Archivo de la etiqueta: Alfabetización digital

La inteligencia artificial en las bibliotecas universitarias: una transformación estructural del aprendizaje

U.S. News & World Report. “Artificial Intelligence and College Libraries: How AI Is Changing Campus Libraries.” U.S. News – Higher Ground, 7 de mayo de 2026. https://www.usnews.com/education/u-s-news-higher-ground/articles/2026-05-07/artificial-intelligence-college-library

La inteligencia artificial está transformando de manera profunda el papel de las bibliotecas universitarias en Estados Unidos, que pasan de ser principalmente espacios de acceso a la información a convertirse en nodos activos de formación en alfabetización digital y uso crítico de la IA.

Las bibliotecas ya no solo gestionan colecciones físicas y digitales, sino que asumen una función educativa clave en un contexto en el que los estudiantes utilizan cada vez más herramientas como asistentes conversacionales, sistemas de búsqueda inteligente o plataformas de generación de contenido.

Uno de los cambios más significativos es la incorporación de la alfabetización en inteligencia artificial como parte de las misiones centrales de las bibliotecas académicas. Los bibliotecarios se están convirtiendo en mediadores entre los estudiantes y estas nuevas tecnologías, ayudando a comprender no solo cómo funcionan las herramientas de IA, sino también sus límites, sesgos, riesgos de privacidad y problemas éticos. Este papel se considera una extensión natural de la tradición bibliotecaria en alfabetización informacional, pero adaptada a un entorno digital mucho más complejo y automatizado.

El artículo también subraya que las bibliotecas universitarias están adoptando herramientas de IA para mejorar sus propios servicios. Entre los usos más frecuentes se encuentran la asistencia en la búsqueda de información, la recomendación de recursos académicos, la automatización de tareas administrativas y el apoyo a la investigación. Estas tecnologías permiten agilizar procesos y mejorar la personalización del servicio, aunque también plantean desafíos relacionados con la dependencia tecnológica, la transparencia de los algoritmos y la protección de datos de los usuarios.

Al mismo tiempo, el texto señala que esta transformación no está exenta de tensiones. Las bibliotecas se enfrentan a limitaciones de financiación, carga de trabajo creciente y necesidad de formación continua del personal. La expansión de la IA llega en un contexto de presión presupuestaria, lo que obliga a las instituciones a priorizar funciones y redefinir sus estrategias. A pesar de estas dificultades, existe un consenso creciente sobre la importancia de que las bibliotecas se posicionen como actores centrales en la educación sobre IA dentro de las universidades.

En conjunto, el artículo presenta la biblioteca universitaria del futuro como un espacio híbrido: por un lado, centro de acceso a la información y la cultura; por otro, laboratorio de aprendizaje tecnológico y pensamiento crítico sobre la inteligencia artificial. Esta evolución refleja un cambio más amplio en la educación superior, donde la IA no solo es una herramienta de apoyo, sino también un objeto de estudio y una competencia básica para la empleabilidad y la vida académica.

Marcos de gobernanza de IA: estándares globales, regulación y buenas prácticas para una IA responsable

EvalCommunity Academy. “AI Governance Frameworks: Global Standards, Regulations, and Best Practices.” Publicado el 30 de noviembre de 2025 https://academy.evalcommunity.com/ai-governance-frameworks/

El artículo ofrece una panorámica de los principales marcos internacionales de gobernanza de la inteligencia artificial, destacando la necesidad de establecer normas, principios y mecanismos de supervisión que garanticen que los sistemas de IA sean seguros, transparentes, éticos y respetuosos con los derechos humanos. Según el texto, la rápida expansión de la IA ha convertido la gobernanza en una prioridad estratégica para organizaciones, gobiernos y empresas, que deben gestionar tanto los beneficios como los riesgos asociados a estas tecnologías.

La gobernanza de la inteligencia artificial requiere combinar principios éticos, estándares técnicos, gestión del riesgo y regulación jurídica para garantizar que la IA se desarrolle y utilice de manera responsable, transparente y beneficiosa para la sociedad.

La publicación identifica diez de los marcos de gobernanza más influyentes a nivel mundial. Entre ellos destacan los Principios de IA de la OCDE, que promueven una IA confiable basada en la transparencia, la responsabilidad y la sostenibilidad; la Recomendación de la UNESCO sobre la Ética de la Inteligencia Artificial, centrada en la protección de los derechos humanos; y el NIST AI Risk Management Framework, que proporciona una metodología práctica para gestionar riesgos durante todo el ciclo de vida de los sistemas de IA.

El artículo también analiza instrumentos regulatorios y normativos de gran relevancia. Entre ellos sobresalen la norma ISO/IEC 42001, primer estándar certificable para sistemas de gestión de inteligencia artificial, y la legislación europea conocida como AI Act, considerada la primera regulación integral y vinculante sobre IA basada en niveles de riesgo. Asimismo, se menciona la Convención Marco del Consejo de Europa sobre Inteligencia Artificial y Derechos Humanos, destinada a garantizar que el desarrollo tecnológico se mantenga alineado con los principios democráticos y el Estado de derecho.

Uno de los aspectos más valiosos del documento es la comparación entre los distintos marcos. Mientras algunos proporcionan principios éticos generales, otros ofrecen herramientas de gestión del riesgo, mecanismos de certificación o requisitos legales obligatorios. Esta diversidad permite a las organizaciones seleccionar los instrumentos más adecuados según sus necesidades, sector de actividad y entorno regulatorio.

El texto propone además una hoja de ruta para la implantación de la gobernanza de la IA. Esta incluye cinco etapas: conocimiento y evaluación inicial, desarrollo de una estrategia alineada con los valores organizativos, implantación de políticas y controles, formación del personal y establecimiento de procesos continuos de seguimiento y mejora. El objetivo es integrar la gobernanza en todas las fases del ciclo de vida de los sistemas de IA y no limitarla a una mera actividad de cumplimiento normativo.

Finalmente, el artículo subraya que la gobernanza de la IA no debe entenderse únicamente como una obligación regulatoria. Una gestión responsable de estas tecnologías contribuye a generar confianza, reducir riesgos legales y reputacionales, mejorar la calidad de los sistemas desplegados y favorecer una innovación sostenible. En conjunto, los distintos marcos conforman un ecosistema global orientado a equilibrar innovación tecnológica, responsabilidad ética y protección de los derechos fundamentales.

Alfabetización en IA de los alumnos

High school students using laptops to learn about AI and machine learning in a classroom with a teacher assisting
Students and a teacher engage in a lively AI and machine learning class using laptops.

Deshen, M., & Aharony, N. (2026). Students’ Artificial Intelligence (AI) literacy: An exploratory study. Journal of Librarianship and Information Science, 1-15. DOI: 10.1177/09610006261442178
.

Este estudio de carácter cuantitativo y exploratorio tiene como propósito fundamental identificar y desentrañar los factores psicológicos, actitudinales y tecnológicos que se asocian con un mayor nivel de alfabetización en Inteligencia Artificial (IA) en estudiantes de educación superior.

El trasfondo de la investigación se sitúa en la rápida evolución y adopción masiva de herramientas de IA Generativa (IAGen), tales como los chatbots de lenguaje del tipo ChatGPT, los cuales están transformando el panorama educativo y laboral contemporáneo. Los autores argumentan que comprender qué variables impulsan o limitan esta alfabetización resulta un aspecto de vital importancia para las instituciones académicas; no solo para mitigar la brecha de habilidades técnicas y garantizar la adaptabilidad de la futura fuerza de trabajo en un mercado laboral en profunda reestructuración, sino también para prevenir riesgos académicos emergentes como el plagio, la dependencia excesiva de la tecnología, la desinformación y el quiebre de la integridad académica.

Para llevar a cabo la investigación, se recolectaron datos de una muestra compuesta por 190 estudiantes universitarios en Israel a través de un cuestionario cuantitativo en línea. La metodología empleada incluyó el uso de escalas psicométricas previamente validadas y altamente confiables que permitieron medir de forma precisa la alfabetización en IA de los alumnos, el rasgo de personalidad de «apertura a la experiencia» (perteneciente al modelo de los Cinco Grandes), las evaluaciones cognitivas de la tecnología percibida como una amenaza o como un desafío, y cuatro subdimensiones clave extraídas del Modelo de Aceptación del Uso de Dispositivos de Inteligencia Artificial (AIDUA): la influencia social, la motivación hedónica, la disposición o voluntad para aceptar el uso de la IA y las emociones positivas vinculadas a estas tecnologías. El análisis de los datos se efectuó mediante correlaciones estadísticas y un riguroso modelo de regresión múltiple jerárquica con el fin de determinar el peso predictivo de cada una de estas variables sobre la competencia general en IA de los participantes.

Los resultados estadísticos revelaron hallazgos de gran relevancia teórica y práctica. En primer lugar, se demostró que variables como la apertura a la experiencia y la percepción de la IA como un desafío (en lugar de como una amenaza) actúan como potentes predictores positivos de la alfabetización en IA, explicando por sí solas un considerable 48% de la varianza en la competencia de los estudiantes. Esto sugiere que aquellos alumnos dotados de flexibilidad cognitiva, curiosidad intelectual y una actitud orientada al crecimiento personal ven en los avances tecnológicos una oportunidad de aprendizaje benéfica, lo que estimula de manera directa el desarrollo de sus capacidades técnicas y críticas. Por otro lado, aunque el análisis correlacional simple inicial mostró vínculos positivos con el uso real de la IA y con las subescalas del modelo AIDUA (influencia social, motivación hedónica, emociones positivas y disposición de uso) , al introducir todas las variables simultáneamente en la regresión jerárquica, los factores de aceptación tecnológica del AIDUA perdieron significancia predictiva directa ante el peso dominante de la personalidad y la evaluación cognitiva del desafío. Asimismo, se detectaron discrepancias demográficas significativas: los estudiantes varones reportaron niveles ligeramente superiores de alfabetización en IA en comparación con las mujeres , y el uso previo de tecnologías de IA demostró ser el predictor más robusto dentro de los factores de fondo, lo que confirma que la familiaridad y la práctica directa potencian drásticamente las competencias de los estudiantes.

Finalmente, un hallazgo interactivo sumamente interesante emergió al analizar la relación entre la influencia social y la edad de los participantes. El estudio determinó, mediante la aplicación del método estadístico de Johnson-Neyman, que la presión o el ejemplo del entorno social (opiniones de pares, normas sociales y redes de contactos) ejerce un impacto positivo y estadísticamente significativo sobre la alfabetización en IA de manera exclusiva en los estudiantes menores de 27.87 años. Para los estudiantes que superan dicho umbral de edad, la influencia de los demás deja de ser un factor determinante en su nivel de alfabetización tecnológica. Con base en estas conclusiones, el artículo enfatiza que la alfabetización en IA no debe concebirse únicamente como una destreza puramente técnica o de programación, sino como un entramado multifacético que abarca la comprensión conceptual, la aplicación práctica, la evaluación crítica y la profunda reflexión sobre las implicaciones éticas y los impactos societales de la IA. Los autores concluyen instando a las universidades a rediseñar de manera urgente sus planes de estudio, adoptando enfoques holísticos e implementando programas educativos personalizados que promuevan activamente actitudes positivas, gestionen la ansiedad tecnológica y doten a los futuros graduados de un marco de compromiso ético indispensable para prosperar de forma competitiva en un mundo gobernado por algoritmos.

Datos relevantes:

Total: 190 estudiantes universitarios.

Uso de tecnología: La gran mayoría (casi 9 de cada 10 estudiantes o el 86.8%) ya utilizaba herramientas de Inteligencia Artificial (como ChatGPT).

Género: Hubo una mayoría de hombres (68% frente a un 32% de mujeres).

Edad: El grupo fue muy variado (desde jóvenes de 19 años hasta adultos de 57), pero la edad promedio fue de 31 años.

Nivel: El 62% estudiaba una carrera universitaria (grado) y el 38% estudiaba un posgrado o maestría.

Ganas de usarla (4.07 / 5): Los estudiantes tienen una disposición altísima a aceptar la IA en sus vidas.

Diversión / Motivación (3.92 / 5): Les resulta muy entretenido y motivador usar estas herramientas.

Nivel de habilidad percibido (3.79 / 5): En general, los estudiantes sienten que se defienden bastante bien con la IA (tienen una alfabetización media-alta).

Curiosidad / Apertura mental (3.78 / 5): La muestra destaca por ser gente abierta a nuevas experiencias.

Verlo como un reto positivo (3.36 / 5): Ven la IA como una oportunidad para aprender.

Verlo como una amenaza (2.36 / 5): El miedo o la sensación de peligro hacia la IA es bajo; a los estudiantes no les asusta especialmente que les vaya a quitar el empleo o a perjudicar.

Presión del entorno (2.87 / 5): La sociedad o sus círculos cercanos no les presionan demasiado para que la usen (es el factor con menor puntuación).

La Inteligencia Artificial actúa como un megáfono distorsionador de desinformación masiva

Endert, Julius. “Generative AI is the Ultimate Disinformation Amplifier.” DW Akademie, March 26, 2024. https://akademie.dw.com/en/generative-ai-is-the-ultimate-disinformation-amplifier/a-68593890

La Inteligencia Artificial actúa como un megáfono distorsionador: por un lado absorbe datos caóticos de internet y, por el otro, los proyecta amplificados, transformando pequeñas mentiras en un diluvio de desinformación masiva.

La inteligencia artificial está redefiniendo el ecosistema informativo global. Su capacidad para procesar enormes volúmenes de datos, sintetizar información y generar contenido coherente ha sido celebrada como una revolución tecnológica. Sin embargo, existe una dimensión menos visible y potencialmente más peligrosa: su papel como amplificador estructural de la desinformación.

El núcleo del problema: Del consumo a la factoría

  • La fase de consumo: La IA se entrena con millones de textos de internet, absorbiendo verdades, pero también teorías conspirativas, sesgos históricos y datos falsos.
  • La fase de amplificación: Al generar contenido de forma masiva, barata y automatizada, la IA no solo repite lo que aprendió; lo empaqueta en formatos que parecen profesionales (noticias falsas que lucen reales, imágenes sintéticas convincentes), multiplicando el volumen de la mentira a una velocidad que los verificadores humanos no pueden alcanzar.

En este sentido, la IA puede entenderse como un megáfono distorsionador. No necesariamente crea la mentira, pero sí la recoge del entorno digital, la reorganiza y la devuelve amplificada, dotada de mayor coherencia formal, más persuasiva y, en muchos casos, más difícil de detectar.

El ecosistema digital contemporáneo ya está profundamente contaminado por información de baja calidad. Rumores sin verificar, noticias falsas diseñadas estratégicamente, bots automatizados y contenidos clickbait optimizados para la viralidad forman parte de un flujo constante de información caótica. En condiciones tradicionales, este ruido informativo se filtra parcialmente a través de medios de comunicación, periodistas o verificadores de hechos. Sin embargo, en los sistemas de inteligencia artificial generativa, este filtro se vuelve más ambiguo y menos transparente.

La IA no distingue entre verdad y falsedad en términos humanos. Su funcionamiento se basa en el reconocimiento de patrones lingüísticos, probabilidades estadísticas y correlaciones entre datos. En otras palabras, no opera con un modelo de verdad, sino con un modelo de coherencia. Esto genera un problema estructural: aquello que es falso, pero aparece repetido con suficiente frecuencia en los datos, puede adquirir apariencia de verosimilitud dentro del sistema.

El núcleo del problema reside precisamente en esta ausencia de epistemología. Los algoritmos de aprendizaje automático procesan grandes volúmenes de información heterogénea, mezclan fuentes de distinta calidad y generan respuestas que priorizan la plausibilidad lingüística. El resultado es la posibilidad de que la coherencia sustituya a la veracidad como criterio dominante.

En este contexto, surge un efecto de cámara de eco automatizado. Una vez que los sistemas han sido entrenados con datos contaminados, pueden reproducir narrativas sesgadas, interpretaciones incompletas o errores que aparecen reformulados como si fueran hechos. Sin embargo, el aspecto más preocupante no es la simple repetición, sino la capacidad de reformulación constante.

La inteligencia artificial no copia la desinformación de forma literal, sino que la reescribe. En ese proceso, le otorga apariencia de novedad, adopta estilos comunicativos profesionales y elimina rastros evidentes de su origen dudoso. Esto contribuye a que la mentira se vuelva más sofisticada, más creíble y mucho más difícil de rastrear.

Cuando este contenido generado se traslada al espacio público, entra en una fase de amplificación masiva. La IA funciona entonces como un megáfono digital capaz de producir múltiples versiones de un mismo mensaje, adaptarlo a diferentes audiencias, generar textos, imágenes o vídeos hiperrealistas y simular voces o estilos periodísticos. El resultado es una auténtica industrialización de la desinformación, donde ya no existen falsedades aisladas, sino ecosistemas completos de réplicas coordinadas.

En este nuevo entorno emergen formas específicas de desinformación automatizada. Por un lado, la saturación de medios clonados, es decir, sitios web que imitan portales informativos legítimos y que se generan automáticamente para reforzar determinadas narrativas. Por otro, los deepfakes hiperrealistas, capaces de recrear con gran precisión eventos que nunca ocurrieron. Finalmente, los artículos hiperpartidistas automatizados, textos generados en segundos que imitan el estilo periodístico pero están diseñados para polarizar y manipular la opinión pública.

Este proceso implica un cambio estructural profundo: la transición de la IA de consumidora de información a productora masiva de narrativas. Durante su fase de consumo, los sistemas se entrenan con un entorno digital donde conviven textos fiables, teorías conspirativas, sesgos históricos y errores acumulados. El problema no es la diversidad de datos, sino la ausencia de jerarquía epistemológica que permita distinguir su valor.

En la fase de amplificación, la IA reconfigura ese material sin mecanismos robustos de verificación de verdad. Reempaqueta la información en formatos persuasivos y acelera su difusión a una escala sin precedentes. De este modo, el sistema deja de ser únicamente un repositorio de conocimiento para convertirse en una factoría de narrativas.

El resultado es un ecosistema de realidad cada vez más inestable. La saturación informativa se vuelve constante, las fronteras entre lo real y lo simulado se difuminan, la confianza en las fuentes tradicionales disminuye y la verificación de hechos se vuelve progresivamente más compleja. En este contexto, la desinformación deja de ser una anomalía puntual y pasa a integrarse como un subproducto estructural del sistema informativo automatizado.

Por ello, la inteligencia artificial no puede entenderse únicamente como una herramienta neutral. Su funcionamiento actual la sitúa como un sistema de transformación masiva de información que puede tanto ampliar el acceso al conocimiento como intensificar sus distorsiones. El problema no es solo tecnológico, sino profundamente epistemológico: cómo distinguir la verdad cuando la falsedad puede ser generada, replicada y estilizada con la misma eficacia formal.

La respuesta no puede ser exclusivamente técnica. Requiere educación crítica, alfabetización mediática y nuevos marcos de gobernanza digital. En un entorno donde la inteligencia artificial amplifica todo, la cuestión central ya no es únicamente qué es información, sino qué significa todavía hablar de verdad.

La inteligencia artificial ya no solo “consume” información de internet, sino que está amplificando y reproduciendo desinformación a gran escala

Get Fact First. 2026. “AI Is Now Running the Mis and Disinformation.” Get Fact First (Substack). Accedido el 25 de mayo de 2026. https://getfactfirst.substack.com/p/ai-is-now-running-the-mis-and-disinformation

La inteligencia artificial ha pasado de ser una herramienta auxiliar en la producción y distribución de información a convertirse en un componente estructural dentro del ecosistema global de la desinformación. En lugar de limitarse a responder preguntas o resumir contenidos, los sistemas generativos actuales participan activamente en la circulación, reformulación y amplificación de narrativas informativas, incluidas aquellas que pueden ser falsas, sesgadas o directamente manipuladas.

El último informe de amenazas de la UE concluyó que el 27% de los incidentes de manipulación de información extranjera en 2025 involucraron IA. Y esto es solo lo que está en el dominio público. Rusia ha invertido una cifra récord de 1.850 millones de dólares en propaganda exterior para 2026, un 54% más en un año. Irán también está inyectando nuevo dinero en su cadena estatal de radiodifusión. La guerra de Irán de 2026 se ha convertido en un banco de pruebas en tiempo real, con Rusia y China ejecutando operaciones paralelas y compartiendo inteligencia mientras lo hacen.

Investigadores del Information Sciences Institute de la USC introdujeron un puñado de agentes de IA en una red social simulada y les dieron una única tarea: ejecutar una campaña de propaganda. Nadie los programó ni les indicó cómo hacerlo. Ellos lo resolvieron por sí mismos: publicaciones sincronizadas, inundación de hashtags, el mismo mensaje con distintas voces, y una coordinación del público objetivo. Cada acción que reconocerías de una operación de influencia real fue inventada desde cero por el software. Los investigadores lo dicen de forma sencilla: esto no es una amenaza futura, ya es técnicamente posible. Diez agentes lo hicieron en un laboratorio, y es seguro que esto ya lleva tiempo ocurriendo fuera de él. El coste de fabricar una realidad falsa ha caído prácticamente a cero, los presupuestos estatales detrás de ello están aumentando, y el ser humano ha quedado fuera del proceso.

Miremos las elecciones del año pasado en Irlanda. Días antes de la votación presidencial, apareció un falso boletín de “RTÉ News” anunciando que la candidata Catherine Connolly se había retirado de la carrera y que las elecciones se habían cancelado. Estuvo activo durante doce horas y acumuló 30.000 visualizaciones antes de ser retirado. Ella no se había retirado.

Una de las ideas centrales es que los modelos de IA no operan con una noción de verdad, sino con correlaciones estadísticas del lenguaje. Esto significa que su funcionamiento no se basa en comprobar la veracidad de los datos, sino en predecir la continuación más probable de un texto. En consecuencia, cuando la red contiene información incorrecta ampliamente difundida, existe el riesgo de que esa información sea integrada en los modelos y posteriormente reproducida con un formato convincente, lo que incrementa su credibilidad percibida. Este fenómeno genera lo que el artículo describe como una apariencia de autoridad sin verificación epistémica real.

El texto también enfatiza el carácter acumulativo del problema. La desinformación en internet no es nueva, pero la IA introduce una capa de aceleración y automatización. Plataformas, redes sociales, foros y sitios de baja fiabilidad constituyen un entorno donde la información circula sin control riguroso. En ese contexto, los modelos de IA actúan como sistemas de compresión y redistribución de información: sintetizan grandes volúmenes de contenido y lo devuelven al usuario en forma de respuestas claras y aparentemente neutrales. Sin embargo, esa síntesis puede diluir matices, eliminar fuentes o reforzar errores existentes.

Otro punto relevante del artículo es la transformación del fenómeno propagandístico. Tradicionalmente, la desinformación requería actores humanos que diseñaran campañas, produjeran contenido y lo distribuyeran de forma coordinada. Con la aparición de sistemas automatizados, ese proceso puede ejecutarse de manera continua, escalable y con menor coste. El resultado es un ecosistema donde bots, modelos generativos y herramientas de automatización pueden sostener narrativas falsas durante largos periodos sin intervención directa constante.

El artículo también introduce una dimensión social y cognitiva: la erosión progresiva de la confianza informativa. No se trata solo de que exista más información falsa, sino de que se debilita la capacidad del público para distinguir entre fuentes fiables y no fiables. Cuando los usuarios reciben respuestas coherentes, bien redactadas y aparentemente neutrales de sistemas automatizados, puede generarse una confianza excesiva en la forma del mensaje por encima de su contenido real.

El texto sugiere que la desinformación automatizada no es un fenómeno marginal, sino una tendencia estructural que podría redefinir la ecología informativa contemporánea. En este escenario, la IA no es únicamente un intermediario, sino un actor que participa en la construcción misma del espacio público digital, con implicaciones directas para la comunicación política, la ciencia, el periodismo y la educación mediática.

El problema de la primera respuesta: cómo la IA está cambiando la forma de pensar, verificar y aprender

“The First Answer Problem: The hidden impact of AI-generated answers on student thinking, verification, and access to information”. Publicado en la newsletter AI School Librarian en Substack. Disponible en: AI School Librarian – The First Answer Problem

Se analiza uno de los efectos más profundos y menos visibles de la inteligencia artificial generativa en la educación: el desplazamiento del proceso de búsqueda, reflexión y verificación por respuestas inmediatas generadas automáticamente. La autora sostiene que el problema no es únicamente que los estudiantes utilicen herramientas como ChatGPT o los resúmenes automáticos de buscadores, sino que estas tecnologías están modificando la manera en que las personas se relacionan con el conocimiento. En lugar de recorrer distintas fuentes, contrastar perspectivas y construir criterios propios, los usuarios tienden a aceptar la “primera respuesta” producida por la IA como si fuese una síntesis objetiva y suficiente de la realidad.

El texto explica que durante décadas el proceso de búsqueda de información implicaba una serie de pasos cognitivos importantes: formular preguntas, revisar resultados, distinguir entre fuentes fiables y dudosas, comparar interpretaciones y, finalmente, construir una conclusión propia. Con la irrupción de los sistemas de respuesta automática, gran parte de ese recorrido desaparece. El usuario recibe una respuesta cerrada, aparentemente coherente y redactada con autoridad. La consecuencia es que la búsqueda deja de ser una actividad intelectual activa para convertirse en una experiencia de consumo pasivo de información.

El artículo subraya que esta transformación afecta especialmente a los estudiantes jóvenes, quienes pueden llegar a pensar que investigar consiste simplemente en obtener una respuesta instantánea. Según la autora, el verdadero riesgo no es únicamente la posibilidad de errores o “alucinaciones” de la IA, sino la pérdida gradual de habilidades críticas como la duda, la verificación y el razonamiento independiente. La IA reduce la fricción cognitiva que tradicionalmente formaba parte del aprendizaje. Sin esa fricción —el esfuerzo de leer, seleccionar y evaluar— disminuyen también la memoria, la comprensión profunda y la capacidad de desarrollar pensamiento propio.

La reflexión conecta con investigaciones recientes sobre sistemas generativos y verificación del conocimiento. Diversos estudios señalan que los modelos de IA producen respuestas convincentes incluso cuando son incorrectas o cuando las referencias que proporcionan son falsas. Investigadores han demostrado que los sistemas de lenguaje pueden generar información plausible sin ser capaces de respaldarla adecuadamente con evidencias reales. Esta cuestión resulta especialmente preocupante en contextos educativos, donde muchos estudiantes todavía no poseen herramientas suficientes para distinguir entre una respuesta sólida y una explicación meramente persuasiva.

El artículo también plantea que los motores de búsqueda basados en IA están sustituyendo progresivamente el modelo clásico de exploración web. En lugar de ofrecer listas de enlaces diversos, presentan resúmenes únicos elaborados algorítmicamente. Investigaciones recientes denominan este fenómeno “burbujas de respuesta”, ya que diferentes sistemas de IA pueden ofrecer versiones distintas y sesgadas de la realidad dependiendo de las fuentes que prioricen. Esto supone una transformación profunda del acceso a la información: el usuario ya no navega entre múltiples voces, sino que recibe una interpretación sintetizada por un intermediario algorítmico.

La autora advierte además de que la aparente autoridad lingüística de la IA favorece una confianza excesiva. Las respuestas están redactadas con fluidez, seguridad y tono enciclopédico, lo que dificulta detectar errores o simplificaciones. Estudios recientes muestran que muchos sistemas reducen incluso las expresiones de duda o incertidumbre presentes en las fuentes originales, transmitiendo una sensación artificial de certeza. De esta manera, la IA no solo organiza la información, sino que también condiciona la percepción de qué conocimientos parecen indiscutibles.

En el ámbito educativo, el texto señala que esta dinámica puede generar estudiantes capaces de repetir respuestas elaboradas por IA sin haber desarrollado comprensión auténtica. Diversos debates en comunidades docentes reflejan precisamente esta preocupación: profesores observan que muchos alumnos utilizan herramientas generativas para resumir lecturas, construir opiniones o elaborar respuestas antes incluso de enfrentarse directamente al material original. El aprendizaje se vuelve superficial, apoyado en textos correctos formalmente pero desconectados de una verdadera elaboración intelectual.

El artículo defiende que las bibliotecas escolares y los profesionales de la información tienen un papel fundamental ante esta situación. No basta con enseñar a utilizar herramientas digitales; es necesario formar en alfabetización informacional avanzada. Esto implica enseñar a verificar fuentes, rastrear el origen de las afirmaciones, identificar sesgos algorítmicos y comprender cómo funcionan los modelos de IA. La autora propone recuperar la idea de que investigar no consiste en encontrar rápidamente una respuesta, sino en aprender a formular preguntas mejores y desarrollar pensamiento crítico.

La reflexión enlaza además con debates contemporáneos sobre la verificabilidad de las respuestas generadas por IA. Instituciones académicas y tecnológicas están trabajando en sistemas que permitan rastrear evidencias y validar automáticamente afirmaciones generadas por modelos de lenguaje. Sin embargo, el propio artículo sugiere que ningún sistema técnico sustituirá completamente la necesidad de juicio humano, especialmente en educación.

En todo esto se plantea una cuestión cultural de gran alcance: si las nuevas generaciones se acostumbran a aceptar respuestas inmediatas producidas algorítmicamente, podría debilitarse la capacidad social de cuestionar, contrastar y pensar de forma autónoma. El problema central no sería únicamente tecnológico, sino epistemológico y educativo. La IA modifica no solo cómo accedemos a la información, sino también cómo entendemos el acto mismo de conocer.

Repensar la evaluación en tiempos de inteligencia artificial: del producto final al proceso de aprendizaje

The AI School Librarian. “Grading in the AI Era: Research Literacy in the Age of AI, Week 13: How to Assess Reasoning, Verification, and Transparency.” The AI School Librarians Newsletter, 20 de abril de 2026. Substack. The AI School Librarians Newsletter

Se plantea una reflexión profunda sobre la crisis actual de los sistemas de evaluación educativa en un contexto marcado por la expansión de la inteligencia artificial generativa. El texto parte de una premisa contundente: si las rúbricas y modelos de calificación continúan premiando principalmente el acabado formal, la corrección gramatical o la apariencia de sofisticación textual, las herramientas de IA superarán fácilmente los criterios tradicionales de evaluación. Según el artículo, el problema central ya no consiste en “detectar trampas” o descubrir cuándo un estudiante ha utilizado IA, sino en replantear qué significa realmente aprender y qué aspectos del proceso intelectual merecen ser valorados.

La autora sostiene que gran parte de los sistemas educativos siguen fundamentándose en una lógica de evaluación heredada de la era pre-IA, centrada casi exclusivamente en el producto final: ensayos terminados, trabajos perfectamente estructurados, citas formateadas correctamente y redacciones libres de errores. Sin embargo, la inteligencia artificial es capaz de generar con rapidez precisamente ese tipo de productos. En consecuencia, la escuela se enfrenta a una disyuntiva fundamental: continuar evaluando elementos superficiales que las máquinas pueden imitar fácilmente o desplazar el foco hacia procesos cognitivos más complejos y genuinamente humanos. El texto insiste en que la verdadera evidencia del aprendizaje no reside únicamente en el resultado visible, sino en el recorrido intelectual que conduce hasta él: las dudas, revisiones, decisiones, errores, verificaciones y transformaciones del pensamiento.

Uno de los aspectos más relevantes del artículo es la idea de que la IA obliga a redefinir el concepto mismo de “autoría intelectual”. Tradicionalmente, muchos modelos de evaluación asumían que el texto presentado reflejaba directamente el pensamiento del estudiante. Sin embargo, en un escenario donde una herramienta puede redactar párrafos coherentes, producir tesis convincentes o incluso estructurar investigaciones completas, el profesorado necesita nuevas estrategias para distinguir entre producción automática y apropiación auténtica del conocimiento. El artículo argumenta que la clave no está en prohibir la IA, sino en diseñar evaluaciones capaces de hacer visible el razonamiento humano que hay detrás del trabajo.

Para responder a este desafío, el texto propone cuatro transformaciones estructurales en la evaluación. La primera consiste en calificar la evolución de la pregunta de investigación. En lugar de valorar únicamente la tesis final, se recomienda que el alumnado entregue también la pregunta inicial, las modificaciones posteriores y una explicación de cómo y por qué cambió su enfoque. Esta estrategia busca reconocer el refinamiento intelectual y la capacidad de replantear problemas, algo que constituye una parte esencial del pensamiento crítico. El aprendizaje deja así de verse como un acto instantáneo y pasa a entenderse como un proceso dinámico de exploración y reconstrucción conceptual.

La segunda transformación se centra en la justificación de las fuentes. El artículo subraya que, en una época saturada de información y contenido generado algorítmicamente, ya no basta con citar fuentes; es necesario demostrar por qué una fuente merece confianza. El alumnado debería explicar la credibilidad de los materiales utilizados, detectar sesgos, identificar limitaciones y contrastar datos mediante verificación cruzada. Esta orientación conecta directamente con las competencias de alfabetización informacional y mediática que tradicionalmente han promovido bibliotecarios y especialistas en documentación. La evaluación, por tanto, se desplaza desde la mera acumulación de referencias hacia la capacidad crítica para analizarlas y contextualizarlas.

La tercera propuesta del artículo es incorporar la transparencia como criterio explícito de evaluación. La autora defiende que los estudiantes deberían informar abiertamente sobre cómo utilizaron herramientas de IA, qué partes verificaron y qué decisiones éticas tomaron durante el proceso. Este enfoque intenta sustituir los modelos punitivos basados en vigilancia y sospecha por una cultura académica de honestidad y reflexión. En vez de criminalizar el uso de la inteligencia artificial, el sistema educativo debería enseñar a utilizarla de manera responsable, crítica y documentada. Según el texto, normalizar la transparencia reduce la dependencia de detectores automáticos de IA, cuya fiabilidad es limitada y cuya aplicación puede generar injusticias y desconfianza institucional.

La cuarta transformación aborda la importancia de la reflexión metacognitiva. El artículo propone que los estudiantes respondan preguntas relacionadas con la evolución de su pensamiento: qué cambió durante la investigación, qué evidencias resultaron más débiles o qué interrogantes quedaron sin resolver. Estas actividades buscan que el alumnado tome conciencia de sus propios procesos intelectuales y convierta el aprendizaje en una experiencia autorreflexiva. Además, la metacognición resulta especialmente difícil de automatizar, ya que implica conectar experiencias personales, decisiones contextuales y procesos internos de razonamiento.

Otro aspecto significativo del artículo es su crítica implícita a la cultura educativa basada exclusivamente en resultados cuantificables y estandarizados. La IA pone en evidencia las limitaciones de sistemas que privilegian la eficiencia, la apariencia formal y la producción rápida de textos. Frente a ello, la autora defiende modelos de evaluación más lentos, procesuales y centrados en la construcción del pensamiento. En esta visión, el aula deja de ser un espacio donde únicamente se “entregan productos” para convertirse en un entorno donde se documenta el desarrollo intelectual.

El texto también se relaciona con debates más amplios sobre alfabetización digital y ciudadanía crítica. La capacidad para verificar información, justificar decisiones y reflexionar sobre el uso ético de herramientas tecnológicas se presenta como una competencia esencial del siglo XXI. De este modo, la evaluación deja de ser solamente un mecanismo de medición académica y se transforma en un espacio de formación ética e intelectual. El artículo sugiere que la irrupción de la IA puede convertirse en una oportunidad para corregir debilidades estructurales que ya existían en los sistemas educativos mucho antes de la aparición de ChatGPT y otras plataformas generativas.

“Grading in the AI Era” propone una visión educativa basada en la autenticidad del pensamiento, la trazabilidad del aprendizaje y la centralidad del razonamiento humano. El artículo concluye que la inteligencia artificial no debería obligar a las instituciones educativas a reforzar modelos de vigilancia, sino a rediseñar profundamente sus prácticas pedagógicas. La verdadera cuestión ya no es si los estudiantes utilizan IA, sino si las escuelas son capaces de evaluar aquello que realmente importa: la capacidad de pensar, cuestionar, verificar, interpretar y construir conocimiento propio en colaboración crítica con las tecnologías emergentes

Inteligencia artificial y escritura académica: recomendaciones para un uso ético de la IA generativa

Cheng, Adam, Aaron Calhoun y Gabriel Reedy. “Artificial Intelligence-Assisted Academic Writing: Recommendations for Ethical Use.” Advances in Simulation 10, n.º 1 (2025): 22. https://doi.org/10.1186/s41077-025-00350-6

Se analiza de manera profunda el impacto de las herramientas de inteligencia artificial generativa —especialmente los grandes modelos de lenguaje como ChatGPT— en la escritura académica y científica. Los autores, Adam Cheng, Aaron Calhoun y Gabriel Reedy, abordan una cuestión central en el ecosistema universitario contemporáneo: cómo aprovechar las capacidades de la IA sin comprometer la integridad académica, la calidad científica ni la autoría intelectual.

El texto parte de una constatación evidente: desde la aparición pública de ChatGPT en 2022, el uso de herramientas de IA generativa se ha extendido rápidamente entre investigadores, estudiantes y docentes. Estas aplicaciones permiten resumir información, redactar borradores, corregir estilo, traducir textos, generar ideas e incluso estructurar artículos científicos completos. Sin embargo, los autores advierten que esta expansión se ha producido más rápido que la creación de marcos éticos y normativos claros. La comunidad académica se encuentra así ante un escenario ambiguo, en el que conviven enormes posibilidades de mejora de la productividad intelectual con riesgos serios para la credibilidad científica.

Uno de los aspectos más relevantes del artículo es la identificación de los principales peligros asociados al uso indiscriminado de la IA en la escritura académica. Los autores subrayan que los modelos generativos pueden producir “alucinaciones”, es decir, afirmaciones aparentemente verosímiles pero falsas, además de referencias bibliográficas inventadas o inexactas. Este fenómeno resulta especialmente problemático en contextos científicos, donde la verificabilidad y el rigor documental constituyen pilares fundamentales. También se aborda el riesgo de plagio involuntario, la reproducción de sesgos presentes en los datos de entrenamiento y la tendencia a generar textos estilísticamente homogéneos que pueden empobrecer la diversidad discursiva y crítica de la producción científica.

El artículo dedica una parte importante a examinar cómo las editoriales académicas y las revistas científicas están reaccionando frente a la irrupción de la IA generativa. Los autores señalan que muchas publicaciones científicas ya exigen transparencia explícita sobre el uso de herramientas de IA en la redacción de manuscritos. Algunas revistas prohíben considerar a la IA como autora de un trabajo, argumentando que carece de responsabilidad ética y legal sobre el contenido producido. Otras instituciones, en cambio, aceptan el uso de IA como herramienta auxiliar, siempre que exista supervisión humana y se informe claramente de su utilización. Este debate refleja una transformación profunda de los criterios tradicionales de autoría, originalidad y responsabilidad intelectual en la ciencia contemporánea.

Los autores no adoptan una postura tecnófoba. Por el contrario, reconocen que la IA puede aportar beneficios reales cuando se utiliza de manera crítica y controlada. El artículo describe tres grandes categorías de uso éticamente aceptable de la inteligencia artificial en la escritura académica. La primera es el apoyo lingüístico y editorial: mejorar gramática, claridad, estilo o traducción de textos, especialmente útil para investigadores que escriben en una lengua distinta de la materna. La segunda categoría incluye la organización y síntesis de información, como la generación de esquemas, resúmenes preliminares o estructuras de artículos. Finalmente, la tercera categoría contempla el apoyo creativo y cognitivo, por ejemplo en la generación de ideas iniciales o en la reformulación de conceptos complejos. En todos los casos, los autores insisten en que la supervisión humana es imprescindible y que la IA nunca debe sustituir el juicio crítico del investigador.

Uno de los aportes más importantes del trabajo es la formulación de cuatro principios éticos fundamentales para orientar el uso responsable de la IA en la escritura científica.

  1. El primero es la transparencia: los investigadores deben declarar de manera explícita cuándo y cómo han utilizado herramientas de IA.
  2. El segundo es la verificación humana: todo contenido generado debe ser revisado críticamente para garantizar exactitud, coherencia y autenticidad.
  3. El tercero es la responsabilidad intelectual: el autor humano sigue siendo plenamente responsable de los errores, sesgos o falsedades presentes en el texto final.
  4. El cuarto principio es la preservación de la integridad académica, evitando que la automatización sustituya procesos esenciales de reflexión, análisis y construcción de conocimiento. Estos principios buscan equilibrar innovación tecnológica y rigor científico en un contexto de cambio acelerado.

El artículo también plantea una reflexión más profunda sobre la naturaleza misma de la escritura académica. Los autores advierten que escribir no es simplemente producir texto, sino un proceso intelectual de elaboración de pensamiento, argumentación y aprendizaje. Si los investigadores delegan excesivamente estas funciones en sistemas automáticos, existe el riesgo de una “descapacitación académica”, es decir, una pérdida progresiva de habilidades críticas, analíticas y argumentativas. Esta preocupación conecta con debates actuales sobre alfabetización en IA, pensamiento crítico y el papel de las universidades en una sociedad crecientemente automatizada.

Otro aspecto relevante es que el artículo se centra especialmente en el ámbito de la simulación sanitaria y la investigación en salud, aunque sus conclusiones son extrapolables a prácticamente cualquier disciplina académica. Los autores consideran que el entorno científico necesita desarrollar urgentemente políticas institucionales claras, programas de formación en uso ético de IA y nuevas competencias de alfabetización digital que permitan a estudiantes e investigadores comprender tanto el potencial como las limitaciones de estas tecnologías. La IA deja de ser vista únicamente como una herramienta técnica y pasa a convertirse en un desafío cultural, educativo y epistemológico.

En conjunto, el trabajo constituye una de las aportaciones más relevantes y equilibradas sobre inteligencia artificial y escritura académica publicadas recientemente. Frente a posiciones extremas —ya sea de entusiasmo acrítico o de rechazo absoluto—, el artículo propone una vía intermedia basada en el uso responsable, transparente y supervisado de la IA. Los autores defienden que estas tecnologías pueden enriquecer el trabajo académico siempre que permanezcan subordinadas a la capacidad humana de análisis, interpretación y juicio ético. En definitiva, el texto plantea que el verdadero reto no es decidir si la IA debe utilizarse o no en la investigación científica, sino aprender a integrarla de forma que fortalezca, y no debilite, la integridad intelectual y la calidad del conocimiento producido.

Sabiduría humana para la era de la IA: una guía práctica para cultivar habilidades esenciales

American Association of Colleges and Universities (AAC&U). 2026. Human Wisdom for the Age of AI: A Field Guide. Washington, DC: AAC&U

Texto completo

El eje central del informe es la necesidad de reforzar lo que denomina “sabiduría humana” como competencia esencial para el siglo XXI. Frente a un entorno saturado de información y mediado por sistemas algorítmicos cada vez más potentes, el texto sostiene que no basta con desarrollar habilidades técnicas o cognitivas asociadas a la IA, sino que es imprescindible cultivar capacidades profundamente humanas: juicio ético, reflexión crítica, discernimiento moral y comprensión contextual.

La guía se inscribe en el enfoque clásico de las liberal arts education, defendiendo que la educación universitaria no debe limitarse a la adquisición de conocimientos técnicos, sino que debe promover habilidades transferibles como la indagación crítica, el razonamiento ético, la creatividad y la toma de decisiones responsable. En este marco, la “sabiduría” se entiende como una síntesis entre conocimiento, experiencia y juicio prudente, especialmente en situaciones complejas o ambiguas donde no existen respuestas algorítmicamente correctas.

El documento subraya que, en la era de la IA, la sabiduría humana adquiere un valor estratégico porque permite:

  • Interpretar críticamente la información generada por sistemas automatizados.
  • Evitar la dependencia acrítica de modelos de IA en la toma de decisiones.
  • Mantener la responsabilidad ética en contextos de automatización creciente.
  • Fomentar la autonomía intelectual frente a la delegación cognitiva en máquinas.

Además, la publicación se vincula con investigaciones contemporáneas sobre alfabetización en IA y formación universitaria, situando la sabiduría como un nivel superior en la jerarquía de habilidades cognitivas, por encima del conocimiento y la información, en línea con el modelo DIKW (data–information–knowledge–wisdom).

7 principios esenciales para usar la IA de forma responsable

Elon University, American Association of Colleges and Universities (AAC&U), and The Princeton Review. 2026. 7 Essential Principles for Student Use of Artificial Intelligence. Student Guide to Artificial Intelligence. https://studentguidetoai.org/7-essential-principles/

El documento “7 Essential Principles” forma parte de la serie Student Guide to Artificial Intelligence, un proyecto educativo desarrollado por la Elon University, la American Association of Colleges and Universities (AAC&U) y The Princeton Review. Su objetivo es ofrecer a los estudiantes universitarios un marco claro para integrar la inteligencia artificial en su formación académica de manera ética, crítica y responsable.

La guía parte de una idea central: la IA no es solo una herramienta técnica, sino un elemento transformador del aprendizaje que requiere desarrollar nuevas formas de alfabetización, responsabilidad y juicio crítico.

1. Conocer y respetar las normas de cada institución

El primer principio subraya la importancia de entender las políticas de uso de IA en cada universidad o asignatura. Estas reglas no son estáticas y pueden variar entre departamentos o profesores. El estudiante debe informarse activamente para evitar usos indebidos o conflictos con la integridad académica.

2. Aprender cómo funciona la IA

El documento insiste en que comprender los sistemas de IA es clave para usarlos bien. No basta con utilizarlos: es necesario conocer sus fortalezas, limitaciones, sesgos y modos de funcionamiento. Esto implica una actitud de curiosidad, exploración y aprendizaje continuo.

3. Actuar con ética

El tercer principio se centra en el uso responsable. Los estudiantes deben asegurarse de que su trabajo siga siendo auténtico, incluso cuando usan IA como apoyo. Se enfatiza la necesidad de citar y declarar el uso de IA, además de desarrollar pensamiento crítico para detectar errores, desinformación o sesgos algorítmicos.

4. Pensar más allá de la especialización

La IA se presenta como un fenómeno interdisciplinar. Por ello, se anima a los estudiantes a no limitarse a su campo de estudio, sino a desarrollar una visión amplia que integre conocimientos de distintas áreas, especialmente en relación con datos, tecnología y comunicación.

5. Compromiso con el aprendizaje permanente

Este principio destaca que la evolución de la IA será constante. Por tanto, los estudiantes deben adoptar una mentalidad de aprendizaje continuo, actualizándose en herramientas, competencias digitales y cambios tecnológicos a lo largo de su vida profesional.

6. Priorizar la privacidad y la seguridad

El texto advierte que los sistemas de IA no son espacios completamente privados. Por ello, se recomienda ser prudente con los datos personales, entender los términos de uso de las plataformas y minimizar la exposición de información sensible.

7. Cultivar las capacidades humanas

El último principio es el más humanista: frente al avance de la automatización, es fundamental reforzar habilidades como la empatía, la creatividad, la comunicación, el pensamiento crítico y las relaciones humanas. La IA no debe sustituir estas capacidades, sino coexistir con ellas.

En su totalidad, estos siete principios proponen un modelo de convivencia con la inteligencia artificial basado en tres pilares:

  • Conocimiento crítico de la tecnología
  • Responsabilidad ética y académica
  • Fortalecimiento de lo humano frente a la automatización

La guía no busca restringir el uso de IA, sino orientarlo hacia un aprendizaje más consciente, transparente y formativo, donde el estudiante siga siendo el agente principal del conocimiento.