Archivo de la etiqueta: Inteligencia artificial

Un relato premiado en un certamen literario internacional podría haber sido generado total o parcialmente por inteligencia artificial

Bransford, Nathan. 2026. “A Literary A.I. Scandal Arrives: This Week in Books.” Nathan Bransford Blog, mayo de 2026. https://nathanbransford.com/blog/2026/05/a-literary-a-i-scandal-arrives-this-week-in-books

El artículo de Nathan Bransford aborda un caso que ha sacudido al mundo editorial: la sospecha de que un relato premiado en un certamen literario internacional podría haber sido generado total o parcialmente por inteligencia artificial. Este hecho ha encendido las alarmas en el sector cultural, no tanto por un caso aislado, sino por lo que representa como síntoma de una transformación más profunda en la literatura contemporánea.

Un relato escrito por una persona que se declara entusiasta de la IA, con todas las huellas típicas de escritura generada por IA, ganó un prestigioso premio de Granta. Esto, como era de esperar, está generando una gran cantidad de lamentos y preocupaciones en el mundo de la escritura. El texto se centra en la controversia en torno al relato The Serpent in the Grove, cuya calidad estilística y ciertos patrones narrativos han despertado dudas entre críticos y lectores. Elementos como repeticiones estructurales, metáforas excesivamente pulidas o una uniformidad estilística inusual han alimentado la hipótesis de una posible autoría algorítmica. El problema de fondo, subraya el artículo, es que no existen herramientas fiables para distinguir con certeza entre escritura humana y texto generado por IA, lo que deja a los concursos literarios en una posición extremadamente vulnerable.

Bransford insiste en que este caso expone una grieta estructural en el sistema de validación literaria: la confianza. Los jurados trabajan bajo la presunción de autenticidad del autor, pero esa base empieza a resquebrajarse en un contexto donde los modelos de lenguaje pueden producir narrativas sofisticadas en segundos. Incluso los sistemas de detección de IA ofrecen resultados contradictorios, lo que agrava la incertidumbre y abre la puerta a controversias difíciles de resolver.

En ausencia de herramientas fiables de detección de IA y de pruebas de culpabilidad, la autora considera que se tiene más que temer de las cacerías de brujas impulsadas por la IA y de las falsas acusaciones (que afectarán de manera desproporcionada a escritores idiosincráticos y ya marginados) que del uso de la IA por parte de los escritores, incluso cuando se utilice de forma integral.

El artículo también amplía la discusión hacia el impacto cultural más amplio de la inteligencia artificial en la escritura. La literatura, tradicionalmente considerada una de las formas más humanas de expresión creativa, se enfrenta ahora a una tecnología capaz de imitar estilos, voces y emociones con una precisión creciente. Esto genera una crisis de identidad en el mundo literario: ¿qué significa ser autor en la era de la IA?

Bransford sugiere que este episodio no será un caso aislado, sino el inicio de una serie de conflictos similares en premios, editoriales y plataformas de publicación. La frontera entre creación humana y producción algorítmica se vuelve cada vez más difusa, y con ella se tambalea uno de los pilares fundamentales de la cultura escrita: la autenticidad.

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).

Análisis de las citas de los motores de búsqueda generativos para detectar la presencia de referencias generadas por IA

Allaham, Mowafak, and Nicholas Diakopoulos. 2026. Synthetic Sources?: Auditing Generative Search Engine Citations for Evidence of AI-Generated Sources. arXiv:2605.23684, May 2026. https://arxiv.org/abs/2605.23684

El artículo analiza un problema emergente en la ecosfera informativa contemporánea: la aparición de “fuentes sintéticas” en los sistemas de búsqueda generativa, es decir, referencias o citas que no provienen de documentos humanos tradicionales verificables, sino que podrían haber sido generadas parcial o totalmente por modelos de inteligencia artificial. Los autores se centran en cómo los motores de búsqueda basados en IA —que combinan recuperación de información con generación de texto— pueden introducir nuevos tipos de distorsión en la cadena de citación científica y periodística.


El trabajo parte de una preocupación central: los sistemas de búsqueda generativa no solo responden preguntas, sino que también construyen aparentes evidencias mediante citas, enlaces o referencias que parecen legítimas. Sin embargo, estas referencias pueden no corresponder a documentos reales, o pueden ser reconstrucciones plausibles generadas por el modelo. Esto plantea un riesgo crítico para la integridad del ecosistema informativo, ya que el usuario puede asumir que una cita es verificable cuando en realidad es una “alucinación documentada” o una fuente fabricada.

Metodológicamente, el estudio propone un enfoque de auditoría para examinar las respuestas de diferentes sistemas de búsqueda generativa. Los autores diseñan un conjunto de procedimientos para analizar la trazabilidad de las citas: verifican si los enlaces conducen a documentos reales, si las fuentes son consistentes con el contenido citado y si existen patrones recurrentes de generación de referencias inexistentes. Este enfoque permite clasificar las citas en diferentes categorías, incluyendo fuentes auténticas, fuentes parcialmente verificables y fuentes completamente sintéticas.

Los resultados muestran que una proporción significativa de las citas generadas por sistemas de IA no puede ser rastreada directamente a publicaciones reales o presenta inconsistencias importantes entre el contenido citado y la fuente original. Esto sugiere que los sistemas de búsqueda generativa pueden producir un tipo de “autoridad simulada”, donde la apariencia de rigor académico o periodístico no está respaldada por una verificación documental sólida.

El estudio analiza en total 19.154 fuentes (URLs con contenido recuperado) que han sido citadas por distintos sistemas de búsqueda generativa. Estas fuentes representan el conjunto de documentos que los modelos consultan y utilizan como apoyo para construir sus respuestas a los usuarios. En este corpus amplio, los investigadores intentan determinar no solo qué dominios se citan, sino también la naturaleza del contenido que contienen.

Dentro de este conjunto, el sistema de detección de contenido generado por inteligencia artificial —en este caso, el modelo Pangram— identifica dos categorías principales de contenido sintético. Por un lado, 2.916 fuentes son clasificadas como “Highly Likely AI”, es decir, textos con una alta probabilidad de haber sido generados por modelos de lenguaje o sistemas automáticos. Por otro lado, 140 fuentes adicionales se clasifican como “Likely AI”, lo que indica una probabilidad significativa, aunque algo menos concluyente, de haber sido producidas o fuertemente asistidas por IA.

Al sumar ambas categorías, el estudio concluye que existen 3.056 documentos sintéticos en total dentro de las fuentes analizadas. Esta cifra no implica únicamente textos completamente generados por IA, sino también aquellos que pueden haber sido parcialmente producidos o editados mediante herramientas de inteligencia artificial, lo que amplía el concepto de “contenido sintético” utilizado en el análisis.

En términos proporcionales, estos 3.056 documentos representan aproximadamente un 16% del total de fuentes examinadas. Este dato es especialmente relevante porque indica que una parte no menor de las fuentes utilizadas por los sistemas de búsqueda generativa podría estar influida por procesos automatizados de generación de texto, lo que introduce posibles sesgos o problemas de calidad en la cadena de información.

El estudio subraya además que esta cifra debe interpretarse como una estimación conservadora o “lower bound”, es decir, un límite inferior. Esto significa que el 16% probablemente no refleja la totalidad real del fenómeno, ya que existen limitaciones técnicas importantes: no todas las páginas pudieron ser analizadas, algunos contenidos multimodales (como PDFs, imágenes o vídeos) quedaron fuera, y además los detectores de IA tienen márgenes de error inherentes.

En consecuencia, los autores advierten que la presencia real de contenido sintético en las citas podría ser igual o incluso superior al 16% estimado. Este resultado sugiere que los sistemas de búsqueda basados en IA están construyendo sus respuestas sobre un ecosistema informativo donde el contenido generado por IA ya es una fracción significativa y potencialmente creciente del total de fuentes disponibles en la web.

El artículo también discute las implicaciones teóricas y prácticas de este fenómeno. En primer lugar, plantea un desafío epistemológico: la noción tradicional de citación como mecanismo de validación del conocimiento se ve erosionada cuando las citas pueden ser generadas artificialmente. En segundo lugar, advierte sobre el impacto en la confianza pública en sistemas de información, especialmente en contextos de alta sensibilidad como salud, política o investigación académica.
Finalmente, los autores proponen la necesidad de nuevos marcos de transparencia y auditoría para sistemas de búsqueda generativa. Esto incluye mecanismos automáticos de verificación de fuentes, estándares de trazabilidad de citas y políticas de diseño que eviten la generación de referencias no comprobables. El objetivo general es preservar la integridad del ecosistema informativo en un entorno donde la frontera entre contenido generado y contenido documentado se vuelve cada vez más difusa.

Google AI Overviews: la precisión de la inteligencia artificial en la búsqueda y el problema de la fiabilidad informativa

Scale comparing accurate AI overview with verified sources and inaccurate AI overview with erroneous sources
Balancing accurate AI overview against errors and hallucinations

Mickle, Tripp, Cade Metz, Dylan Freedman, Teresa Mondría Terol y Keith Collins. «How Accurate Are Google’s A.I. Overviews?» The New York Times, 7 de abril de 2026. https://www.nytimes.com/2026/04/07/technology/google-ai-overviews-accuracy.html
.

El funcionamiento y la fiabilidad de Google AI Overviews, el sistema de respuestas generadas por inteligencia artificial que aparece directamente en los resultados de búsqueda. El informe se centra en una cuestión clave del ecosistema digital actual: hasta qué punto estos resúmenes automáticos pueden considerarse fiables cuando están mediando entre los usuarios y la información en la web.

La investigación parte de una evaluación técnica realizada con metodologías de benchmarking, que sugiere que, aunque el sistema muestra un alto nivel de acierto general, sigue produciendo un volumen significativo de errores debido a la naturaleza probabilística de los modelos de lenguaje.

Uno de los hallazgos principales es que los AI Overviews alcanzan aproximadamente entre un 90% y 91% de precisión en tareas evaluadas, lo que en términos relativos puede parecer un rendimiento elevado. Sin embargo, el artículo subraya que esta cifra adquiere otra dimensión cuando se aplica a la escala masiva de Google, que procesa billones de consultas anuales. En este contexto, incluso un margen de error del 9–10% se traduce en millones de respuestas incorrectas difundidas diariamente, lo que plantea un problema estructural de fiabilidad en la infraestructura informativa global.

El texto también profundiza en la naturaleza del error en los sistemas de inteligencia artificial generativa. A diferencia de los motores de búsqueda tradicionales, que devuelven enlaces a fuentes externas, los AI Overviews sintetizan respuestas directamente. Este proceso implica que los modelos no “verifican” la verdad de la información, sino que generan textos basados en patrones estadísticos de lenguaje. Como resultado, pueden producir afirmaciones plausibles pero incorrectas, especialmente cuando las fuentes subyacentes son ambiguas, contradictorias o de baja calidad.

Otro aspecto relevante del análisis es el impacto epistemológico de este tipo de tecnología. El artículo señala que la integración de respuestas generadas por IA en la parte superior de los resultados de búsqueda transforma la relación entre usuarios e ინფორმაცია: en lugar de acceder a múltiples fuentes para contrastar información, los usuarios reciben una síntesis única que puede ocultar la diversidad o el conflicto entre datos. Esto introduce una tensión entre eficiencia y verificación, ya que la rapidez del acceso a la información puede debilitar los procesos de comprobación crítica.

El informe plantea implicaciones más amplias para el ecosistema digital y la confianza pública en la información en línea. Aunque Google defiende que el sistema mejora continuamente y reduce errores, el estudio sugiere que la escala del problema sigue siendo significativa. En consecuencia, el artículo concluye que la cuestión central no es solo la precisión técnica del sistema, sino su impacto en la arquitectura del conocimiento digital: la forma en que la inteligencia artificial reconfigura qué información se ve, cómo se interpreta y en qué medida puede considerarse fiable en un entorno informativo cada vez más mediado por algoritmos.

La Inteligencia Artificial actúa como un megáfono distorsionador de desinformación masiva

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

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

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

El núcleo del problema: Del consumo a la factoría

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Entre sus capacidades principales destacan:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Google publica una guía oficial para optimizar contenidos en la búsqueda generativa basada en IA

Two people at a table reviewing a guide titled Optimizing for Generative AI, with a screen showing structured data concepts
Two Google employees discuss strategies for optimizing generative AI using a detailed guide

Google Developers. “Optimizing Your Website for Generative AI Features on Google Search.” Google Search Central. Consultado el 24 de mayo de 2026.

Google ha publicado una nueva guía oficial destinada a explicar cómo deben adaptarse los sitios web al nuevo ecosistema de búsqueda impulsado por inteligencia artificial. El documento forma parte de la documentación de Google Search Central y está centrado en las funciones generativas de búsqueda, especialmente los denominados “AI Overviews” y el “AI Mode”, sistemas que utilizan modelos de IA para sintetizar respuestas directamente en el buscador.

La guía representa uno de los posicionamientos más claros de Google sobre el futuro del SEO en la era de la IA generativa y busca desmontar muchas prácticas especulativas que habían proliferado en torno al llamado GEO (Generative Engine Optimization) o AEO (Answer Engine Optimization).

El mensaje central del documento es que la optimización para la IA no constituye una disciplina independiente del SEO tradicional. Google insiste en que las funciones generativas continúan utilizando los mismos sistemas de indexación, calidad y clasificación que alimentan la búsqueda convencional. Según la compañía, no existe un “índice especial para IA” ni un algoritmo paralelo destinado exclusivamente a las respuestas generadas automáticamente. En consecuencia, las prácticas fundamentales del SEO —como la creación de contenido útil, original, fiable y técnicamente accesible— siguen siendo el núcleo de la visibilidad digital en los nuevos entornos de búsqueda asistida por IA.

La guía también dedica un espacio importante a desmontar ciertos mitos que se habían popularizado entre consultores y empresas de marketing digital. Google afirma explícitamente que no son necesarias estrategias específicas como el uso de archivos “llms.txt”, la creación de marcado estructurado exclusivo para IA, la fragmentación artificial de contenidos (“chunking”) o la reescritura de textos para adaptarlos a supuestos patrones de lectura de modelos generativos. La empresa considera que muchas de estas prácticas no aportan beneficios reales y, en algunos casos, pueden derivar en estrategias artificiales o spam.

Otro aspecto relevante del documento es la importancia que Google concede al contenido “no commodity”, es decir, a la información original, experiencial y difícilmente replicable por sistemas automáticos. La guía sugiere que la IA tenderá a valorar especialmente testimonios, experiencias directas, análisis especializados y contenidos elaborados desde una perspectiva humana auténtica. Esto implica que los materiales genéricos, fácilmente reproducibles por herramientas de IA, podrían perder visibilidad frente a contenidos con mayor profundidad contextual y autoridad temática.

La publicación de esta guía se enmarca dentro de una transformación mucho más amplia del buscador de Google. En los últimos meses, la compañía ha anunciado cambios profundos en Search mediante la integración de modelos Gemini y nuevas experiencias conversacionales capaces de interpretar consultas complejas, imágenes, documentos y contextos personalizados. Estas funciones convierten progresivamente el buscador en una plataforma híbrida entre motor de búsqueda y asistente conversacional inteligente.

El debate generado alrededor de estas tecnologías también ha despertado preocupación en el ámbito académico y editorial. Investigaciones recientes advierten de que las respuestas generadas por IA modifican profundamente la relación entre usuarios, buscadores y medios de comunicación, ya que el sistema sintetiza información procedente de múltiples fuentes reduciendo potencialmente el tráfico hacia los sitios originales. Algunos estudios señalan además que una parte significativa de las afirmaciones generadas por los sistemas AI Overviews pueden contener omisiones o referencias insuficientemente respaldadas.

En conjunto, la nueva guía de Google supone un intento de estabilizar el ecosistema SEO frente a la proliferación de tácticas oportunistas surgidas con el auge de la IA generativa. La empresa reafirma que la calidad del contenido, la experiencia del usuario, la autoridad temática y la accesibilidad técnica continúan siendo los pilares fundamentales de la visibilidad digital, incluso en una etapa en la que las respuestas automatizadas y los agentes inteligentes están redefiniendo el funcionamiento tradicional de la web.