Archivo de la categoría: Tecnologías de la información

La revolución de la inteligencia artificial en el trabajo: más evolución que sustitución

Soundararajan, Vivek. AI and Work: An Expert Assesses How Far This Revolution Still Has to Run. The Conversation, 9 de marzo de 2026. Disponible en: https://theconversation.com/ai-and-work-an-expert-assesses-how-far-this-revolution-still-has-to-run-277650

Vivek Soundararajan, profesor de Trabajo e Igualdad de la Universidad de Bath, examina críticamente el impacto real que la inteligencia artificial está teniendo sobre el empleo y cuestiona tanto el entusiasmo desmedido como las predicciones catastrofistas que dominan el debate público. Frente a los discursos que anuncian una transformación inmediata del mercado laboral o la desaparición masiva de puestos de trabajo, el autor sostiene que la evidencia empírica disponible muestra una realidad mucho más matizada.

La revolución de la IA ya ha comenzado, pero su desarrollo es desigual, sectorial y mucho más lento de lo que sugieren los titulares. En lugar de una sustitución generalizada del trabajo humano, lo que se observa es una incorporación gradual de herramientas de IA que mejoran determinadas tareas sin alterar todavía la estructura básica del empleo en la mayoría de las organizaciones.

El artículo reúne diversos estudios recientes que demuestran que la inteligencia artificial puede generar importantes aumentos de productividad en actividades intensivas en conocimiento. Entre ellos destaca un experimento en el que profesionales que utilizaron ChatGPT para tareas de redacción completaron su trabajo un 40 % más rápido y con una calidad aproximadamente un 18 % superior respecto a quienes no emplearon estas herramientas. Del mismo modo, investigaciones realizadas en centros de atención al cliente muestran incrementos significativos en el número de incidencias resueltas por hora gracias al apoyo de sistemas de IA. Estos resultados confirman que la tecnología puede mejorar la eficiencia en determinadas ocupaciones, especialmente aquellas basadas en la producción y el procesamiento de información. Sin embargo, Soundararajan advierte que estos éxitos experimentales no deben confundirse con una transformación completa del mercado laboral.

El autor destaca que las predicciones sobre una destrucción masiva de empleo aún no se han materializado. Los mercados laborales de los países desarrollados continúan mostrando niveles históricamente elevados de ocupación y, hasta el momento, las investigaciones no encuentran evidencias sólidas de pérdidas generalizadas de empleo ni de reducciones salariales atribuibles directamente a la adopción de la inteligencia artificial. Incluso estudios realizados en empresas pioneras en el uso de chatbots muestran efectos muy limitados sobre las horas trabajadas o los ingresos de los empleados. La explicación reside en que muchas tareas siguen requiriendo juicio humano, conocimiento tácito, interacción social, experiencia acumulada y presencia física, capacidades que la IA todavía no puede reproducir de forma fiable.

Uno de los aspectos más interesantes del análisis se refiere a la desigual distribución de los beneficios de la IA. Soundararajan observa que quienes más se benefician son, en muchos casos, los trabajadores con menor experiencia. La inteligencia artificial actúa como una herramienta que reduce la brecha de productividad entre empleados noveles y expertos al proporcionar asistencia inmediata en tareas complejas. Paradójicamente, esta ventaja plantea un problema de largo plazo: si las empresas reducen la contratación de perfiles junior porque la IA puede realizar parte de las tareas de aprendizaje inicial, podrían debilitar el proceso mediante el cual se forman los futuros profesionales expertos. Es decir, la tecnología puede mejorar el rendimiento presente mientras compromete el desarrollo del capital humano necesario para el futuro.

El artículo también analiza las diferencias entre sectores económicos. La adopción de la inteligencia artificial avanza de manera muy desigual: las empresas tecnológicas y los servicios basados en información incorporan estas herramientas con mucha mayor rapidez que sectores como la hostelería, el comercio o los servicios presenciales. Además, existe una diferencia importante entre experimentar con aplicaciones de IA e integrarlas realmente en los procesos organizativos. Muchas empresas utilizan herramientas de inteligencia artificial de forma puntual, pero todavía no han rediseñado su estructura de trabajo, sus flujos de información o sus modelos de negocio para aprovechar plenamente su potencial. Esto explica por qué el impacto agregado sobre la productividad de las economías sigue siendo relativamente modesto pese a la enorme atención mediática que recibe la IA.

Soundararajan sostiene que el verdadero reto no consiste únicamente en desarrollar modelos cada vez más potentes, sino en gestionar adecuadamente la transición organizativa y social que implica su adopción. La revolución tecnológica dependerá menos de la capacidad de los algoritmos que de la habilidad de las empresas para rediseñar procesos, formar a sus trabajadores y distribuir equitativamente las ganancias de productividad. Si la automatización elimina determinadas tareas de entrada sin crear nuevas oportunidades de aprendizaje y desarrollo profesional, podrían agravarse las desigualdades laborales y reducirse las posibilidades de movilidad profesional para las nuevas generaciones.

El autor defiende una posición equilibrada entre el optimismo tecnológico y el alarmismo. La inteligencia artificial está produciendo mejoras reales en productividad y modificará profundamente muchas ocupaciones, pero la transformación será gradual, heterogénea y dependerá tanto de decisiones organizativas como del propio avance tecnológico. El verdadero desafío no es determinar si la IA sustituirá a los trabajadores, sino cómo adaptar los sistemas educativos, las políticas laborales y las estrategias empresariales para que los beneficios de esta nueva revolución tecnológica se traduzcan en empleos de mayor calidad, oportunidades de aprendizaje continuo y un crecimiento económico más inclusivo.

La interoperabilidad como estrategia: la guía de PALCI para elegir sistemas bibliotecarios abiertos y preparados para el futuro

PALCI (Pennsylvania Academic Library Consortium, Inc.). PALCI Guide to Interoperability and System Selection. A guide to help PALCI member libraries evaluate library systems and vendors against open interoperability standards during selection and procurement. Versión 1.0. Agosto de 2026

Texto completo

PALCI Guide to Interoperability and System Selection constituye un documento estratégico destinado a orientar a las bibliotecas universitarias en la selección y adquisición de sistemas de gestión bibliotecaria (ILS) y otras plataformas tecnológicas, situando la interoperabilidad como el criterio central de cualquier decisión tecnológica.

La guía parte de la premisa de que la interoperabilidad no debe entenderse únicamente como una cuestión técnica, sino como un elemento esencial para garantizar la sostenibilidad, la colaboración y la capacidad de innovación de los consorcios bibliotecarios. En un contexto caracterizado por restricciones presupuestarias, creciente complejidad tecnológica y reducción de personal especializado, PALCI defiende que los sistemas basados en estándares abiertos permiten compartir infraestructuras, evitar duplicidades y maximizar el rendimiento de las inversiones realizadas por cada institución. La interoperabilidad posibilita que bibliotecas con plataformas diferentes puedan colaborar eficazmente sin renunciar a su autonomía local, fortaleciendo al mismo tiempo los servicios consorciales y la capacidad colectiva de adaptación al cambio.

Uno de los mensajes más relevantes del documento es que la interoperabilidad debe convertirse en un criterio estratégico para los responsables institucionales, más allá de los departamentos técnicos. La guía subraya que infraestructuras como EZBorrow, sustentadas sobre la plataforma ReShare, representan el núcleo de los servicios cooperativos de PALCI y constituyen la base sobre la que se desarrollarán futuras iniciativas relacionadas con el préstamo digital, el intercambio de metadatos abiertos y otros servicios compartidos. Por ello, cualquier biblioteca que contemple migrar su sistema integrado de gestión debe evaluar cuidadosamente la compatibilidad con estos servicios antes de adoptar una nueva plataforma. La elección de un sistema poco interoperable puede comprometer la participación en los servicios del consorcio, incrementar los costes de integración y limitar la capacidad de colaboración futura.

La guía define la interoperabilidad como la capacidad de los distintos sistemas bibliotecarios para comunicarse de forma fiable y segura mediante estándares abiertos, interfaces documentadas y modelos de gobernanza compartidos. Este enfoque permite que cada biblioteca mantenga la libertad de elegir las soluciones tecnológicas que mejor se adapten a sus necesidades, sin quedar aislada del ecosistema cooperativo. Gracias a esta arquitectura abierta, las bibliotecas pueden compartir colecciones, participar plenamente en los servicios consorciales, afrontar migraciones de sistemas con menor impacto y contribuir al desarrollo de innovaciones comunes sin necesidad de reproducir esfuerzos o desarrollar integraciones específicas para cada plataforma. La interoperabilidad aparece así como un mecanismo que combina autonomía institucional y cooperación efectiva.

El documento dedica una parte importante a explicar por qué la interoperabilidad constituye un factor determinante para la sostenibilidad económica y operativa de las bibliotecas universitarias. Según PALCI, la utilización de estándares abiertos prolonga la vida útil de las inversiones tecnológicas, disminuye la dependencia de proveedores concretos y reduce los costes asociados al mantenimiento y desarrollo de integraciones propietarias. En un mercado donde la concentración empresarial entre proveedores de software bibliotecario es cada vez mayor, apostar por estándares abiertos representa una forma de preservar la independencia institucional y minimizar el riesgo de quedar atrapado en ecosistemas tecnológicos cerrados. Asimismo, PALCI destaca su participación activa en organizaciones como NISO y en otras iniciativas internacionales de normalización para garantizar que las necesidades de las bibliotecas universitarias estén representadas en la evolución futura de los estándares.

Otro de los ejes fundamentales de la guía es la relación entre interoperabilidad e innovación. PALCI sostiene que los sistemas abiertos reducen las barreras para experimentar con nuevas herramientas, procedimientos y modelos de colaboración. Cuando los datos pueden intercambiarse mediante estándares compartidos, los proyectos piloto desarrollados por una institución pueden adaptarse y reutilizarse fácilmente en otras bibliotecas del consorcio, transformando la innovación en un proceso colectivo en lugar de una sucesión de iniciativas aisladas. Esta filosofía se refleja en la participación de PALCI en proyectos colaborativos como Project ReShare, CrossLink y el Collaborative Collections Lifecycle Project (CCLP), que buscan construir infraestructuras comunes para la gestión compartida de colecciones y recursos bibliográficos.

La interoperabilidad también se presenta como un elemento esencial para generar confianza entre las instituciones participantes. Los estándares abiertos y las prácticas transparentes permiten que el intercambio de datos sea predecible, documentado y gobernado de manera colectiva, reforzando tanto la seguridad técnica como las relaciones profesionales entre las bibliotecas. Al mismo tiempo, la interoperabilidad facilita la integración con otros servicios universitarios y prepara las infraestructuras para responder a futuros cambios tecnológicos. Desde esta perspectiva, la confianza no depende únicamente de acuerdos institucionales, sino también de la existencia de arquitecturas tecnológicas abiertas, comprensibles y sostenibles.

La guía establece además una clara diferenciación entre los estándares abiertos y las interfaces propietarias. Mientras los primeros son neutrales respecto a los proveedores, están gobernados por la comunidad y garantizan la interoperabilidad a largo plazo, las API propietarias dependen de decisiones comerciales, pueden incorporar costes adicionales o sufrir modificaciones unilaterales. Entre los estándares considerados esenciales para los servicios de PALCI figuran protocolos ampliamente consolidados como NCIP para la circulación, OAI-PMH para la recolección de metadatos y Z39.50 para la búsqueda en catálogos. La recomendación es inequívoca: las bibliotecas deben priorizar plataformas que implementen estos estándares abiertos para preservar su capacidad de elección, favorecer la competencia entre proveedores y asegurar la continuidad de los servicios cooperativos.

En la parte final del documento, PALCI analiza los desafíos que marcarán la evolución de las bibliotecas universitarias durante los próximos años. El primero es la consolidación de políticas de metadatos abiertos, inspiradas en iniciativas como la declaración de ICOLC sobre los derechos de los metadatos bibliotecarios y en las políticas adoptadas por instituciones como las universidades de Pennsylvania y Stanford. PALCI anima a sus miembros a publicar metadatos bajo licencias abiertas, facilitar su descarga masiva y favorecer su reutilización, ya que ello fortalece los servicios de descubrimiento compartido y elimina barreras para la cooperación. El segundo gran reto es la expansión del préstamo consorcial hacia libros electrónicos y otros contenidos digitales. Para ello será imprescindible que los sistemas sean capaces de representar derechos de acceso mediante metadatos legibles por máquina, comunicar de forma fiable la disponibilidad de los recursos y autenticar usuarios pertenecientes a distintas instituciones. Las decisiones tecnológicas adoptadas en la actualidad condicionarán la capacidad de las bibliotecas para incorporarse a estos nuevos servicios sin tener que afrontar costosas sustituciones de sistemas.

Como conclusión, la guía reafirma que la interoperabilidad constituye el fundamento sobre el que debe construirse el futuro de la cooperación bibliotecaria. Lejos de ser un simple requisito técnico, representa una estrategia institucional que fortalece la sostenibilidad, incrementa la capacidad de innovación, preserva la autonomía de las bibliotecas y facilita la creación de servicios compartidos cada vez más avanzados. PALCI considera que apostar por estándares abiertos, integraciones transparentes y modelos de gobernanza colaborativos permitirá a sus bibliotecas afrontar con éxito la transición hacia un ecosistema en el que el intercambio de recursos físicos y digitales, los metadatos abiertos y las infraestructuras comunes serán elementos esenciales para garantizar un acceso equitativo y eficiente a la información. El documento se complementa con una versión ampliada destinada a los miembros del consorcio, que incluye criterios técnicos detallados y preguntas para evaluar a los proveedores durante los procesos de contratación

La IA generativa amenaza con desbordar las revistas científicas: el creciente desafío del fraude académico

Scott, Alex. Can we stop AI from flooding scientific journals? Chemical & Engineering News (C&EN), vol. 104, julio de 2026. Publicado por la American Chemical Society. https://cen.acs.org/policy/publishing/ai-fraud-science-journal-generative-ai/104/web/2026/07

La rápida expansión de la inteligencia artificial generativa está transformando el fraude científico al reducir drásticamente el tiempo y el esfuerzo necesarios para producir artículos aparentemente rigurosos. Lo que antes requería semanas o meses de trabajo —incluida la fabricación de datos, imágenes y referencias— ahora puede realizarse en cuestión de horas mediante herramientas de IA capaces de redactar manuscritos convincentes y difíciles de distinguir de investigaciones legítimas.

Según diversos expertos citados en el reportaje, la IA no ha creado el problema del fraude científico, pero sí ha multiplicado su escala y velocidad, actuando como un potente acelerador de un sistema ya afectado por la presión del «publicar o perecer». Como resume Ivan Oransky, cofundador de Retraction Watch, «la IA es un acelerador, no la chispa»: el sistema de «publicar o perecer» ya incentivaba malas prácticas, pero la IA ha multiplicado la velocidad y la escala con la que pueden cometerse.

El reportaje sostiene que el verdadero problema no es únicamente que existan investigadores deshonestos, sino que el ecosistema editorial carece de recursos suficientes para detectar el creciente volumen de manuscritos fraudulentos. Muchas revistas científicas dependen de editores y revisores voluntarios, sometidos a una enorme carga de trabajo, que difícilmente pueden comprobar la autenticidad de todos los datos, imágenes, referencias y análisis estadísticos que reciben. Esta vulnerabilidad convierte el sistema editorial en un objetivo especialmente atractivo para quienes utilizan la IA para fabricar investigaciones falsas.

El artículo explica que la IA permite automatizar prácticamente todas las fases de un fraude científico. Un modelo puede generar hipótesis plausibles, redactar una introducción convincente, describir una metodología aparentemente coherente, inventar resultados compatibles con esa metodología e incluso producir referencias bibliográficas inexistentes pero verosímiles. A ello se añade la posibilidad de crear gráficos, tablas e imágenes sintéticas difíciles de distinguir de las reales, lo que incrementa el riesgo de que estudios completamente ficticios lleguen a superar los controles editoriales iniciales.

Uno de los aspectos más preocupantes es el crecimiento de una auténtica industria del fraude científico. El artículo describe cómo las denominadas paper mills (fábricas de artículos científicos) están incorporando herramientas de IA para aumentar enormemente su productividad. Estas organizaciones venden manuscritos completos o autorías a investigadores necesitados de publicaciones para obtener promociones, financiación o estabilidad laboral. La IA reduce sus costes de producción y les permite generar cantidades de artículos que hace pocos años habrían resultado imposibles.

Frente a esta amenaza, está surgiendo un mercado paralelo de empresas especializadas en detectar fraudes científicos asistidos por IA. Estas compañías desarrollan herramientas capaces de identificar patrones lingüísticos sospechosos, analizar imágenes manipuladas, localizar referencias inexistentes, detectar duplicaciones de datos y descubrir inconsistencias estadísticas. Sin embargo, el artículo advierte que esta situación se asemeja a una carrera armamentística: conforme mejoran los sistemas de detección, también evolucionan las herramientas utilizadas por quienes producen investigaciones fraudulentas.

El texto insiste en que las soluciones puramente tecnológicas serán insuficientes si no cambian los incentivos del sistema científico. Mientras la carrera académica siga premiando principalmente el número de publicaciones, el factor de impacto o determinados indicadores bibliométricos, continuará existiendo una fuerte presión para producir artículos rápidamente, lo que favorece tanto el uso irresponsable de la IA como el crecimiento del fraude organizado. En consecuencia, los autores y expertos consultados consideran necesario revisar los modelos de evaluación científica y reforzar la cultura de la integridad investigadora.

El artículo también pone de relieve la importancia de aumentar la transparencia durante todo el proceso editorial. Entre las medidas propuestas figuran exigir la declaración explícita del uso de IA generativa, mejorar la revisión por pares, reforzar la comprobación de datos e imágenes antes de la publicación y promover mecanismos que faciliten la reproducibilidad de los resultados. Estas prácticas no eliminarían el fraude, pero elevarían considerablemente el coste y la dificultad de producir investigaciones falsas.

La conclusión del reportaje es que la inteligencia artificial no representa una amenaza aislada, sino un factor que acelera debilidades estructurales ya existentes en la comunicación científica. La tecnología facilita la creación de artículos fraudulentos a una velocidad sin precedentes, mientras que las revistas científicas, los revisores y las editoriales disponen de recursos limitados para detectarlos. Frenar esta tendencia requerirá combinar herramientas automáticas de detección, reformas en los procesos editoriales y, sobre todo, cambios profundos en los incentivos que gobiernan la evaluación y la publicación de la investigación científica.

Las bibliotecas reivindican el equilibrio entre inteligencia artificial y derechos de autor

Klosek, Katherine, y Marjory Blumenthal. Revisiting the Library Copyright Alliance Statement on AI and Copyright. Association of Research Libraries (ARL), 10 de diciembre de 2025. https://www.arl.org/blog/revisiting-the-library-copyright-alliance-statement-on-ai-and-copyright/

Library Copyright Alliance (LCA), integrada por la Association of Research Libraries (ARL) y la American Library Association (ALA), ha revisado y actualizado su posición sobre la relación entre la inteligencia artificial y los derechos de autor a la luz de la evolución jurídica y tecnológica de los dos últimos años.

La organización reafirma que la legislación estadounidense sobre copyright continúa siendo suficientemente sólida y flexible para abordar los desafíos planteados por la IA generativa, sin necesidad de introducir modificaciones legislativas específicas. Esta postura se apoya tanto en la doctrina del fair use (uso legítimo) como en las primeras resoluciones judiciales relacionadas con el entrenamiento de modelos de inteligencia artificial.

Uno de los argumentos centrales del documento es que el entrenamiento de modelos de IA mediante el análisis de grandes cantidades de obras protegidas constituye, en la mayoría de los casos, un uso altamente transformador. La LCA sostiene que estos sistemas no reproducen las obras para sustituirlas en el mercado, sino que las utilizan para extraer patrones estadísticos y generar nuevas capacidades computacionales, una finalidad comparable a la reconocida como transformadora en precedentes como el caso Google Books. Desde esta perspectiva, exigir licencias obligatorias para entrenar modelos de IA supondría un obstáculo innecesario para la innovación científica y tecnológica, además de limitar la investigación y el desarrollo de nuevos servicios basados en inteligencia artificial.

La actualización de la declaración también tiene en cuenta las primeras decisiones judiciales en litigios de gran relevancia, como Bartz v. Anthropic y Kadrey v. Meta, en los que los tribunales comenzaron a analizar el uso de obras protegidas durante el entrenamiento de modelos generativos. Aunque estas resoluciones no cierran definitivamente el debate, la LCA considera que refuerzan su interpretación de que el entrenamiento de IA puede encajar dentro del uso legítimo cuando el proceso es transformador y no sustituye económicamente a las obras originales. No obstante, la organización recuerda que la cuestión sigue evolucionando y que futuros pronunciamientos judiciales podrían matizar algunos aspectos de esta interpretación.

El documento también aborda una cuestión especialmente relevante para bibliotecas y universidades: las consecuencias sociales y laborales derivadas de la expansión de la inteligencia artificial generativa. La LCA reconoce que estas tecnologías pueden provocar importantes transformaciones en numerosos sectores profesionales, pero advierte que el derecho de autor no debe utilizarse como herramienta para resolver problemas económicos o laborales que exceden su finalidad. En cambio, propone que las bibliotecas desempeñen un papel activo impulsando programas de alfabetización en inteligencia artificial, formación continua y reciclaje profesional, ayudando a ciudadanos e investigadores a comprender las capacidades, limitaciones y riesgos de estas tecnologías.

La alianza reafirma su compromiso con un sistema de propiedad intelectual equilibrado, que proteja los intereses de los creadores sin obstaculizar el acceso al conocimiento ni el progreso científico. La organización continuará supervisando la evolución de la jurisprudencia y de las políticas públicas para adaptar su posición cuando sea necesario, manteniendo como principio fundamental que el derecho de autor debe seguir promoviendo la creatividad, la investigación y el interés público en un contexto marcado por el desarrollo acelerado de la inteligencia artificial.

Cómo detectar las alucinaciones de la IA como un bibliotecario de referencia

Librarian helping a visitor at reference desk with open books and laptop

Goldin, Hana Lee. How to Spot AI Hallucinations Like a Reference Librarian. LLRX, 30 de diciembre de 2025

El artículo de Hana Lee Goldin propone trasladar al uso cotidiano de la inteligencia artificial las habilidades que durante décadas han caracterizado el trabajo de los bibliotecarios de referencia. Frente a la creciente proliferación de respuestas generadas por modelos de lenguaje que incluyen datos falsos, citas inventadas o afirmaciones plausibles pero incorrectas, la autora sostiene que la mejor defensa no es desconfiar de la IA, sino aplicar un método sistemático de verificación. En este sentido, reivindica el papel de la alfabetización informacional y de la experiencia bibliotecaria como competencias esenciales en la era de la IA generativa.

Goldin explica que una de las señales más frecuentes de una alucinación es la presencia de referencias «demasiado perfectas»: artículos que parecen ajustarse exactamente a la pregunta formulada, con títulos excesivamente descriptivos, autores desconocidos o combinaciones de datos bibliográficos que resultan convincentes, pero que no existen realmente. Los modelos de IA pueden mezclar nombres de autores, revistas, fechas y títulos de publicaciones auténticas para crear referencias ficticias con apariencia de legitimidad. Por ello, recomienda desconfiar especialmente de aquellas citas que parecen confirmar exactamente la hipótesis del usuario sin dejar espacio para la complejidad o el desacuerdo propio de la investigación científica.

La autora propone una estrategia de verificación en varias capas inspirada en el trabajo de los bibliotecarios de referencia. En primer lugar, aconseja comprobar la existencia real de la publicación mediante catálogos, bases de datos académicas y buscadores especializados. En segundo lugar, verificar que los autores, el DOI, la revista y el año de publicación coincidan entre sí. Finalmente, recomienda leer el documento original siempre que sea posible, ya que incluso cuando una referencia es auténtica, la IA puede atribuirle conclusiones o citas que nunca aparecen en el texto. La comprobación directa continúa siendo el método más fiable para evitar errores de interpretación.

Otro aspecto destacado es que la evaluación crítica debe centrarse tanto en la información como en el contexto. Los bibliotecarios no se limitan a localizar documentos; también analizan la autoridad de las fuentes, su actualidad, el propósito con el que fueron elaboradas y las posibles limitaciones de la evidencia. Goldin sostiene que estas habilidades resultan ahora más necesarias que nunca, ya que la IA puede producir respuestas muy convincentes desde el punto de vista lingüístico, aunque carezcan de fundamento documental.

El artículo concluye defendiendo que la inteligencia artificial debe entenderse como una herramienta de exploración y no como una autoridad definitiva. La autora resume esta idea en una recomendación que sintetiza el papel complementario de la IA y las bibliotecas: utilizar la IA para descubrir posibilidades, recurrir a las bibliotecas y sus recursos para verificar la información, y aplicar siempre el juicio crítico humano antes de aceptar cualquier respuesta como verdadera. En este nuevo ecosistema informativo, las competencias tradicionales de los bibliotecarios de referencia se convierten en una guía especialmente valiosa para combatir las alucinaciones de la IA y preservar la calidad de la información.

La verdadera alfabetización en IA no consiste en saber escribir prompts, sino en desarrollar criterio

Jarboe, Greg. AI Literacy Is Not Prompt Literacy. Ann Handley Says It’s Judgment Literacy. Search Engine Journal, 5 de junio de 2026. Disponible en: Search Engine Journal

El artículo parte de una idea formulada por la reconocida experta en marketing digital Ann Handley: la alfabetización en inteligencia artificial no debe reducirse al dominio de los prompts o instrucciones que se proporcionan a los modelos generativos. En su opinión, la verdadera competencia en IA es la «alfabetización en el juicio» (judgment literacy), es decir, la capacidad de decidir cuándo conviene utilizar la inteligencia artificial y, sobre todo, cuándo es preferible no hacerlo. Esta perspectiva desplaza el foco desde el conocimiento técnico hacia una competencia mucho más profunda: el discernimiento profesional.

El autor explica que aprender a redactar buenos prompts es relativamente sencillo y puede adquirirse en poco tiempo mediante cursos o práctica. En cambio, desarrollar criterio requiere experiencia, reflexión y comprensión de los procesos de aprendizaje humano. La IA puede acelerar numerosas tareas, pero también puede eliminar aquellas dificultades cognitivas que precisamente permiten construir conocimiento sólido. En muchos casos, el esfuerzo de investigar, escribir, equivocarse y corregir constituye una parte esencial del aprendizaje que no debería ser sustituida automáticamente por una herramienta generativa.

Uno de los aspectos más relevantes del artículo es la crítica a la proliferación de cursos centrados exclusivamente en enseñar a utilizar herramientas de IA. Según Handley, casi todos los programas formativos explican qué puede hacer la inteligencia artificial o cómo obtener mejores resultados mediante técnicas de prompt engineering, pero muy pocos enseñan a identificar las situaciones en las que delegar una tarea en la IA supone renunciar al aprendizaje, a la creatividad o al pensamiento crítico. La cuestión central ya no es cómo usar la IA, sino reconocer cuándo su utilización puede empobrecer el proceso intelectual.

Handley sostiene además que esta competencia difícilmente puede adquirirse únicamente mediante formación reglada. En lugar de nuevos cursos, propone construir una cultura organizativa donde directivos, profesores y responsables de equipos expliquen abiertamente por qué en determinadas circunstancias deciden no utilizar IA. La alfabetización en el juicio se transmite mediante el ejemplo y la práctica cotidiana, creando entornos donde la rapidez no sea siempre el principal objetivo y donde se valore el aprendizaje derivado del trabajo realizado por las personas.

El artículo también plantea un modelo práctico para integrar la IA en los flujos de trabajo. La inteligencia artificial puede encargarse de generar borradores, organizar información o acelerar tareas repetitivas, pero la revisión crítica, la verificación de fuentes, la interpretación del contexto y la toma de decisiones deben permanecer bajo responsabilidad humana. Se propone una regla orientativa en la que la IA contribuye a producir aproximadamente el 75 % del trabajo inicial, mientras que el valor diferencial reside en el 25 % restante, aportado por el conocimiento experto, la comprobación de hechos y el juicio profesional.

Eel artículo defiende una visión madura de la alfabetización en IA. Frente a la obsesión por dominar nuevas herramientas o perfeccionar técnicas de prompting, propone entender que la competencia más importante seguirá siendo humana: la capacidad para evaluar críticamente los resultados, decidir cuándo confiar en la inteligencia artificial y cuándo el aprendizaje exige recorrer el camino más lento. En este enfoque, la alfabetización en IA deja de ser una cuestión técnica para convertirse en una forma de pensamiento crítico, responsabilidad profesional y toma de decisiones fundamentadas.

La paradoja del progreso de la inteligencia artificial: cuanto más poderosa es, mayor es la necesidad de hacerla segura

Erkers, Beatrice. The Paradox at the Heart of AI Progress. Big Think, 31 de marzo de 2026. Disponible en: https://bigthink.com/science-tech/the-paradox-at-the-heart-of-ai-progress/

Se analiza una de las contradicciones fundamentales que acompañan al desarrollo de la inteligencia artificial: los mismos avances que permiten resolver algunos de los mayores desafíos de la humanidad también incrementan los riesgos asociados a su uso. La autora sostiene que la IA está acelerando descubrimientos científicos, reduciendo costes de investigación y democratizando el acceso a herramientas avanzadas capaces de diseñar proteínas, desarrollar nuevos medicamentos o mejorar la educación. Sin embargo, esa misma capacidad puede utilizarse para fines perjudiciales, como facilitar el diseño de agentes biológicos peligrosos, automatizar ciberataques o concentrar un enorme poder tecnológico en muy pocas organizaciones. El progreso, por tanto, no elimina los riesgos, sino que amplifica simultáneamente las oportunidades y las amenazas.

Para explicar este dilema, el texto recuerda que la humanidad ya ha afrontado situaciones similares con tecnologías como la edición genética mediante CRISPR o las investigaciones sobre modificación de patógenos. En todos estos casos, los beneficios científicos y médicos convivían con posibilidades de uso indebido. La diferencia con la inteligencia artificial radica en la velocidad con la que evoluciona y en la facilidad con la que sus capacidades pueden difundirse a escala global. Cuanto más accesibles son estas herramientas, mayor es la probabilidad de que errores, accidentes o acciones maliciosas tengan consecuencias amplificadas. Esto convierte la resiliencia tecnológica en un requisito imprescindible para que la innovación continúe siendo beneficiosa para la sociedad.

Frente a la tradicional oposición entre quienes defienden acelerar sin restricciones el desarrollo tecnológico y quienes proponen frenarlo mediante el principio de precaución, la autora presenta el enfoque denominado d/acc (decentralized and democratic differential defensive acceleration), promovido por Vitalik Buterin. Esta filosofía plantea que no todas las innovaciones deben impulsarse al mismo ritmo. La prioridad debería centrarse en acelerar aquellas tecnologías que fortalecen la seguridad, la protección, la resiliencia institucional y el control humano, mientras que deberían desarrollarse con mayor cautela aquellas que incrementan los riesgos sistémicos. El objetivo no consiste en ralentizar el progreso, sino en dirigirlo hacia aplicaciones que aumenten el bienestar colectivo sin comprometer la estabilidad social.

El artículo también incorpora las reflexiones del economista Glen Weyl, quien argumenta que el verdadero debate no debería centrarse en la velocidad de la innovación, sino en su dirección. Desde esta perspectiva, una tecnología puede avanzar muy rápidamente siempre que esté diseñada con mecanismos de supervisión, transparencia y capacidad de corrección. La velocidad deja de ser el problema cuando los sistemas incorporan suficientes salvaguardas para absorber errores, resistir ataques y recuperarse de fallos sin provocar daños generalizados.

Otro aspecto destacado es la crítica al creciente interés por desarrollar sistemas de IA cada vez más autónomos. El texto defiende que una estrategia más segura consistiría en potenciar modelos de colaboración entre humanos e inteligencia artificial, donde las personas mantengan el control efectivo sobre las decisiones relevantes. En lugar de perseguir agentes completamente independientes, sería preferible invertir en herramientas de aumento de capacidades humanas, interfaces cerebro-computadora, sistemas abiertos y mecanismos de responsabilidad jurídica que obliguen tanto a desarrolladores como a usuarios y empresas a responder por los daños derivados de estas tecnologías.

Como conclusión, la autora sostiene que el auténtico desafío de la inteligencia artificial no es decidir entre acelerar o detener su desarrollo, sino construir un ecosistema capaz de soportar sus inevitables riesgos. La innovación tecnológica seguirá avanzando, pero su éxito dependerá de la existencia de capas de protección —seguridad informática, auditorías, gobernanza, financiación de bienes públicos y supervisión humana— que permitan aprovechar sus enormes beneficios sin convertirla en una fuente de vulnerabilidad global. El verdadero progreso, concluye el artículo, consiste en desarrollar tecnologías cada vez más poderosas al mismo tiempo que se fortalecen las instituciones y mecanismos que garantizan su uso seguro y responsable.

Ciencia Abierta 2.0: Construyendo comprensión en un mundo mediado por la IA

Ghildiyal, Ashutosh. Open Science 2.0: Building Understanding in an AI-Mediated World. The Scholarly Kitchen, 14 de julio de 2026. Disponible en: The Scholarly Kitchen – Open Science 2.0: Building Understanding in an AI-Mediated World

El artículo plantea que la ciencia abierta se encuentra en un punto de inflexión provocado por la rápida incorporación de la inteligencia artificial en los procesos de búsqueda, análisis e interpretación del conocimiento científico. Durante las dos últimas décadas, el movimiento de Ciencia Abierta ha centrado sus esfuerzos en eliminar las barreras de acceso mediante políticas de acceso abierto, repositorios institucionales, datos abiertos y licencias que facilitan la reutilización de la información. Sin embargo, el autor sostiene que este paradigma resulta insuficiente en un escenario donde los investigadores, estudiantes y ciudadanos ya no acceden directamente a los artículos científicos, sino que interactúan con asistentes inteligentes capaces de sintetizar, reinterpretar y responder preguntas a partir de millones de documentos. En consecuencia, la prioridad deja de ser únicamente garantizar el acceso al conocimiento para asegurar también que dicho conocimiento pueda ser comprendido, contextualizado e interpretado correctamente.

La propuesta de «Open Science 2.0» representa una evolución conceptual de la ciencia abierta tradicional. En este nuevo enfoque, la apertura continúa siendo un requisito imprescindible, pero ya no constituye el objetivo final. El verdadero desafío consiste en construir un ecosistema científico donde la información sea inteligible tanto para las personas como para las inteligencias artificiales, preservando al mismo tiempo el significado, la procedencia, la calidad y la confianza. Según el autor, la IA está modificando profundamente la forma en que se descubre y consume la investigación científica: los usuarios consultan modelos conversacionales que sintetizan cientos de artículos en segundos, lo que implica que gran parte del proceso de lectura crítica puede quedar oculto tras respuestas aparentemente simples. Esto obliga a replantear las infraestructuras de comunicación científica para incorporar mecanismos que permitan verificar las fuentes, comprender el contexto y mantener la trazabilidad de la información utilizada por los sistemas inteligentes.

Otro aspecto fundamental del artículo es la importancia creciente de la confianza. El autor advierte que, en un entorno mediado por IA, la calidad científica ya no dependerá únicamente de que un artículo haya superado la revisión por pares, sino también de la capacidad de demostrar el origen de los datos, la transparencia de los modelos empleados, la integridad de las evidencias y la posibilidad de rastrear cómo una inteligencia artificial ha construido una determinada respuesta. La confianza pasa a convertirse en un elemento estructural de la comunicación académica, exigiendo nuevos estándares de metadatos, sistemas de atribución más completos y mecanismos que permitan identificar con claridad las fuentes originales utilizadas por las plataformas de IA.

El texto también subraya que la comunicación científica debe abandonar un modelo centrado exclusivamente en la publicación para orientarse hacia la construcción de comprensión. Publicar artículos de libre acceso sigue siendo importante, pero resulta insuficiente si esos contenidos no pueden ser interpretados correctamente por comunidades científicas, responsables políticos, periodistas, educadores o ciudadanos. En este contexto, adquieren especial relevancia las explicaciones accesibles, los resúmenes estructurados, los datos enriquecidos semánticamente, las visualizaciones, las ontologías y otras herramientas que permitan convertir la información científica en conocimiento útil y reutilizable. La IA puede facilitar este proceso, pero solo si dispone de contenidos bien estructurados y acompañados de suficiente contexto para evitar interpretaciones erróneas o simplificaciones excesivas.

El artículo concluye que la próxima etapa de la ciencia abierta exige una colaboración mucho más estrecha entre investigadores, bibliotecas, universidades, editores científicos, desarrolladores de inteligencia artificial y responsables de políticas públicas. La misión ya no consiste únicamente en liberar artículos del pago por suscripción, sino en diseñar un ecosistema donde el conocimiento conserve su significado, pueda verificarse, genere confianza y sea comprensible tanto para las personas como para las máquinas. En esta visión, la Ciencia Abierta 2.0 no sustituye los principios tradicionales de apertura, sino que los amplía incorporando dimensiones como la interpretación, el aprendizaje, la comunicación efectiva y la gobernanza de la información en una realidad donde la inteligencia artificial se ha convertido en el principal intermediario entre la producción científica y sus usuarios.

La inteligencia artificial redefine la educación superior: herramientas, competencias y buenas prácticas para la docencia universitaria

Barra Arias, Enrique; López Fernández, Daniel; Conde Díaz, Javier; Dueñas Lerín, Jorge; Martínez Ruiz de Arcaute, Gonzalo; Ortega Requena, Fernando; Lara Cabrera, Raúl. Inteligencia Artificial en la Educación Superior 2025: Transformaciones Docentes, Herramientas y Buenas Prácticas. Madrid: Universidad Politécnica de Madrid, Servicio de Innovación Educativa, octubre de 2025. DOI: 10.20868/UPM.book.91489.

Descargar libro

La segunda edición del informe Inteligencia Artificial en la Educación Superior 2025 constituye una de las revisiones más completas en lengua española sobre el impacto de la inteligencia artificial generativa en la enseñanza universitaria.

Elaborado por investigadores y docentes de la Universidad Politécnica de Madrid, el documento ofrece una visión práctica y rigurosa dirigida al profesorado, con el propósito de facilitar la incorporación de la IA en la actividad docente de manera ética, responsable y pedagógicamente fundamentada. Más que presentar una posición institucional cerrada, el informe reúne experiencias reales, casos de estudio, recomendaciones metodológicas y un amplio catálogo de herramientas que permiten comprender cómo la IA está modificando los procesos de enseñanza, aprendizaje y evaluación en la universidad.

Uno de los aspectos más relevantes del informe es su análisis del momento histórico que vive la inteligencia artificial. Los autores plantean el debate sobre si la IA generativa atraviesa actualmente la denominada «curva de la desilusión» descrita por Gartner o si, por el contrario, se encuentra avanzando hacia la Inteligencia Artificial General (IAG). Para ello confrontan dos visiones complementarias: una más crítica, que alerta sobre problemas como la deuda cognitiva, las alucinaciones, el elevado coste económico y energético, el exceso de expectativas y la escasa rentabilidad de numerosos proyectos; y otra más optimista, basada en los extraordinarios avances recientes en razonamiento, programación, matemáticas y ciencias alcanzados por modelos como GPT-5, Gemini, Claude, DeepSeek o LLaMA. El informe concluye que ambas perspectivas no son incompatibles, sino que reflejan el proceso natural de maduración de una tecnología con enorme potencial transformador.

El documento dedica una parte sustancial a explicar el funcionamiento de la inteligencia artificial generativa y su evolución tecnológica. A partir de una introducción accesible sobre los grandes modelos de lenguaje (LLM), las redes neuronales y los procesos de entrenamiento e inferencia, analiza cómo estas tecnologías están cambiando profundamente la creación de contenidos, la evaluación del aprendizaje, la personalización educativa, los sistemas de tutoría inteligente y la asistencia al estudiante. La IA deja de entenderse únicamente como una herramienta de automatización para convertirse en un verdadero asistente cognitivo capaz de colaborar con docentes y estudiantes durante todo el proceso formativo.

Especial interés tiene el análisis de experiencias reales desarrolladas en la Universidad Politécnica de Madrid y en otras instituciones de educación superior. El informe presenta numerosos casos de estudio donde la IA ya forma parte de la práctica docente cotidiana: utilización de ChatGPT como apoyo en trabajos prácticos, asistentes virtuales integrados en escape rooms educativos, sistemas generadores de cuestionarios adaptativos y múltiples aplicaciones destinadas a facilitar la evaluación, la preparación de materiales o la atención personalizada del alumnado. Estos ejemplos no se presentan como modelos universales, sino como experiencias inspiradoras que muestran diferentes formas de integrar la IA respetando los objetivos pedagógicos y las características específicas de cada asignatura.

Otro de los grandes aportes del informe es la revisión sistemática de las herramientas de inteligencia artificial actualmente disponibles para el profesorado universitario. Además de analizar asistentes conversacionales como ChatGPT, Copilot, Gemini, Claude o Perplexity, incorpora aplicaciones para la generación de imágenes, presentaciones, vídeos, infografías, cuestionarios, análisis documental, programación mediante IA y creación de agentes inteligentes. Cada herramienta es descrita desde una perspectiva práctica, mostrando sus posibilidades educativas, sus limitaciones y los escenarios donde puede aportar mayor valor añadido. Esta orientación convierte al documento en una auténtica guía de referencia para quienes desean comenzar o profundizar en el uso de estas tecnologías en la universidad.

Los autores insisten especialmente en que el verdadero reto no consiste únicamente en aprender a utilizar herramientas de IA, sino en desarrollar competencias docentes adaptadas a este nuevo contexto. Proponen un perfil profesional basado en cuatro grandes dimensiones: comprender los fundamentos de la inteligencia artificial, conocer sus implicaciones éticas y sociales, integrarla estratégicamente en la práctica docente y diseñar actividades que permitan al alumnado utilizar estas tecnologías de forma crítica, ética y responsable. En este sentido, el informe adopta el concepto de «humano potenciado por la IA», entendido como aquel profesional capaz de aumentar sus capacidades intelectuales mediante una colaboración inteligente con estas herramientas, sin sustituir el juicio crítico ni la creatividad humana.

La obra dedica asimismo un amplio espacio a examinar los riesgos asociados al uso intensivo de la inteligencia artificial. Entre ellos destacan el plagio académico, la pérdida de habilidades de razonamiento y escritura, la dependencia tecnológica, las brechas digitales, la desinformación, los sesgos algorítmicos y los problemas relacionados con la privacidad y la protección de datos. Los autores subrayan que la integración responsable de la IA exige revisar los sistemas tradicionales de evaluación, fortalecer la alfabetización digital y desarrollar nuevas estrategias pedagógicas que fomenten el pensamiento crítico en lugar de limitarse a prohibir el uso de estas herramientas.

Finalmente, el informe aborda el marco regulatorio y competencial que comienza a consolidarse tanto en Europa como en organismos internacionales como la UNESCO. La obra concluye que la IA representa una transformación estructural comparable a la llegada de Internet, por lo que las universidades deben asumir un papel protagonista en la formación de docentes y estudiantes. En lugar de contemplar la inteligencia artificial como una amenaza, propone aprovecharla como una oportunidad para redefinir el papel del profesorado, personalizar el aprendizaje, impulsar la innovación educativa y preparar a los futuros profesionales para convivir con sistemas inteligentes cada vez más avanzados. La clave del éxito residirá en combinar las capacidades de la IA con las competencias exclusivamente humanas —creatividad, pensamiento crítico, juicio ético y capacidad de decisión— para construir una educación superior más eficaz, inclusiva y preparada para los desafíos del futuro

Tres enfoques para medir y gestionar el retorno de la inversión (ROI) en inteligencia artificial

Ruokonen, M., & Ritala, P. (2026, 23 de junio). Three Approaches to Measuring and Managing AI ROI. MIT Sloan Management Review. https://sloanreview.mit.edu/article/three-approaches-to-measuring-and-managing-ai-roi/

Tras varios años de experimentación con inteligencia artificial, muchas organizaciones siguen enfrentándose a una cuestión fundamental: cómo demostrar que las inversiones realizadas realmente generan valor para el negocio.

El artículo de Mika Ruokonen y Paavo Ritala sostiene que la mayoría de las empresas continúan evaluando la IA de forma intuitiva o mediante indicadores parciales, sin aplicar el mismo rigor financiero que utilizarían para valorar una nueva planta de producción o una gran inversión tecnológica. Además, los autores subrayan que la naturaleza de la IA, especialmente de la IA generativa, hace que el retorno de la inversión (ROI) sea más difícil de cuantificar, ya que sus beneficios suelen manifestarse en mejoras de productividad, calidad, creatividad o velocidad que deben traducirse posteriormente en resultados económicos verificables.

El primer enfoque identificado es el centrado en funciones específicas (function-focused approach). Está orientado a organizaciones que se encuentran en las primeras fases de adopción de la IA y necesitan demostrar beneficios concretos antes de ampliar su despliegue. En este modelo, la inteligencia artificial se implementa en áreas determinadas —como atención al cliente, recursos humanos, marketing o producción— y el retorno se evalúa mediante indicadores directamente relacionados con esas actividades. Este planteamiento facilita obtener casos de éxito medibles y construir evidencia que justifique futuras inversiones, aunque su principal limitación es que el impacto permanece restringido a departamentos concretos y no refleja el valor estratégico que la IA puede aportar al conjunto de la organización.

El segundo modelo corresponde al enfoque empresarial o corporativo (enterprise approach), característico de organizaciones con un mayor grado de madurez digital. En este caso, la IA deja de concebirse como una herramienta aislada para convertirse en un activo estratégico que transforma procesos transversales y contribuye a objetivos globales del negocio. La evaluación del ROI incorpora métricas financieras tradicionales junto con indicadores relacionados con la innovación, la competitividad, la experiencia del cliente, la eficiencia operativa y la capacidad de generar nuevas oportunidades de negocio. Los autores destacan que este enfoque requiere liderazgo ejecutivo, una gobernanza sólida y una visión compartida de cómo la IA contribuye a la estrategia corporativa.

El tercer planteamiento es el enfoque coordinado (coordinated approach), considerado el más avanzado. Combina la flexibilidad de las iniciativas locales con una coordinación estratégica a nivel organizacional. Cada unidad de negocio puede desarrollar proyectos adaptados a sus necesidades, pero todos comparten criterios homogéneos para medir resultados, traducir beneficios a valor económico y facilitar comparaciones entre iniciativas. De este modo, la organización construye un marco común para evaluar el impacto de la IA sin limitar la innovación. Los autores consideran que este modelo permite escalar las inversiones con mayor eficacia y favorece el aprendizaje continuo a medida que la empresa acumula experiencia en el uso de la inteligencia artificial.

El artículo también destaca que el tipo de inteligencia artificial condiciona la forma de medir el retorno. Mientras que los sistemas de IA analítica suelen producir beneficios económicos relativamente fáciles de atribuir —como la optimización de procesos o la mejora de las predicciones—, la IA generativa genera efectos más difusos, relacionados con la calidad del trabajo, la creatividad, la rapidez en la producción de contenidos o el apoyo a la toma de decisiones. Por ello, medir únicamente el ahorro de tiempo o el número de tareas automatizadas resulta insuficiente para comprender el verdadero impacto de estas tecnologías. La creación de valor exige transformar esas mejoras operativas en indicadores financieros y estratégicos comprensibles para la dirección de la organización.

Como conclusión, Ruokonen y Ritala defienden que las empresas evolucionarán progresivamente desde modelos de medición limitados hacia sistemas integrales de evaluación del ROI de la IA. Recomiendan priorizar casos de uso de alto impacto, establecer mecanismos de liderazgo y seguimiento continuos y aceptar que tanto la organización como la propia tecnología seguirán cambiando. El verdadero objetivo no consiste únicamente en desplegar inteligencia artificial, sino en convertir la actividad relacionada con la IA en resultados empresariales verificables, sostenibles y alineados con la estrategia corporativa.