificial, responde a «¿qué utilizó realmente el sistema de IA?». Esta última dimensión exige información de procedencia, es decir, conocer la fuente concreta y la versión exacta que fueron recuperadas para fundamentar una determinada respuesta. Para los autores, esta tercera capa será cada vez más importante porque una referencia bibliográfica aparentemente correcta puede ocultar el recorrido real que siguió la IA para obtener la información. En consecuencia, la especificidad de la versión debería empezar a considerarse parte de la precisión de una cita, y no simplemente un detalle adicional de presentación.

Otro aspecto fundamental es que los metadatos de versión deben pasar de ser una información meramente descriptiva a convertirse en información operativa dentro de los sistemas de IA. Un sistema de recuperación debería poder identificar si está accediendo a un preprint, un manuscrito en revisión, un manuscrito aceptado o una versión del registro; debería comprobar si esa versión ha sido posteriormente corregida, retractada o sustituida; y, cuando sea posible, debería conocer si existe una versión posterior antes de generar una respuesta. Si la IA utiliza una versión antigua o no definitiva, esa circunstancia debería poder aparecer en la referencia o en la evidencia que acompaña a la respuesta. El problema adquiere todavía mayor importancia cuando el contenido se incorpora a sistemas de IA mediante procesos de ingestión estática: los artículos pueden transformarse, dividirse en fragmentos, convertirse en embeddings e incorporarse a índices vectoriales, mientras que la información sobre su versión, estado editorial o historial de correcciones puede quedar separada del texto. De ahí la necesidad de que los metadatos permanezcan vinculados al contenido durante todo el proceso de ingestión, recuperación y generación.

Los autores subrayan también el riesgo de que las correcciones y retractaciones no lleguen a las plataformas de IA. Un artículo puede haber sido incorporado a una colección licenciada o a un índice en una determinada fecha y, posteriormente, ser corregido o retractado por el editor. Si el sistema conserva una copia estática y no dispone de mecanismos para recibir las actualizaciones, puede seguir utilizando información que el propio editor ya no considera válida en su forma anterior. El problema no afecta solamente a las editoriales: también involucra a repositorios, índices bibliográficos, agregadores, proveedores de contenidos y empresas de inteligencia artificial. Los autores plantean que las correcciones, retractaciones y nuevas versiones deberían propagarse por todo el ecosistema académico mediante mecanismos fiables de actualización. En este sentido, mencionan iniciativas como CUSAP, orientada a la comunicación de actualizaciones de contenidos, y servicios destinados a transmitir información sobre retractaciones y erratas.

Desde la perspectiva de las bibliotecas y las instituciones académicas, el problema tiene consecuencias directas sobre la contratación y evaluación de servicios de IA. Ya no debería bastar con preguntar si una herramienta tiene acceso a millones de artículos científicos. También habría que saber si conserva los metadatos de versión, si actualiza los contenidos cuando se producen correcciones o retractaciones, si identifica la procedencia de los fragmentos utilizados y si puede informar de qué versión concreta respaldó una respuesta. Esto introduce una nueva dimensión en la evaluación de proveedores de IA y en las licencias de contenidos científicos. Las instituciones podrían exigir que los sistemas demuestren durante las pruebas piloto que son capaces de mantener la relación entre contenido, versión, estado, procedencia y actualización. De este modo, la calidad de un sistema de IA para investigación no dependería únicamente de su capacidad para recuperar documentos relevantes, sino también de su capacidad para recuperar y utilizar la versión correcta y vigente de esos documentos.

Libros que ya no se leen, una internet que ya no se usa y el fin de las redes sociales tal como las conocemos…

Levesque, Ryan. “The Shape of Enshittification: Books That No Longer Get Read, An Internet That No Longer Gets Surfed, & The End of Social Media As We Know It…” The Digital Contrarian, Substack, 16 de junio de 2026. https://thedigitalcontrarian.substack.com/p/the-shape-of-enshittification-104

El artículo plantea que la verdadera amenaza de la IA no es simplemente que produzca contenido mediocre, sino que pueda contribuir a crear un ecosistema en el que libros, Internet, redes sociales y hasta nuestras conversaciones estén cada vez más mediados por máquinas. Frente a esa abundancia de contenido sintético, Levesque reivindica el valor creciente de lo humano: criterio, experiencia, originalidad, conversación, creatividad y capacidad para distinguir información de conocimiento.

Ryan Levesque parte del concepto de “enshittification”, popularizado por Cory Doctorow para describir el progresivo deterioro de las plataformas digitales cuando los intereses comerciales terminan imponiéndose sobre la experiencia de los usuarios. Su tesis es que este fenómeno está adquiriendo una nueva dimensión con la inteligencia artificial: no solo se deterioran las plataformas, sino que cada vez más contenidos de Internet, libros y conversaciones están siendo producidos, filtrados o mediados por sistemas de IA. El resultado podría ser un ecosistema digital abundante en información pero progresivamente pobre en autenticidad, diversidad y contacto humano.

El artículo comienza con una investigación realizada por investigadores de la Universidad de Maryland y Google DeepMind, que analizó 61.608 historias generadas a partir de 10.272 propuestas, comparando textos humanos con producciones de cinco modelos de IA. Según Levesque, el análisis de la estructura narrativa permitió distinguir textos humanos de textos generados por IA con una precisión cercana al 93 %. Identifica cinco rasgos característicos del denominado AI slop: la IA tiende a explicar demasiado los temas en lugar de permitir que el lector los interprete, utiliza estructuras más lineales, recurre con mayor frecuencia a metáforas corporales para expresar emociones, hace menos referencias concretas a lugares, marcas o textos y produce narrativas menos diversas.

A partir de ahí, Levesque conecta el fenómeno con una sensación más amplia de que “nada parece real”. Recupera la distinción popular entre trabajo asociado al pensamiento analítico y trabajo relacionado con significado, creatividad, belleza y experiencia, para argumentar que la sociedad digital ha privilegiado cada vez más la medición, optimización y automatización. Aplicamos aplicaciones para conseguir conexión, métricas para medir la felicidad y sistemas para organizar incluso aquello que tradicionalmente pertenecía al ámbito de la experiencia humana. Según su argumento, obtenemos resultados funcionales pero no necesariamente auténticos: un entorno diseñado para captar nuestra atención y proporcionarnos pequeñas dosis de recompensa, pero que puede terminar generando sensación de vacío.

Uno de los ámbitos donde Levesque observa con mayor claridad esta evolución es las redes sociales. Propone un ciclo de cinco etapas: nacimiento de una comunidad, crecimiento, llegada a una masa crítica, enshittification y finalmente declive. En la cuarta fase, el modelo de negocio comienza a dominar la experiencia del producto, aumenta la publicidad y el contenido se vuelve cada vez más homogéneo; finalmente, los usuarios que hicieron atractiva la plataforma comienzan a marcharse. El autor considera que muchas redes sociales se encuentran actualmente en las fases cuatro o cinco. La incorporación masiva de contenido generado por IA añade otro problema: cada vez resulta más difícil saber si detrás de una publicación, una interacción o un comentario existe realmente otra persona.

Esta transformación afecta especialmente al valor de la comunicación social. Si publicamos para ser vistos por otras personas y una parte creciente de quienes leen, comentan o interactúan son sistemas automatizados, bots o contenidos generados por IA, el incentivo para participar en las redes cambia radicalmente. Levesque observa además una migración desde la comunicación pública hacia espacios privados, como los grupos de WhatsApp o iMessage. Las redes sociales estarían convirtiéndose progresivamente en una especie de televisión digital, centrada en mantener la atención mediante vídeos breves, mientras la comunicación verdaderamente interpersonal se desplaza hacia espacios más cerrados.

El autor dedica también especial atención al futuro del libro. Utiliza como ejemplo los datos compartidos por Tim Ferriss, cuyos libros experimentaron descensos importantes de ventas: -5 % en 2023, -13 % en 2024, -46 % en 2025 y -57 % en 2026 respecto al año anterior. Levesque relaciona esta evolución con la popularización de ChatGPT y con el hecho de que los libros de tipo how-to, destinados principalmente a proporcionar instrucciones y procedimientos, compiten directamente con los chatbots. En lugar de comprar un libro para aprender a hacer algo, el usuario puede preguntar a una IA y obtener en segundos una respuesta adaptada a su situación.

Sin embargo, su conclusión no es que el libro esté muriendo, sino que está perdiendo valor un determinado tipo de libro. Según Levesque, la información fácilmente sistematizable puede ser absorbida por los chatbots, mientras que adquieren mayor valor las obras que aportan una perspectiva original, una idea poderosa, una experiencia personal, una historia única o una transformación intelectual. Es una distinción especialmente interesante: la IA abarata la información, pero podría aumentar el valor de la experiencia, la interpretación y la originalidad humana.

Otro de los argumentos centrales se refiere al Internet que leen las máquinas. Levesque advierte que si los usuarios dejan de navegar directamente por la Web y comienzan a consultar principalmente chatbots, los productores de contenidos tendrán incentivos para crear páginas destinadas no tanto a las personas como a los sistemas de IA que las rastrean. Utiliza como ejemplo contenidos comerciales de Shopify que sitúan a la propia empresa como la mejor plataforma de comercio electrónico. Si los chatbots utilizan esos contenidos como fuentes, una empresa podría influir indirectamente en las respuestas que reciben millones de usuarios. El riesgo es la aparición de una Web optimizada para ser consumida por algoritmos y no por seres humanos.

Finalmente, Levesque introduce una idea especialmente sugerente: el “message slop”, o basura generada por IA en las conversaciones personales. Describe una experiencia en la que sospechó que su interlocutor estaba utilizando ChatGPT o Claude para generar sus respuestas. La conversación aparentemente se producía entre dos personas, pero en realidad estaba mediada por una máquina. Para el autor, esto plantea una cuestión fundamental: si empezamos a delegar incluso la expresión de nuestros pensamientos y emociones en una IA, podemos terminar perdiendo una parte de la espontaneidad y autenticidad que caracteriza a la comunicación humana.

El artículo termina con una perspectiva relativamente optimista: cuanto más fácil sea fabricar algo artificial, mayor puede ser el valor de aquello que no puede falsificarse fácilmente. Levesque identifica tres tipos de trabajo que podrían adquirir especial relevancia: quienes sepan coordinar sistemas de IA y agentes, los trabajos manuales y creativos ligados al mundo físico, y las actividades humanas en las que resulten esenciales la confianza, el criterio y la relación interpersonal. Su conclusión es que, en un mundo inundado de contenido artificial, lo auténtico, singular y humano podría convertirse precisamente en el recurso más escaso y valioso.

La inteligencia artificial generativa y la integridad científica: guía de la Office of Research Integrity de Estados Unidos

U.S. Department of Health and Human Services (HHS), Office of Research Integrity (ORI). Public Health Service Policies on Research Misconduct: 42 CFR Part 93 Guidance on Generative Artificial Intelligence.

Texto completo

Office of Research Integrity (ORI) del Departamento de Salud y Servicios Humanos de Estados Unidos ha publicado en agosto de 2026 una guía específica sobre el uso de inteligencia artificial generativa en el contexto de la investigación científica y las posibles conductas de mala conducta investigadora.

El documento está dirigido especialmente a las instituciones y entidades que reciben financiación del Public Health Service (PHS) para investigación biomédica o conductual. Su propósito es orientar la evaluación de posibles casos de mala conducta científica en los que intervengan herramientas de IA generativa, dentro del marco establecido por la normativa 42 CFR Part 93. La guía es de carácter no vinculante y, en caso de conflicto, prevalece la regulación federal.

El documento parte de una idea importante: el uso de IA generativa no constituye por sí mismo una conducta de mala conducta científica. Los investigadores y las instituciones deben aplicar, en términos generales, las mismas buenas prácticas que utilizarían cuando no interviene la IA. Sin embargo, la utilización de estas herramientas puede generar situaciones de fabricación, falsificación o plagio, por lo que resulta fundamental evaluar si su empleo supone una desviación significativa de las prácticas aceptadas por la comunidad científica correspondiente. Para ello, los comités de investigación deben analizar todas las evidencias disponibles y contar con expertos científicos en el área de investigación afectada; además, ORI considera útil incorporar especialistas en IA cuando sea necesario comprender las herramientas utilizadas.

Uno de los principios centrales de la guía es la transparencia en el uso de IA. ORI recomienda que los investigadores identifiquen las herramientas de IA generativa empleadas durante la investigación, la preparación de manuscritos o la elaboración de propuestas de financiación y que expliquen cómo fueron utilizadas. Esta información puede contribuir a la reproducibilidad de la investigación y también servir como elemento de defensa frente a determinadas acusaciones de mala conducta. No obstante, declarar el uso de IA no garantiza que dicho uso sea considerado legítimo: si la utilización de la herramienta contradice las prácticas aceptadas por la comunidad científica, puede seguir constituyendo evidencia de mala conducta. Asimismo, el uso de IA para generar o procesar datos debe ser cuidadosamente verificado.

La guía presta especial atención a los problemas de fabricación y falsificación de datos. Un investigador debe comprobar los resultados obtenidos mediante procesos que incorporen IA, ya que la generación o modificación no declarada de datos puede constituir fabricación o falsificación. ORI incluso señala que algunas tecnologías aparentemente rutinarias pueden incorporar procesos automáticos de alteración de imágenes, como ocurre con determinadas cámaras de teléfonos inteligentes. En estos casos, corresponde al investigador demostrar, cuando proceda, que la alteración fue consecuencia de un error honesto y no de una conducta intencionada, consciente o imprudente.

La IA se convierte en asistente habitual de los investigadores

AI for Science 2026: The State of AI Use among Researchers. Fudan University, Shanghai Academy of AI for Science & Nature Research Intelligence, 2026.

Texto completo

El informe muestra que la IA generativa ya está integrada en buena parte del trabajo cotidiano de los investigadores, aunque principalmente como herramienta de apoyo y no como sustituto del juicio científico. Su utilización se concentra especialmente en las primeras fases del proceso investigador: búsqueda y descubrimiento de información, exploración de literatura, redacción, edición y mejora de textos. Casi la mitad de los investigadores afirma utilizar IA con frecuencia para recopilar información y para mejorar o editar artículos.

El informe muestra que la inteligencia artificial está incorporándose rápidamente al trabajo cotidiano de los investigadores, aunque su utilización no es homogénea. La IA se emplea sobre todo en las fases exploratorias y generativas de la investigación, especialmente para recopilar información, descubrir literatura, planificar investigaciones y mejorar o editar artículos. El 43,8 % de los investigadores utiliza IA frecuente o muy frecuentemente para recopilar información y el 44,6 % para mejorar o editar artículos. En cambio, su utilización disminuye considerablemente cuando las tareas requieren evaluación, responsabilidad y juicio profesional.

Una de las principales conclusiones es que la IA actúa más como asistente que como sustituto del investigador. El uso es mucho menor en actividades como la revisión de artículos científicos o la toma de decisiones sobre la publicación. Solo el 23,5 % utiliza IA para revisar artículos y el 25,7 % para decisiones relacionadas con su presentación. Esto refleja que los investigadores siguen reservando para las personas aquellas tareas en las que son fundamentales el criterio experto, la responsabilidad profesional y la evaluación crítica.

Existe además una importante diferencia generacional. Los investigadores más jóvenes recurren a la IA con mayor frecuencia que los investigadores con más experiencia. Entre quienes llevan menos de tres años investigando, el 46,8 % utiliza frecuentemente IA para mejorar o editar artículos, frente al 36,1 % entre quienes acumulan 20 años o más de experiencia. Para la recopilación de información, las cifras son del 47,8 % y el 33,4 %, respectivamente. La diferencia se explica tanto por una mayor utilización entre los investigadores jóvenes como por una mayor resistencia de los investigadores sénior a utilizar estas herramientas.

En cuanto a las herramientas utilizadas, los modelos generalistas dominan claramente el panorama. Representan el 75,9 % de las menciones entre las tres herramientas de IA más utilizadas por los investigadores. ChatGPT aparece en primer lugar, con el 36,8 % de las menciones, seguido de Gemini, con el 19,4 %, y Claude, con el 6,5 %. Las herramientas específicas para escritura y edición representan el 7,2 %, mientras que las destinadas al descubrimiento de literatura y evidencias alcanzan el 5,6 %.

El informe también revela diferencias geográficas. El uso intensivo de IA para descubrir contenidos científicos es especialmente elevado en Asia oriental. En el conjunto de la muestra, el 5,7 % de los investigadores depende principalmente o exclusivamente de herramientas de IA para identificar investigaciones relevantes, pero entre los investigadores jóvenes la proporción llega al 21,2 % en Japón y al 15,2 % en China, frente al 5,7 % en Estados Unidos y el 8,9 % en Europa.

Otro aspecto significativo es la forma de financiación de estas herramientas. La mayoría de los investigadores accede a ellas de manera independiente: el 45,4 % utiliza principalmente herramientas gratuitas y el 41,3 % las paga personalmente. Solo el 11,1 % señala que su institución financia la licencia. Esto indica que la adopción de IA está avanzando más rápidamente que el establecimiento de políticas y sistemas institucionales de apoyo, formación y financiación.

La satisfacción con la IA es relativamente elevada cuando se utiliza para descubrir información científica. El 65,2 % de los investigadores se declara satisfecho o muy satisfecho con la ayuda que proporciona su herramienta principal para descubrir nuevos contenidos. Las razones principales son su capacidad para localizar fuentes relevantes y proporcionar referencias, además de la precisión de las respuestas y el incremento de la productividad.

Sin embargo, la confianza sigue siendo el principal problema. Las respuestas abiertas muestran que los investigadores valoran especialmente la posibilidad de aumentar la productividad, facilitar el descubrimiento de literatura y ampliar el acceso al conocimiento, pero manifiestan importantes preocupaciones sobre la fiabilidad de los resultados. Entre más de 7.500 respuestas abiertas, las alucinaciones y los problemas de exactitud acumularon 4.935 menciones, muy por encima de otros riesgos. También aparecen el temor a la pérdida de pensamiento crítico, mencionado 1.167 veces, y las preocupaciones relacionadas con la integridad de la investigación, con 702 menciones.

En definitiva, el estudio presenta una imagen de una investigación científica cada vez más asistida por IA, pero todavía lejos de una investigación autónoma. La IA está penetrando especialmente en la búsqueda y descubrimiento de información, la organización de ideas, la redacción y la edición, mientras que los investigadores mantienen un mayor control humano sobre la evaluación y las decisiones científicas. El gran reto que plantea el informe no es tanto conseguir que los investigadores utilicen IA —algo que ya está sucediendo— como garantizar que sepan utilizarla de forma crítica, verificable, ética y responsable, especialmente ante las alucinaciones, la pérdida potencial de pensamiento crítico, la integridad científica y la seguridad de los datos.

Manual apegado a APA 7.a edición para citar, documentar y transparentar el uso de Inteligencia Artificial Generativa (IAGen)

Ruiz Mendoza, K. K. Manual apegado a APA 7.ª edición para citar, documentar y transparentar el uso de IAGen. 2026. El documento ofrece orientaciones prácticas para documentar de manera transparente el uso de herramientas de inteligencia artificial generativa en trabajos académicos y de investigación

Texto completo

El documento propone un marco práctico para transparentar el uso de la inteligencia artificial generativa (IAGen) en la producción académica, partiendo de una idea fundamental: no basta con declarar de forma genérica que se ha utilizado IA. La transparencia exige explicar qué herramienta se empleó, con qué finalidad, qué partes del trabajo fueron afectadas, cómo se verificó la información generada y qué responsabilidad asumieron finalmente los autores.

El principio central es que la utilización de IA debe ser documentable y auditable, manteniendo siempre la contribución intelectual humana como elemento fundamental del trabajo académico.

Uno de los principios más importantes del manual es la responsabilidad humana final. La inteligencia artificial puede ayudar a organizar ideas, redactar, traducir, revisar la claridad de un texto, elaborar tablas, generar imágenes o apoyar determinados análisis, pero no puede asumir la responsabilidad ética, académica o legal del trabajo. Las decisiones sobre las ideas, la interpretación de los resultados, las conclusiones, la selección de fuentes y la edición definitiva corresponden a las personas autoras. Por esta razón, el documento recomienda que la IA nunca aparezca como autora o coautora de una investigación.

El manual insiste especialmente en la verificación de los resultados producidos por la IA. Toda afirmación, dato, cita, DOI, referencia bibliográfica, tabla, figura o resultado sugerido por una herramienta generativa debe contrastarse con fuentes originales o documentación primaria. La salida de un modelo de lenguaje no debe considerarse por sí misma una fuente de conocimiento. Esta recomendación resulta especialmente relevante porque los sistemas generativos pueden producir información incorrecta, referencias inexistentes o interpretaciones que parecen plausibles pero carecen de respaldo documental.

Una aportación práctica del documento es la creación de una bitácora de uso de IA generativa. Esta debería registrar elementos como la fecha, la herramienta y el modelo utilizado, el objetivo académico, el prompt, la salida que finalmente se empleó y las modificaciones o verificaciones realizadas por el autor. De este modo, el uso de IA deja de ser una actividad opaca y pasa a formar parte de la metodología documentada de la investigación. El manual señala que el registro debe ser suficientemente claro para que otra persona pueda comprender qué intervención tuvo la IA, aunque no necesariamente pueda reproducir exactamente la misma respuesta.

El documento también ofrece modelos concretos para redactar una declaración metodológica sobre el uso de IA. La fórmula propuesta consiste en indicar qué herramienta se utilizó, para qué finalidad y dejar constancia de que la persona autora revisó, verificó y modificó la salida antes de incorporarla al trabajo. Se pretende así evitar declaraciones ambiguas como “se utilizó inteligencia artificial” y sustituirlas por explicaciones específicas sobre la naturaleza y alcance de la intervención tecnológica.

Otro aspecto destacado es la documentación de los prompts y de las salidas relevantes mediante apéndices. El manual recomienda identificar la herramienta, el modelo y la fecha de utilización, explicar el objetivo académico, conservar el prompt suficientemente completo, registrar la salida relevante, documentar las modificaciones humanas y señalar las fuentes utilizadas para verificar los resultados. Esta documentación proporciona una especie de rastro de auditoría que permite reconstruir cómo intervino la IA en el proceso de elaboración del trabajo.

La guía presta también atención a la privacidad y protección de datos. No recomienda incorporar a los apéndices conversaciones que contengan nombres, matrículas, correos electrónicos, rostros, direcciones, datos médicos u otra información sensible. Del mismo modo, deben evitarse prompts que revelen contraseñas, credenciales, documentos internos o información protegida. La transparencia sobre el uso de IA no debe convertirse, por tanto, en una nueva fuente de exposición de información personal o confidencial.

En cuanto a la presentación formal, el manual adapta estas prácticas al estilo APA 7.ª edición. Propone modelos para las declaraciones metodológicas, las notas de figuras generadas con IA, las tablas elaboradas con asistencia de IA y las referencias de chats específicos. También explica cómo organizar los apéndices y cómo numerar sus tablas y figuras: por ejemplo, Tabla A1 o Figura A1 para el Apéndice A.

En definitiva, el documento plantea que la cuestión no es prohibir o permitir genéricamente la inteligencia artificial en la investigación, sino establecer condiciones de uso responsable. La IA puede convertirse en una herramienta legítima para mejorar determinados procesos académicos siempre que exista supervisión humana, transparencia, trazabilidad y verificación. La idea esencial podría resumirse así: la IA puede participar en el proceso de producción del conocimiento, pero la responsabilidad sobre ese conocimiento continúa siendo humana.

Cuando el error se convierte en consenso: la ciencia ya no puede corregirse al ritmo al que se propagan los errores

Scientists reviewing evidence beneath text reading “Science Cannot Self-Correct.”

Hu, Jason. “When Errors Become Consensus: Science’s Self-Correction Can No Longer Keep Up”. The Scholarly Kitchen, 17 de agosto de 2026

Ver original

La ciencia siempre ha cometido errores, pero tradicionalmente se confiaba en que su propio sistema de autocorrección acabaría detectándolos y sustituyéndolos por conocimientos más sólidos. El problema actual es que esa capacidad de corrección ya no parece avanzar al mismo ritmo que la producción y difusión de información.

Antes, los errores podían tardar años en propagarse porque las publicaciones, revisiones, libros y manuales evolucionaban lentamente. Esa lentitud actuaba, paradójicamente, como una forma de contención. Ahora, una afirmación errónea puede difundirse prácticamente de inmediato a través de artículos, bases de datos, redes académicas y sistemas de inteligencia artificial.

Hu utiliza como ejemplo histórico las afirmaciones de Justus von Liebig sobre el valor nutricional del extracto de carne. Liebig defendió que el concentrado de carne poseía un importante valor nutritivo y contribuyó a popularizar el llamado beef tea. Sin embargo, experimentos realizados posteriormente por Adolf Fick y Johannes Wislicenus apuntaron en otra dirección: eran principalmente las grasas y los carbohidratos, y no las proteínas, los que proporcionaban energía para el trabajo muscular. A pesar de ello, las ideas iniciales de Liebig sobrevivieron durante décadas y contribuyeron a consolidar una asociación entre carne, proteína y fuerza que continúa teniendo influencia en la cultura alimentaria contemporánea.

A partir de este ejemplo, el autor introduce el concepto de “consenso sintético”Se trataría de una situación en la que la credibilidad de una afirmación no procede fundamentalmente de una nueva validación empírica, sino de su repetición, agregación y reproducción dentro de diferentes sistemas de conocimiento. Una afirmación puede aparecer en artículos, revisiones, libros, bases de datos y posteriormente en sistemas de IA. Al aparecer tantas veces, parece estar respaldada por múltiples fuentes, aunque todas esas apariciones procedan en última instancia de la misma afirmación original y no constituyan verificaciones independientes.

El fenómeno se desarrolla, según Hu, mediante tres fuerzas: persistencia, suministro y recursividad. La persistencia significa que un error puede continuar circulando incluso después de que el artículo original haya sido retractado. El autor cita el caso de un ensayo sobre suplementos de omega-3 en pacientes con EPOC que fue retractado en 2008 por falsificación de datos y que, once años después, seguía siendo citado positivamente en más de un centenar de publicaciones y otros materiales. La retractación afecta al documento original, pero con frecuencia no acompaña a todas las copias, citas, revisiones y afirmaciones derivadas que ya se han incorporado al sistema científico.

El suministro hace referencia al crecimiento de los paper mills, organizaciones que producen artículos científicos fraudulentos o de baja calidad de forma industrializada. El problema deja de ser entonces detectar ocasionalmente un artículo defectuoso y pasa a consistir en hacer frente a un volumen de información potencialmente fraudulenta que puede superar la capacidad de editores, revisores, instituciones y organismos de integridad científica para examinarla. El sistema de control se encuentra así ante una asimetría: la producción de contenidos problemáticos puede escalar mucho más rápidamente que su detección y retirada.

La tercera fuerza, y quizá la más novedosa, es la recursividad introducida por la IA generativa. Los grandes modelos de lenguaje pueden sintetizar y reproducir información existente a un coste marginal muy bajo. Si entre esa información existen afirmaciones erróneas, sin fundamento o incluso inventadas, la IA puede incorporarlas a nuevos textos. Estos nuevos textos pueden volver a alimentar otros sistemas de IA, creando un ciclo en el que una afirmación se repite y se transforma sucesivamente. Con cada repetición puede disminuir la percepción de incertidumbre y aumentar la apariencia de corroboración, aunque la evidencia original no haya mejorado.

El artículo conecta esta dinámica con dos problemas relacionados: el “model collapse” y la aparición de una posible “monocultura científica”. El primero describe el deterioro que puede producirse cuando los modelos se entrenan indiscriminadamente con contenidos generados por otros modelos. El segundo hace referencia a la tendencia de los sistemas de IA a favorecer la convergencia de temas, métodos y formas de expresión cuando se utilizan cada vez más para generar ideas, sintetizar literatura y formular preguntas de investigación. El riesgo es que la IA no solo reproduzca errores existentes, sino que contribuya a reducir la diversidad intelectual del sistema científico.

Esto plantea una limitación importante para los mecanismos tradicionales de revisión por pares, supervisión editorial y retractación. Estos mecanismos fueron diseñados fundamentalmente para corregir errores dentro de la literatura científica. Pero actualmente el conocimiento ya no está contenido exclusivamente en los artículos publicados. Las afirmaciones científicas pasan a bases de datos, revisiones, materiales docentes, herramientas de decisión, motores de búsqueda y modelos de IA. Por ello, retirar o corregir un artículo puede resultar insuficiente: el error puede continuar existiendo en todos los sistemas que ya lo han incorporado.

La propuesta central de Hu es construir una auténtica “capa de propagación” de las correcciones. Si una afirmación errónea puede viajar de un artículo a una revisión, de esta a una base de datos y posteriormente a un modelo de IA, las correcciones deberían poder realizar exactamente el mismo recorrido. El autor menciona iniciativas como United2Act, los trabajos de la STM Association sobre el uso responsable de contenidos científicos en IA, Crossmark, la base de datos de Retraction Watch y las recomendaciones de NISO sobre comunicación de retractaciones. Sin embargo, señala que todavía existe una adopción desigual y, sobre todo, que los modelos de IA permanecen en gran medida fuera del circuito de corrección científica.

La conclusión es especialmente relevante para la integridad científica en la era de la IA: el desafío ya no consiste únicamente en impedir que un artículo falso o defectuoso llegue a publicarse. Hay que garantizar que, cuando aparezca un error, la corrección sea capaz de viajar tan lejos y tan rápido como viajó el error original. De lo contrario, podemos terminar en un sistema en el que la repetición produzca una apariencia de consenso y donde una afirmación parezca verdadera simplemente porque ha sido reproducida miles de veces por personas, bases de datos y máquinas.

La metáfora final del artículo resulta muy apropiada: lo que se incorpora a una estructura tiende a permanecer. La pregunta que plantea Hu para el ecosistema académico es, por tanto, qué estamos incorporando a las infraestructuras que conservarán y transmitirán el conocimiento del futuro y si esas infraestructuras serán capaces de recordar no solo las afirmaciones, sino también sus correcciones. Es un cambio de perspectiva importante: la integridad científica deja de ser únicamente una cuestión de revisar publicaciones y pasa a convertirse también en un problema de arquitectura, metadatos, trazabilidad, interoperabilidad y gobernanza de la información científica.

Cuando la IA escribe a la IA: quién controla las comunicaciones en la empresa del futuro

Hoque, Faisal. “Your AI is emailing my AI—and nobody’s in charge”. Fast Company, 17 de agosto de 2026. El artículo aborda la creciente automatización de las comunicaciones laborales y el problema de la responsabilidad cuando los sistemas de IA empiezan a comunicarse entre sí en nombre de los trabajadores. Artículo original en Fast Company

Hay una situación que empieza a dejar de ser excepcional: una persona recibe un correo electrónico perfectamente redactado, con información sobre un proyecto, próximos pasos y responsables, pero descubre que el mensaje ha sido generado y enviado íntegramente por un agente de inteligencia artificial que actúa en nombre de otra persona. Al mismo tiempo, incluso cuando la IA no envía directamente los mensajes, cada vez más trabajadores recurren a ella para redactarlos.

Según datos de Gallup citados por Fast Company, más de la mitad de los empleados estadounidenses utilizan IA en el trabajo y el uso más habitual, señalado por el 51 %, es precisamente escribir y editar contenidos.

El resultado es una transformación silenciosa de la comunicación profesional: aparentemente los humanos siguen hablando con humanos, pero debajo de la superficie las IA empiezan a hablar entre sí. Una persona puede recibir un mensaje elaborado por un agente, introducirlo en su propio chatbot y enviar la respuesta generada por este. De esta manera se crea una nueva capa de comunicación en la que los interlocutores humanos pueden quedar cada vez más alejados de la elaboración efectiva de sus propios mensajes.

El autor considera que este proceso es difícilmente reversible y que tampoco sería necesariamente deseable detenerlo. La IA puede producir comunicaciones mejores que las humanas en determinadas circunstancias. Fast Company cita el caso de Allstate, donde la IA se emplea para redactar unas 50.000 comunicaciones de reclamaciones al día y los mensajes generados resultaron más claros, menos cargados de jerga y más empáticos que los redactados anteriormente por empleados. Además, la enorme cantidad de comunicaciones que reciben actualmente los trabajadores hace comprensible que deleguen parte de esta tarea en sistemas automatizados.

El problema, por tanto, no es simplemente utilizar IA para comunicarse, sino determinar qué grado de autonomía resulta aceptable. El autor establece un continuo que va desde la IA que simplemente ayuda a perfeccionar un texto, pasando por aquella que redacta el mensaje y el trabajador lo revisa, hasta llegar a la IA que representa directamente a una persona y mantiene conversaciones sin que esta llegue necesariamente a revisar los intercambios. El peligro aparece cuando las organizaciones avanzan por este continuo sin haber tomado conscientemente la decisión de hacerlo.

Una de las principales advertencias se refiere a las comunicaciones que no deberían delegarse nunca. El artículo pone como ejemplo las evaluaciones del desempeño, el mentoring o determinadas conversaciones difíciles entre directivos y empleados. Una evaluación laboral no consiste solamente en producir un documento correcto: su valor reside en que un responsable haya observado, valorado y pensado personalmente sobre el trabajo de otra persona. Automatizar completamente ese proceso puede ahorrar tiempo, pero también puede eliminar precisamente el componente humano que le da sentido.

El autor propone, por ello, establecer una “línea humana”: identificar aquellas conversaciones cuyo valor depende de la presencia, el juicio o la empatía de una persona y mantenerlas fuera del alcance de la automatización. Para el resto de comunicaciones, la cuestión no debería ser prohibir la delegación, sino hacerla explícita y consciente. La organización debe saber si un mensaje ha sido escrito personalmente, asistido por IA, delegado completamente a una IA o producido por un agente que representa autónomamente al trabajador.

La tercera cuestión fundamental es la responsabilidad. Si un agente puede enviar correos, concertar reuniones, realizar compras o comprometer a una empresa, debe existir un mandato claro sobre aquello que puede decidir y una persona responsable de sus actuaciones. El artículo insiste en que no basta con darle instrucciones al agente, porque esas instrucciones también son texto y el sistema puede interpretarlas de manera imperfecta. Los controles verdaderamente importantes deben situarse fuera de la IA: límites de gasto, permisos restringidos, credenciales específicas y mecanismos que exijan aprobación humana antes de determinadas acciones.

En este sentido, la idea central del artículo es que la autonomía de la IA exige reforzar, no eliminar, la responsabilidad humana. No sería necesario que una persona revisara cada correo generado por un agente, porque eso acabaría anulando las ventajas de la automatización. Pero sí debe existir una persona identificada que responda por lo que el agente hace y unos límites técnicos que impidan que pueda tomar decisiones que excedan su mandato.

Fast Company propone que las organizaciones comiencen auditando dónde se está produciendo ya comunicación entre IA y IA, establezcan qué conversaciones deben seguir siendo exclusivamente humanas, identifiquen los diferentes grados de delegación y definan para cada agente qué puede hacer, qué no puede hacer y quién responde por sus acciones. La conclusión es especialmente relevante para la evolución de los agentes de IA: las organizaciones que triunfarán no serán necesariamente las que más automaticen, sino aquellas capaces de decidir conscientemente dónde debe hablar la máquina y dónde debe seguir hablando el ser humano.

Claude incorporará marcas de agua invisibles al texto generado por IA

Keverenge, Hillary. “Claude will hide a watermark in your AI-written text, and it’ll follow you around”. Android Authority, 11 de agosto de 2026.
Artículo original en Android Authority

Anthropic ha anunciado que los nuevos modelos de Claude lanzados a partir del 2 de agosto de 2026 incorporarán marcas de agua invisibles y legibles por máquinas en los textos generados por inteligencia artificial.

La medida está relacionada con la adhesión de Anthropic al Código de Prácticas del artículo 50(2) de la Ley de Inteligencia Artificial de la Unión Europea (EU AI Act), centrado en la transparencia del contenido generado mediante IA. Sin embargo, la compañía ha decidido aplicar este sistema a escala mundial, no únicamente dentro de la Unión Europea. La marca se incorpora directamente en el contenido textual y está diseñada para resultar imperceptible para el usuario, sin modificar el significado, la calidad ni la legibilidad de las respuestas.

Una de las características más relevantes es que esta marca de agua puede acompañar al texto cuando el usuario lo copia y pega fuera de Claude, e incluso puede mantenerse después de determinadas modificaciones. La tecnología se aplica a nivel del modelo, por lo que estará presente en diferentes productos y servicios de Anthropic, entre ellos Claude, la API de Claude, Claude Code, Claude Cowork y Claude Tag, además de determinados servicios de computación en la nube compatibles. Los modelos de Claude utilizados a través de AWS, Google Cloud o Microsoft Foundry también podrán incorporar estas marcas cuando la funcionalidad esté disponible. Esto supone un cambio importante respecto a los sistemas tradicionales de detección de IA, porque la identificación no dependería únicamente del análisis estadístico posterior del estilo de escritura, sino de una señal introducida durante la generación del contenido.

No obstante, Anthropic advierte que la marca de agua no debe interpretarse como una prueba absoluta de autoría mediante IA. La detección de la marca indicaría que un texto pudo haber sido procesado por Claude, pero no demostraría necesariamente que Claude haya escrito originalmente todo su contenido. Por ejemplo, una persona podría utilizar Claude únicamente para corregir, traducir, resumir o reformatear un texto que había escrito previamente. Del mismo modo, que no se encuentre la marca tampoco demostraría que un texto no haya sido generado o manipulado mediante inteligencia artificial. Una edición intensa, la paráfrasis, la traducción, los fragmentos demasiado cortos o la combinación de texto generado por Claude con contenido escrito por una persona pueden hacer que la marca resulte indetectable.

Anthropic todavía no ha explicado públicamente todos los detalles técnicos sobre cómo podrán detectarse estas marcas. La empresa señala que posteriormente proporcionará documentación técnica y mecanismos de detección. Este aspecto será especialmente importante para universidades, editoriales, medios de comunicación y organizaciones que pretendan utilizar la señal como mecanismo de transparencia o procedencia. La existencia de una marca persistente podría facilitar determinadas formas de trazabilidad, pero sus propias limitaciones hacen que no pueda considerarse por sí sola un detector fiable de textos producidos por IA.

La iniciativa también se extiende al contenido visual. Anthropic está incorporando metadatos de procedencia firmados en determinados formatos de archivo, como PNG, JPG y SVG, utilizando el estándar C2PA (Coalition for Content Provenance and Authenticity). Estos metadatos pueden indicar que un archivo ha sido procesado por Claude y forman parte de una tendencia más amplia de la industria hacia sistemas de procedencia digital que permitan conocer el origen o las transformaciones experimentadas por un contenido. Google y Meta también se han adherido al código europeo de transparencia, lo que apunta hacia una progresiva generalización de mecanismos de identificación y procedencia del contenido generado o modificado mediante IA.

Finalmente, los modelos de Claude anteriores al 2 de agosto de 2026 no incorporan inmediatamente este sistema, aunque Anthropic trabaja para añadir la funcionalidad durante el periodo transitorio previsto por la legislación europea. La decisión resulta especialmente significativa porque plantea un nuevo escenario para la integridad académica, la publicación científica y la alfabetización en inteligencia artificial: en lugar de intentar determinar únicamente mediante algoritmos si un texto “parece” escrito por una IA, se avanza hacia mecanismos de procedencia incorporados en el propio proceso de generación. Al mismo tiempo, las limitaciones reconocidas por Anthropic muestran que estas marcas deben entenderse como señales de procedencia y no como pruebas concluyentes de autoría, una distinción fundamental para evitar falsos positivos en contextos educativos, científicos y profesionales.

Zuckerberg defiende una IA abierta y accesible para todos frente a la concentración del poder tecnológico

Associated Press, “Zuckerberg manifesto pushes an open-source approach on AI as Meta releases its latest model”, publicado en Yahoo Tech, 10 de agosto de 2026. https://tech.yahoo.com/ai/meta-ai/articles/zuckerberg-manifesto-pushes-open-source-154146152.html?utm_source=chatgpt.com

Zuckerberg plantea que el futuro de la IA no debería estar determinado por un pequeño grupo de compañías que controle los modelos más avanzados, sino por una inteligencia artificial ampliamente distribuida, accesible y utilizable por individuos y organizaciones. La gran cuestión que queda abierta es si la estrategia de Meta representa realmente una democratización de la IA o una nueva forma de consolidar su posición dominante dentro del ecosistema de inteligencia artificial.

Mark Zuckerberg ha presentado una nueva visión sobre el futuro de la inteligencia artificial en un manifiesto en el que defiende que las tecnologías de IA avanzada deben estar ampliamente disponibles y no quedar bajo el control exclusivo de unas pocas grandes empresas, instituciones o gobiernos. Su planteamiento aparece acompañado del lanzamiento por parte de Meta de Muse Glimmer, un modelo de IA de pesos abiertos que puede ejecutarse en un ordenador personal, así como del anuncio de que los desarrolladores tendrán acceso a un modelo más potente, Muse Spark 1.2.

El argumento central de Zuckerberg es que la denominada superinteligencia artificial debería distribuirse de la forma más amplia posible. Según su visión, una concentración de estas capacidades en unas pocas organizaciones podría generar una enorme acumulación de poder y limitar las posibilidades de innovación. Frente a los planteamientos de empresas que mantienen sus modelos como tecnologías propietarias y sometidas a un control más estricto, Meta pretende presentarse como defensora de una IA más abierta, que permita a investigadores, desarrolladores y usuarios experimentar y construir nuevas aplicaciones sobre ella.

El manifiesto también refleja una visión muy optimista sobre las consecuencias económicas y sociales de la IA. Zuckerberg sostiene que la inteligencia artificial no tiene por qué traducirse necesariamente en una destrucción masiva de empleo. Por el contrario, considera que las herramientas de IA pueden permitir que pequeñas empresas y equipos reduzcan sus costes, aumenten enormemente su capacidad productiva y creen nuevos productos y servicios. Los asistentes personales inteligentes podrían actuar como auténticos colaboradores capaces de ayudar a las personas a aprender, programar, crear contenidos o desarrollar proyectos que anteriormente requerían equipos mucho mayores.

Otro aspecto importante es su defensa de una regulación equilibrada. Zuckerberg advierte de que un exceso de regulación podría ralentizar la innovación occidental y favorecer a competidores internacionales, especialmente China. Su posición combina, por tanto, la defensa de determinadas medidas de seguridad con una oposición a marcos regulatorios que, en su opinión, puedan impedir el desarrollo rápido de la IA. Esta postura sitúa a Meta en el debate sobre hasta dónde deben llegar los gobiernos en la supervisión de una tecnología que puede tener consecuencias económicas, sociales y geopolíticas profundas.

Sin embargo, el planteamiento de Zuckerberg también ha generado críticas importantes. Una de las principales cuestiones es la utilización del término open source. Algunos especialistas señalan que los modelos de pesos abiertos no son necesariamente equivalentes al software de código abierto tradicional: disponer de los pesos de un modelo no implica necesariamente conocer o poder modificar libremente sus datos de entrenamiento, procesos de entrenamiento, código completo o mecanismos de seguridad. Por ello, la estrategia de Meta puede considerarse «abierta» en determinados aspectos, pero no necesariamente plenamente abierta en el sentido clásico del open source.

En conjunto, el manifiesto constituye también una declaración estratégica de Meta. La compañía intenta diferenciarse de sus principales competidores presentándose como la alternativa que quiere democratizar el acceso a la IA avanzada. Al mismo tiempo, esta apertura puede favorecer a Meta al crear un amplio ecosistema de desarrolladores que utilicen sus modelos y tecnologías. El discurso de Zuckerberg combina así una defensa filosófica de la democratización de la inteligencia artificial con un claro interés empresarial: hacer que el ecosistema de IA se construya alrededor de las tecnologías de Meta.

Idea central: