Archivo de la categoría: Tecnologías de la información

CC Signals: licencia Creative Commons con la que los autores puedan determinar los uso de lA para sus contenidos

Creative Commons. 2025. “Introducing CC Signals: A New Social Contract for the Age of AI.” Creative Commons, 25 de junio de 2025. https://creativecommons.org/ai-and-the-commons/cc-signals/

En un momento en el que la IA está transformando radicalmente la creación, el acceso y la difusión del conocimiento, CC Signals representa una apuesta ética y colaborativa por una inteligencia artificial al servicio de todos, basada en principios de apertura, respeto y responsabilidad compartida.

Creative Commons ha presentado CC Signals, una iniciativa pionera que propone un nuevo «contrato social» para la era de la inteligencia artificial. Este marco surge como respuesta a la creciente preocupación por el uso masivo e indiscriminado de datos por parte de los modelos de IA. En lugar de aceptar una dicotomía entre un entorno de extracción sin restricciones o uno cerrado por muros de pago, CC Signals apuesta por una tercera vía: un ecosistema abierto y basado en la reciprocidad, en el que los creadores y titulares de contenido puedan expresar claramente sus preferencias sobre cómo debe usarse su información por parte de sistemas automatizados.

El objetivo principal de CC Signals es permitir que los datos sean utilizados en procesos de entrenamiento de IA de manera ética y transparente, reconociendo los intereses de quienes aportan contenido. Para ello, introduce un sistema de «señales» legibles tanto por humanos como por máquinas, que indican el nivel de apertura o condiciones de reutilización que cada creador desea establecer. Estas señales no son legalmente vinculantes, pero sí actúan como una guía de buenas prácticas, similar a como las licencias Creative Commons revolucionaron el panorama del derecho de autor hace dos décadas.

Uno de los principios clave del proyecto es fomentar un ciclo de «dar, tomar y volver a dar»: quienes utilizan datos para entrenar modelos deben contribuir también al bien común, ya sea compartiendo sus resultados, reconociendo el origen de los datos o respetando las preferencias expresadas. Si bien una señal individual puede pasar desapercibida, el uso generalizado de CC Signals por parte de comunidades de práctica, instituciones culturales o desarrolladores de IA puede establecer una norma ética reconocida globalmente.

La iniciativa se encuentra actualmente en fase de desarrollo beta y se ha abierto a la participación pública a través de GitHub. Se prevé que una versión alpha esté disponible en noviembre de 2025. Durante los meses de julio y agosto, Creative Commons organizará una serie de encuentros virtuales para debatir el marco propuesto y recoger aportaciones. Estos espacios permitirán a creadores, tecnólogos, académicos y activistas colaborar en la construcción colectiva de esta nueva herramienta de gobernanza digital.

Guía de buenas prácticas para el uso de la Inteligencia Artificial ética

OdiseIA, PwC, Google, Microsoft, IBM, & Telefónica. (2022, 17 de febrero). Guía de buenas prácticas para el uso de la Inteligencia Artificial ética [Guía práctica]. Observatorio del Impacto Social y Ético de la IA (OdiseIA) & PwC España.

Texto completo

La guía nace como una respuesta práctica y colaborativa a la necesidad de aplicar la inteligencia artificial (IA) de forma ética y responsable en el ámbito empresarial. El documento es fruto de la iniciativa GuIA, impulsada por OdiseIA y PwC junto con cinco grandes empresas tecnológicas.

Su objetivo principal es ofrecer pautas concretas y operativas para ayudar a las organizaciones a integrar principios éticos en el diseño, desarrollo y uso de sistemas de IA, en un contexto cada vez más regulado y exigente.

Uno de los ejes centrales del documento es que no basta con declarar intenciones éticas: es imprescindible traducir principios como la equidad, la transparencia, la privacidad o la rendición de cuentas en procesos organizativos y soluciones técnicas reales. Para ello, la guía se apoya en un análisis comparado de 27 marcos internacionales y más de 30 principios éticos, que han sido sintetizados y adaptados al contexto empresarial español mediante un enfoque multidisciplinar que combina la visión legal, tecnológica y de negocio.

La estructura de la guía gira en torno a tres grandes ámbitos de actuación. El primero es la gobernanza organizativa, que promueve la creación de comités de IA, la definición de roles y responsabilidades, la evaluación de riesgos y el seguimiento con indicadores claros. El segundo son los controles técnicos y metodológicos, centrados en el diseño de modelos explicables, justos y seguros, con revisiones periódicas que detecten posibles sesgos o fallos. El tercer ámbito se refiere a las garantías externas, que incluyen auditorías, certificaciones y mecanismos de verificación independientes para reforzar la confianza de terceros.

Además, la guía subraya que la implementación ética de la IA no solo es un imperativo moral, sino también una ventaja competitiva. Las organizaciones que adopten estos principios con antelación estarán mejor preparadas para cumplir con futuras regulaciones, como el Reglamento Europeo de Inteligencia Artificial (AI Act). Asimismo, generarán mayor confianza entre usuarios, empleados, inversores y la sociedad en general.

En definitiva, esta guía ofrece un marco útil para convertir los principios éticos en acciones concretas dentro de las empresas. Propone un camino realista y adaptado al contexto actual, en el que la inteligencia artificial debe ser una herramienta al servicio de las personas y no una fuente de riesgos sociales o legales.

El uso de la inteligencia artificial (IA) en el trabajo se ha casi duplicado en los dos últimos años

Pendell, Ryan. “AI Use at Work Has Nearly Doubled in Two Years.” Gallup, June 16, 2025. https://www.gallup.com/workplace/691643/work-nearly-doubled-two-years.aspx

El uso de IA en el entorno laboral se ha acelerado notablemente, especialmente entre empleados de oficina y mandos intermedios. No obstante, sigue habiendo un déficit significativo en estrategias organizacionales claras y en percepción del valor de estas herramientas —lo que indica oportunidades para mejorar la implementación y formación en el uso de IA.

En un artículo publicado el 16 de junio de 2025, Gallup revela que el uso de la inteligencia artificial (IA) en el trabajo en EE. UU. se ha casi duplicado en los dos últimos años.

Cifras clave:

  • El porcentaje de empleados que usa IA al menos unas veces al año aumentó del 21 % al 40 %.
  • El uso frecuente (varias veces por semana o más) también casi se duplicó, pasando del 11 % al 19 %.
  • El uso diario de IA se duplicó en el último año, de un 4 % a un 8 %.

El incremento se observa principalmente en trabajos de oficina. El 27 % de estos empleados utiliza IA con frecuencia, 12 puntos más que en 2024. Las industrias con mayor adopción son tecnología (50 %), servicios profesionales (34 %) y finanzas (32 %), mientras que en producción y atención al cliente el uso se mantiene entre 9 % y 11 %.

Los líderes (managers de managers) utilizan IA con más frecuencia: el 33 % lo hace varias veces por semana, comparado con el 16 % entre los empleados individuales.

Pese a este aumento, solo el 15 % de los empleados cree que su trabajo correrá peligro por la automatización o la IA en los próximos cinco años — cifra sin cambios desde 2023. Este temor es ligeramente mayor en tecnología, comercio minorista y finanzas.

Aunque muchas organizaciones están integrando IA —el 44 % de los empleados lo señala—, solo el 22 % cuenta con una estrategia clara y el 30 % dispone de políticas u orientaciones formales. Esto revela una brecha importante entre adopción e implementación regulada.

Por último, solo el 16 % de los usuarios piensa que las herramientas de IA que les brinda su empresa son útiles. Sin embargo, quienes las utilizan para interactuar con clientes reportan efectos positivos en un 68 % de los casos, frente a solo un 13 % entre los que no las usan.

Entrenar modelos de lenguaje de Inteligencia Artificial utilizando libros adquiridos legalmente constituye un uso legítimo

Hansen, Dave. 2025. “Anthropic Wins on Fair Use for Training Its LLMs, Loses on Building a ‘Central Library’ of Pirated Books.” Authors Alliance, 24 de junio de 2025. https://www.authorsalliance.org/2025/06/24/anthropic-wins-on-fair-use-for-training-its-llms-loses-on-building-a-central-library-of-pirated-books/

El 24 de junio de 2025, el juez William Alsup del Tribunal del Distrito Norte de California emitió una resolución clave en el juicio colectivo contra Anthropic, empresa creadora de los modelos de lenguaje Claude. La demanda, presentada por los autores Andrea Bartz, Charles Graeber y Kirk Wallace Johnson en representación de millones de escritores, cuestiona el uso de libros protegidos por derechos de autor para entrenar sistemas de inteligencia artificial.

El fallo representa una victoria parcial para Anthropic. Por un lado, el tribunal determinó que entrenar modelos de lenguaje utilizando libros adquiridos legalmente constituye un uso legítimo bajo la doctrina de fair use del derecho estadounidense. Según el juez Alsup, este tipo de uso es “transformador”, ya que no busca replicar ni sustituir las obras originales, sino generar contenido nuevo, lo que encaja dentro del espíritu de la ley de derechos de autor que pretende fomentar la creatividad y el avance científico.

Sin embargo, la empresa perdió en un punto crítico: el uso sistemático de libros pirateados para construir una “biblioteca central” con fines de entrenamiento de IA. La evidencia demuestra que en 2021 y 2022, miembros de Anthropic descargaron millones de obras de sitios como Books3, Library Genesis (LibGen) y Pirate Library Mirror (PiLiMi). Estas plataformas contienen copias no autorizadas de libros protegidos, y Anthropic era plenamente consciente de ello. El propio CEO, Dario Amodei, reconoció internamente que optar por este camino era una manera de evitar el “trabajo legal, comercial y de gestión” que implicaría adquirir licencias.

En particular, el cofundador Ben Mann descargó en 2021 el conjunto de datos Books3 (compuesto por cerca de 196.000 libros pirateados), seguido de cinco millones de títulos desde LibGen y otros dos millones desde PiLiMi. Estas acciones fueron calificadas por el juez como violaciones deliberadas del derecho de autor, y aunque todavía no se ha determinado la magnitud de los daños, el tribunal ha decidido celebrar un juicio separado para abordar esta cuestión y valorar posibles indemnizaciones.

Desde Anthropic, una portavoz declaró a The Verge que celebran que el tribunal haya validado el uso transformador de las obras con fines de entrenamiento. La empresa sostiene que su objetivo no era imitar o reemplazar los libros originales, sino crear algo nuevo con base en ellos. No obstante, este argumento no exime de responsabilidad cuando se utilizan materiales obtenidos de forma ilegal, incluso si el uso posterior pudiera ser considerado transformador.

Este caso se enmarca dentro de un creciente número de demandas contra empresas de inteligencia artificial por el uso indebido de contenido protegido. La resolución de Alsup podría sentar un precedente clave: valida el entrenamiento de IA sobre obras adquiridas legalmente como fair use, pero marca una línea roja cuando se trata de contenidos pirateados. Las próximas fases del proceso judicial determinarán las consecuencias económicas y legales para Anthropic, y el caso podría influir significativamente en las prácticas de entrenamiento de modelos de IA en la industria.

El dilema energético de la IA: ¿pueden las GPU seguir el ritmo de la creciente demanda?

Sanjana B. (2025, junio). AI’s energy dilemma: Can GPUs keep up with the rising demand? BusinessLine

Ver completo

En un contexto donde el desarrollo de modelos de inteligencia artificial (IA) crece a un ritmo vertiginoso, el artículo de BusinessLine analiza el desafío energético que esto representa, centrándose en el uso intensivo de GPUs. Las unidades de procesamiento gráfico, que han sido forzadas a evolucionar para dar soporte a estos modelos complejos, operan normalmente entre 300 y 700 W cada una, generando enormes cantidades de calor y exigiendo mayores recursos para su refrigeración .

Se señala que los centros de datos dedicados al entrenamiento de IA ya demandan niveles de energía comparables a países pequeños, con la posibilidad de superar pronto a naciones como Japón si no se implementan mejoras sustanciales. Esta situación ha llevado a que responsables técnicos, incluidos altos directivos como el CEO de OpenAI, advirtieran que las GPUs están alcanzando temperaturas críticas, lo que incrementa el riesgo de fallos y eleva los costes operacionales

Frente a este panorama, el texto propone varias líneas de respuesta: por un lado, mejorar la eficiencia técnica mediante optimizaciones de software, como la poda de modelos o la cuantización, y el desarrollo de nuevos algoritmos y chips más eficientes; por otro, introducir mejoras en los sistemas de refrigeración, desde soluciones líquidas en centros muy exigidos hasta la adopción de IA directamente en dispositivos (on‑device AI), lo que reduce considerablemente la energía consumida por la transmisión de datos al ‘cloud’ .

A su vez, expertos advierten sobre los costes ambientales adicionales: la fabricación de GPUs involucra extracción de materiales escasos y procesos contaminantes, mientras que la energía —aún dependiente en gran parte de combustibles fósiles— aumenta la huella de carbono de estos centros de datos . Innovaciones como hardware neuromórfico podrían ofrecer eficiencia energética a gran escala, aunque aún no están maduras para el entorno comercial

Por último, el artículo resalta la necesidad de abordar el problema desde una perspectiva sistémica. No basta con aumentar el número de GPUs, pues sin infraestructuras eléctricas robustas y energía limpia la expansión de la IA será insostenible. Países como Singapur o Irlanda ya han limitado la construcción de nuevos centros de datos, y se espera que las regulaciones evolucionen para incluir métricas de eficiencia y emisiones.

Tendencias y pautas de la investigación sobre inteligencia artificial en las bibliotecas

Autor(es). 2025. “Trends and Patterns of Artificial Intelligence Research in Libraries.” Journal of Library & Information Science 44 (2). https://doi.org/10.1177/21582440251327528

El artículo examina de forma exhaustiva las tendencias actuales en la investigación sobre inteligencia artificial (IA) aplicada a bibliotecas, mediante un análisis bibliométrico de la producción científica en este campo. A partir de una amplia base de datos extraída principalmente de Scopus, los autores estudian la evolución del número de publicaciones, las principales áreas temáticas abordadas, las fuentes académicas predominantes y la distribución geográfica de las contribuciones. Se constata un crecimiento sostenido en la investigación sobre IA en bibliotecas, con un aumento pronunciado a partir del año 2020, influido en parte por el impacto de la pandemia de COVID-19, que impulsó la digitalización y la automatización de servicios bibliotecarios.

Entre los temas más estudiados destacan el uso de algoritmos para personalizar la experiencia del usuario, la implementación de sistemas de recomendación y descubrimiento de información, la minería de datos para la mejora de servicios, y el desarrollo de chatbots que ofrecen atención automatizada. Tecnologías como el aprendizaje automático (machine learning), el procesamiento del lenguaje natural (PLN) y el deep learning se perfilan como herramientas clave en el avance de estos servicios. El estudio también resalta la contribución de la IA a la catalogación automática, la generación de metadatos, y la gestión predictiva de colecciones y recursos digitales.

A nivel geográfico, China, Estados Unidos e India lideran la producción científica sobre IA en bibliotecas, aunque también se observa una creciente participación de investigadores de países del Sudeste Asiático, África y América Latina. Las publicaciones se concentran principalmente en revistas como Library Hi Tech, Journal of Academic Librarianship, Library & Information Science Research y otras relacionadas con la informática aplicada a las ciencias de la información. Además, el análisis de redes de coautoría revela una creciente colaboración internacional e interdisciplinaria entre profesionales de la biblioteconomía, la ciencia de datos y la ingeniería informática.

En cuanto a los métodos utilizados, el artículo emplea herramientas como VOSviewer y Biblioshiny para visualizar redes de co-citación, coautoría y tendencias temáticas. Entre los términos emergentes más relevantes en los últimos años se identifican “chatbots”, “deep learning”, “big data” y “open-source software”. Esto evidencia el avance tecnológico del sector, pero también pone sobre la mesa nuevos desafíos éticos y técnicos. En este sentido, los autores advierten sobre la necesidad de prestar especial atención a cuestiones como la privacidad de los datos, la transparencia algorítmica y el riesgo de sesgos en la toma de decisiones automatizadas.

Finalmente, el estudio concluye que, si bien la IA ofrece oportunidades únicas para transformar los servicios bibliotecarios, su integración debe ser cuidadosa y acompañarse de políticas claras, programas de formación continua para el personal bibliotecario y marcos éticos que garanticen una implementación responsable. Asimismo, se sugiere que futuras investigaciones profundicen en la evaluación del impacto real de estas tecnologías en el acceso a la información y en la equidad digital.

Modelos de IA confiables mediante tecnologías que mejoran la privacidad (PETs)

OECD. 2025. Sharing Trustworthy AI Models with Privacy‑Enhancing Technologies. OECD Artificial Intelligence Papers, no. 38. París: OECD Publishing. https://doi.org/10.1787/a266160b-en.

El documento aborda el papel de las tecnologías que mejoran la privacidad (Privacy-Enhancing Technologies, PETs) en el desarrollo de modelos de IA confiables. Clasifica los usos de estas tecnologías en dos grandes grupos: por un lado, aquellas que permiten mejorar el rendimiento de los modelos sin exponer los datos, como el federated learning, los entornos de ejecución confiables (TEEs) o la computación multipartita segura (SMPC); por otro, tecnologías que posibilitan la creación y compartición confidencial de modelos, como la privacidad diferencial y el cifrado homomórfico. Estas herramientas son fundamentales para proteger la privacidad y la propiedad intelectual, y para fomentar la colaboración en entornos sensibles. El informe señala que, si bien estas tecnologías tienen un gran potencial, no son soluciones mágicas: su utilidad requiere combinaciones cuidadosas y equilibradas, y todavía presentan desafíos en términos de eficiencia y facilidad de uso. Por ello, se recomienda que los gobiernos impulsen su adopción mediante marcos regulatorios flexibles, apoyo a la I+D y espacios de prueba como los regulatory sandboxes.

El uso de tecnologías como trusted execution environments (TEEs), federated learning, y secure multi-party computation para procesar y ensayar datos sin comprometer su confidencialidad. El uso de datos sintéticos y differential privacy ayuda a reducir la dependencia de datos reales. Para colaborar o compartir modelos sin revelar información protegida, se combinan herramientas como MPC, federated learning, HE, TEE y differential privacy. Estas herramientas permiten crear y utilizar modelos manteniendo su confidencialidad y la de sus datos subyacentes.

Aunque prometedoras, las PETs enfrentan retos técnicos —como complejidad, eficiencia, usabilidad y equilibrio entre utilidad y privacidad— y barreras regulatorias o institucionales que dificultan su adopción amplia.

El informe sugiere que los gobiernos fomenten el uso de PETs mediante:

  • Orientaciones y guías reguladoras
  • Regulatory sandboxes para innovación controlada
  • Apoyo a I +D +i
  • Desafíos o concursos para estimular el desarrollo
  • Compras públicas estratégicas
  • Desarrollo de habilidades y competencias institucionales

Efectos de la IA generativa en la productividad, la innovación y el emprendimiento

Calvino, Flavio; Jelmer Reijerink; y Lea Samek. 2025. The effects of generative AI on productivity, innovation and entrepreneurship. OECD Artificial Intelligence Papers, No. 39. OECD Publishing. https://doi.org/10.1787/b21df222‑en

Este primer informe examina cómo la inteligencia artificial generativa afecta la productividad y transforma el panorama de la innovación y el emprendimiento. Destaca el potencial de la IA para automatizar tareas, amplificar capacidades humanas y modificar las operaciones empresariales. También señala su papel en la estimulación de la creatividad, la aceleración del I+D y la reducción de barreras de entrada para nuevos actores económicos. Sin embargo, el estudio advierte que la eficacia de la IA depende en gran medida del nivel de experiencia del usuario y del tipo de tarea realizada. La colaboración entre humanos y sistemas de IA emerge como una clave para maximizar beneficios. Además, se identifican vacíos importantes en la investigación actual, especialmente en lo referente a los efectos a largo plazo de la IA en los negocios y a la comprensión limitada de sus restricciones por parte de los trabajadores. El informe llama a profundizar en estos aspectos para orientar un uso ético y efectivo de estas tecnologías.

1. Automatización, aumento de habilidades y transformación empresarial

  • La IA generativa puede automatizar tareas rutinarias—como redacción, traducción y resúmenes—, con mejoras en eficiencia de hasta un 40 % y calidad entre un 18–40 % .
  • En la traducción y síntesis de textos complejos —por ejemplo, fallos judiciales—, los modelos actuales igualan o superan sistemas especializados .
  • En programación, herramientas como GitHub Copilot permiten desarrollar código un 55 % más rápido .

2. Colaboración humano‑IA como factor clave

  • La sinergia entre humanos y IA es fundamental: el usuario y el contexto determinan el éxito, y no es un sustituto sino un complemento ft.com.
  • Esta colaboración es particularmente efectiva para tareas con alta carga cognitiva, liberando tiempo para tareas estratégicas .

3. Estímulo a la creatividad e innovación

  • En generación de ideas, la IA puede potenciar creatividad, especialmente para personas sin experiencia, aunque puede generar resultados menos diversos o más homogéneos arxiv.org+1arxiv.org+1.
  • En entornos de I+D, la IA acelera la definición de problemas, diseño experimental y fases iniciales del desarrollo de productos y servicios oecd.org.
  • Para grupos de innovación, estudios revelan que herramientas con IA mejoran la originalidad, claridad y calidad de las ideas oecd.org+1arxiv.org+1.

4. Rendimiento económico y mercados de capital

  • El lanzamiento de ChatGPT se asoció con un rendimiento diario superior en acciones de empresas con alta exposición a IA generativa (≈ 0.45 %) oecd.org.
  • Cuando Italia bloqueó ChatGPT temporalmente, las empresas expuestas sufrieron una caída del 9 % en cotización .

5. Vacíos en investigación y recomendaciones

  • Existen lagunas: pocos estudios sobre efectos a largo plazo, comprensión y confianza de los trabajadores, y la evolución del mercado laboral .
  • Se destaca la necesidad de nuevos estudios longitudinales y microeconómicos que examinen la productividad y capacidad de absorción de las empresas arxiv.org.
  • Los autores enfatizan la importancia del capital humano, la formación continua, el rol del pensamiento crítico y políticas que apoyen el despliegue responsable de la IA .

¿Cuánto texto pueden generar las diferentes herramientas de Inteligencia Artificial?

Los modelos de inteligencia artificial basados en lenguaje natural, como ChatGPT, no trabajan directamente con palabras o caracteres completos, sino con tokens, que son unidades básicas de texto. Esta estrategia permite a los modelos manejar y procesar el lenguaje de manera más eficiente y granular. Un token puede corresponder a una palabra completa, una parte de una palabra (como un prefijo o sufijo), un signo de puntuación o incluso espacios. Por ejemplo, la palabra «inteligencia» podría dividirse en varios tokens si el modelo utiliza un método de tokenización subpalabra (como Byte Pair Encoding o WordPiece).

¿Por qué usar tokens?

La tokenización ayuda a los modelos a lidiar con la variedad infinita de combinaciones en el lenguaje natural, permitiendo que puedan aprender patrones y predecir la siguiente unidad con mayor precisión. Según OpenAI, la tokenización es crucial para que los modelos de lenguaje puedan generar texto coherente y fluido, ya que cada token representa un fragmento manejable para los algoritmos de predicción estadística y aprendizaje profundo.

Límite de tokens y generación de texto

La capacidad para generar texto en modelos como GPT está limitada por un máximo de tokens por interacción o llamada al modelo. Esto significa que la suma de los tokens de entrada (el texto que proporcionas) y de salida (el texto generado) no puede superar ese límite. Por ejemplo, el modelo GPT-3.5 tiene un límite de aproximadamente 4,096 tokens por solicitud, mientras que modelos más recientes pueden manejar hasta 8,000 tokens o incluso más, dependiendo de la versión y configuración

Este límite es importante porque afecta la longitud y la complejidad del texto que el modelo puede procesar y generar de manera coherente. Si se excede el límite, el texto de entrada o el de salida deben ser truncados o segmentados, lo que puede afectar la continuidad y calidad del contenido generado.

¿Qué es un token en detalle?

Los tokens no coinciden necesariamente con palabras, especialmente en idiomas con palabras compuestas o con conjugaciones complejas. Por ejemplo, la palabra inglesa «unhappiness» puede dividirse en tokens como «un», «happi», «ness». De forma similar, en español, las terminaciones verbales o sufijos se tratan como tokens separados para que el modelo aprenda mejor las reglas gramaticales y las relaciones semánticas.

Según la explicación de Jurafsky y Martin en su libro Speech and Language Processing, la tokenización es un paso fundamental en el procesamiento del lenguaje natural (PLN) y puede ser tan simple como dividir por espacios o tan complejo como aplicar modelos de segmentación que respeten la morfología del idioma.

Por ejemplo, la frase:

«Hola, ¿cómo estás?»

Podría dividirse en tokens como:

«Hola»

«,»

«¿»

«cómo»

«estás»

«?»

Cada uno de estos es un token para el modelo.

Herramienta / ModeloLímite tokens (entrada + salida)Aproximación de palabras generadas en una sola respuesta
GitHub Copilot~2048 tokens~1000-1500 palabras (para código y texto combinados)
ChatGPT (GPT-3.5)4096 tokens~1500-3000 palabras
ChatGPT (GPT-4)8192 tokens~3000-6000 palabras
Claude (Anthropic)~9000 tokens~3500-6500 palabras
Gemini (Google DeepMind)8192 – 32768 tokensDesde ~3000 hasta ~12,000-25,000 palabras (según versión)
Perplexity AIDepende del modelo que useVaría según modelo (ej., GPT-4: hasta ~6000 palabras)

Aproximación de cantidad de texto generado según límite de tokens

La alfabetización en inteligencia artificial: el nuevo reto de las bibliotecas del futuro

LibLime. “AI Literacy in the Future of Libraries: Adapting to a New Information Landscape.” LibLime Blog, 17 de marzo de 2025.

Texto completo

Las bibliotecas están en un momento crucial ante la evolución digital: la inteligencia artificial (IA) está transformando cómo se crea, accede y evalúa la información, y por ello estas instituciones deben ampliar su rol tradicional hacia la educación en alfabetización digital centrada en IA

Se identifica una «brecha emergente en la alfabetización en IA»: aunque un 75 % de estadounidenses ha oído hablar de herramientas como ChatGPT, solo un 18 % las utiliza, concentrándose principalmente en grupos con mayor nivel educativo y económico, lo que resalta la necesidad de intervención.

La alfabetización en IA va más allá de la mera búsqueda de información: incorpora habilidades para entender las capacidades y limitaciones de la IA, reconocer contenido generado por IA, evaluarlo críticamente y abordar sus implicaciones éticas.

Expertos como Miguel Figueroa señalan que las bibliotecas deben enseñar a las personas a desenvolverse en un ecosistema informativo en el que «actores no humanos» (IA) influyen significativamente.

Varias bibliotecas ya implementan programas orientados a esta alfabetización. La Universidad de Michigan ha integrado la IA en sus planes de alfabetización informacional mediante un marco específico para ello . Por otro lado, la Biblioteca Pública de San Francisco ha lanzado “AI Labs”, espacios donde las personas pueden experimentar con herramientas de IA con el acompañamiento de profesionales capacitados.

No obstante, persisten desafíos: la falta de fondos, la escasa preparación técnica del personal y la rapidez con que cambia la tecnología dificultan estos esfuerzos. Según una encuesta de 2023, aunque el 82 % de los bibliotecarios reconoce la importancia de la alfabetización en IA, solo el 24 % se siente lo suficientemente preparado para impartirla. Además, deben abordarse cuestiones éticas complejas. Como advierte Safiya Noble, es crucial enseñar a reconocer y combatir los sesgos tecnológicos, evitando que estos refuercen injusticias sociales

El futuro de las bibliotecas podría estar en una relación complementaria con la IA: automatizar tareas rutinarias facilitaría que los profesionales se concentren en servicios de valor añadido, como investigación avanzada o educación en IA . La Biblioteca Pública de Nueva York ya está probando esta estrategia con un asistente de referencia basado en IA que deriva las preguntas complejas a los bibliotecarios humanos.

Finalmente, se destaca la necesidad de formar al personal bibliotecario. La Asociación Americana de Bibliotecas está actualizando sus estándares de acreditación para incluir competencias en IA, y ya existen iniciativas como la Library Futures Institute que ofrecen formación especializada. La creación de puestos específicos, como el de “bibliotecario de tecnologías emergentes” en la Universidad de Berkeley, refleja esta tendencia