Archivo de la etiqueta: Inteligencia artificial

La publicación del patrimonio cultural en la era de la IA.

Keller, Paul. 2025. Publishing Cultural Heritage in the Age of AI. Con contribuciones de Alek Tarkowski, Antoine Isaac, Ariadna Matas Casadevall, Harry Verwayen y Lorena Dianel Aldana. Open Future Foundation. https://lnkd.in/dyxrT74y

El informe Publishing Cultural Heritage in the Age of AI, elaborado por la Open Future Foundation junto con Europeana Foundation, analiza uno de los desafíos más urgentes para las instituciones de patrimonio cultural en la actualidad: cómo compartir sus datos en un contexto marcado por el desarrollo acelerado de la inteligencia artificial.

El documento parte de una constatación clave: los modelos tradicionales de acceso a colecciones culturales fueron diseñados para el uso individual humano y resultan insuficientes ante la creciente demanda de acceso masivo y automatizado para el entrenamiento y uso de sistemas de IA.

El texto identifica una tensión estructural entre los compromisos históricos de acceso abierto de bibliotecas, archivos y museos, y la realidad del uso intensivo de datos por parte de actores tecnológicos, incluidos desarrolladores de IA generativa. Mientras que el acceso abierto ha promovido la democratización del conocimiento, el uso a gran escala de los datos culturales plantea interrogantes sobre la sostenibilidad institucional, la integridad del patrimonio, la atribución, la explotación comercial y la pérdida de control sobre los usos derivados.

Como respuesta, el informe propone un marco de acceso diferenciado, basado en principios de interés público. Este enfoque no rechaza el acceso abierto, sino que lo complementa con condiciones específicas para determinados usos de IA, distinguiendo entre reutilización alineada con el mandato público de las instituciones y usos que pueden requerir salvaguardas adicionales. El objetivo es equilibrar tres pilares fundamentales: mantener el acceso abierto cuando sea apropiado, fomentar una innovación responsable y proteger la confianza pública en las instituciones patrimoniales.

El marco planteado ofrece orientaciones prácticas para que las instituciones culturales puedan decidir cuándo aplicar acceso abierto, acceso condicionado o acuerdos específicos, teniendo en cuenta factores como el tipo de datos, la finalidad del uso, el impacto social y la coherencia con sus misiones públicas. En lugar de establecer normas cerradas, el documento subraya la necesidad de una gobernanza reflexiva y contextual, capaz de adaptarse a distintos escenarios tecnológicos y legales.

Finalmente, el informe se presenta explícitamente como una invitación al diálogo y no como un modelo prescriptivo. Forma parte del proceso colectivo Alignment Assembly on Culture for AI, enmarcado en el espacio europeo común de datos para el patrimonio cultural. Desde esta perspectiva, el texto busca contribuir a una conversación más amplia sobre el papel de las instituciones culturales en la era de la IA y sobre cómo garantizar que el uso de los datos patrimoniales siga sirviendo al interés público y a los valores democráticos.

Las alucinaciones en los modelos de lenguaje aplicados a la comunicación académica

Lamba, Naveen, Sanju Tiwari y Manas Gaur. “Hallucinations in Scholarly LLMs: A Conceptual Overview and Practical Implications.” Ponencia presentada en Bridge on Artificial Intelligence for Scholarly Communication (AAAI-26), 2025. Open Conference Proceedings. Hannover: TIB – Leibniz Information Centre for Science and Technology.
https://www.tib-op.org/ojs/index.php/ocp/article/view/3175/3207

Las alucinaciones incluyen resultados de investigación inventados, ideas de referencias falsas e inferencias malinterpretadas que destruyen la credibilidad y la fiabilidad de los escritos académicos

Se aborda de forma amplia la problemática de las alucinaciones generadas por modelos de lenguaje grandes (LLMs) en contextos académicos y de investigación. Comienza definiendo las alucinaciones como salidas de los modelos que no están fundamentadas en hechos reales —por ejemplo, resultados de investigación inventados, referencias bibliográficas fabricadas o inferencias erróneas— y explica cómo estas pueden comprometer la credibilidad y confiabilidad de la escritura académica asistida por IA

El documento identifica los principales tipos, causas y efectos de estas alucinaciones en el flujo de trabajo académico, subrayando que las LLMs pueden producir información plausible pero incorrecta, lo que es especialmente problemático cuando se integran en herramientas que asisten en la redacción, revisión o gestión del conocimiento científico. Para contrarrestar estos problemas, los autores discuten medidas pragmáticas de mitigación como la generación de respuestas ancladas en recuperación de información (RAG), la verificación automatizada de citas y estrategias neurosimbólicas que combinan enfoques simbólicos con modelos de IA para asegurar la veracidad de los hechos y la transparencia en los resultados generados. Asimismo, destacan la importancia de una colaboración humano-IA responsable para desarrollar sistemas que sean tanto precisos como verificables en entornos de investigación.

Para enfrentar estas limitaciones, la ponencia describe estrategias prácticas para mitigar las alucinaciones en entornos académicos. Entre ellas se incluyen:

  • Generación anclada en recuperación de información (RAG), que combina la capacidad generativa de los LLMs con una verificación contra bases de datos externas verificadas.
  • Técnicas de verificación automática de citas y fuentes, para asegurar que las referencias sugeridas por el modelo correspondan a publicaciones existentes y adecuadamente verificadas.
  • Hibridación simbólica/neurosimbólica, que integra métodos que permiten comprobar reglas o hechos previamente establecidos en sistemas de conocimiento simbólico, reduciendo así la probabilidad de que el modelo fabrique información no verificada

Frontiers FAIR² Data Management recupera la ciencia perdida: cómo la IA transforma los datos invisibles en conocimiento reutilizable

Frontiers. “90% of Science Is Lost. This New AI Just Found It.” ScienceDaily, October 13, 2025. https://www.sciencedaily.com/releases/2025/10/251013040314.htm

Una gran cantidad de datos de investigación valiosos permanecen sin utilizar, atrapados en laboratorios o perdidos en el tiempo. Frontiers pretende cambiar esta situación con FAIR Data Management, un innovador sistema impulsado por IA que hace que los conjuntos de datos sean reutilizables, verificables y citables. Al unir la curación, el cumplimiento, la revisión por pares y la visualización interactiva en una sola plataforma, FAIR² permite a los científicos compartir su trabajo de forma responsable y obtener reconocimiento.

La gran mayoría de los datos generados nunca se reutilizan ni contribuyen de forma significativa a nuevos descubrimientos. Según la evaluación citada, una proporción abrumadora de datos —hasta un 90 %— queda atrapada en laboratorios, no se comparte adecuadamente o se pierde en archivos inaccesibles, lo que frena el progreso en áreas críticas como la medicina, el cambio climático y la tecnología. Este desperdicio de información no solo reduce la eficiencia de la investigación global, sino que también limita la reproducibilidad de los estudios y la capacidad de construir sobre trabajos previos, una componente fundamental del método científico moderno.

Para enfrentar este desafío, la editorial y organización científica Frontiers ha desarrollado un sistema innovador denominado Frontiers FAIR² Data Management, que combina herramientas avanzadas de inteligencia artificial con principios sólidos de gestión de datos. El objetivo principal de esta plataforma es aplicar de manera automatizada y a gran escala los principios FAIR (findable, accessible, interoperable, reusable — en español: localizable, accesible, interoperable y reutilizable) y expandirlos en un marco que garantice la compatibilidad con sistemas de IA y la integridad ética de los conjuntos de datos. Al integrar procesos de curación, revisión por pares, visualización interactiva y certificación dentro de un único sistema impulsado por IA, FAIR² pretende transformar conjuntos de datos “perdidos” en recursos útiles y citables que puedan impulsar nuevas investigaciones, acelerar descubrimientos y reconocer adecuadamente el trabajo de los investigadores.

El funcionamiento práctico de FAIR² va más allá de simplemente archivar datos. Cuando un científico somete sus resultados a este sistema, no solo se asegura de que los datos sean estructurados y completos, sino que también recibe una salida múltiple: un paquete de datos certificado, un artículo de datos revisado y citable, herramientas de visualización interactiva y un certificado FAIR² que respalda la calidad y reutilización del conjunto. Esta estrategia integral busca eliminar las barreras tradicionales para el intercambio de datos y fomentar una cultura científica en la que cada conjunto de datos tenga el potencial de generar conocimiento adicional, reducir el tiempo entre descubrimiento y aplicación práctica, y asegurar que las inversiones en investigación rindan un impacto mucho mayor del que logran actualmente.

Las bibliotecas están abriendo las obras digitalizadas de dominio público para entrenar los modelos de IA

“Libraries Open Their Archives to Train AI Chatbots With Books Spanning Centuries of Human Knowledge.” Milwaukee Independent, November 8, 2025. https://www.milwaukeeindependent.com/newswire/libraries-open-archives-train-ai-chatbots-books-spanning-centuries-human-knowledge/

Varias bibliotecas y universidades están abriendo sus archivos históricos para entrenar chatbots de inteligencia artificial con libros que abarcan siglos de conocimiento humano.

Esta iniciativa responde a la necesidad de proporcionar datos más ricos y culturalmente diversos a los modelos de IA, que tradicionalmente han aprendido sobre la base de contenido generado en internet, como publicaciones en redes sociales y Wikipedia, y que muchas veces carece de profundidad histórica o lingüística. Como parte de esta tendencia, la Universidad de Harvard liberó una colección de casi un millón de libros publicados desde el siglo XV en adelante, en más de 250 idiomas, que ahora están disponibles para investigadores y desarrolladores de IA.

El propósito de abrir estos archivos es ofrecer una alternativa de datos de entrenamiento que sea legal y menos polémica que el uso de textos con derechos de autor sin permiso, un tema que ha generado múltiples demandas contra grandes empresas tecnológicas por el uso no autorizado de obras protegidas. Expertos citados en el artículo explican que el dominio público constituye un recurso “prudente” para construir conjuntos de datos sin conflictos legales, al tiempo que aporta una riqueza de información cultural, histórica y lingüística que las fuentes digitales modernas no siempre proporcionan. Además, iniciativas como la “Institutional Books 1.0” —el conjunto de datos publicado por Harvard que contiene cientos de millones de páginas escaneadas de obras históricas— están siendo compartidas en plataformas abiertas como Hugging Face para ampliar su accesibilidad.

Este enfoque colaborativo entre bibliotecas, universidades y empresas de tecnología también está siendo respaldado financieramente por grandes actores como Microsoft y OpenAI, que han financiado proyectos de digitalización y preparación de archivos para uso en IA. La Biblioteca Pública de Boston, por ejemplo, ha puesto énfasis en que cualquier material digitalizado en el marco de estas colaboraciones debe permanecer accesible al público, contribuyendo así a la misión tradicional de las bibliotecas de servir a sus comunidades. A pesar de las ventajas, los especialistas advierten sobre posibles desafíos, como la presencia de contenido desactualizado o incluso dañino en textos antiguos, que exige decisiones informadas sobre cómo utilizar estos datos de manera responsable para entrenar sistemas de inteligencia artificial sin reproducir prejuicios históricos o errores científicos.

Formular solicitudes peligrosas en forma de poesía puede hacer que chatbots de IA generen contenido prohibido

Gault, Matthew. “Poems Can Trick AI Into Helping You Make a Nuclear Weapon.” Wired, November 28, 2025. https://www.wired.com/story/poems-can-trick-ai-into-helping-you-make-a-nuclear-weapon/

Un estudio reciente de Icaro Lab ha descubierto una brecha importante en los sistemas de seguridad de los grandes modelos de lenguaje (LLMs): formular solicitudes peligrosas en forma de poesía puede hacer que chatbots de IA generen contenido prohibido, como instrucciones sobre cómo fabricar armas nucleares o malware, que normalmente rechazarían si la petición fuese directa. La técnica, denominada “poetic jailbreak”, logra evadir las barreras de seguridad tradicionales al enmascarar la intención dañina en versos con metáforas, sintaxis fragmentada y secuencias de palabras inesperadas que confunden los mecanismos de clasificación y filtrado de las IA. Estas solicitudes diseñadas para reconocer y bloquear solicitudes dañinas basadas en palabras clave u otros patrones, resultan sorprendentemente frágiles ante variaciones estilísticas del lenguaje, como las que presenta la poesía.

Los investigadores probaron su método en 25 modelos de chatbot de diferentes proveedores importantes, incluidos sistemas de OpenAI, Meta y Anthropic, y encontraron que la poesía logró tasas significativas de “jailbreak” —es decir, de respuesta a solicitudes peligrosas— con un promedio de alrededor del 62% en poemas elaborados a mano y alrededor del 43% en conversiones automáticas de prosa a verso. En algunos casos con modelos de vanguardia, las tasas de éxito alcanzaron hasta el 90%, lo que demuestra que incluso peticiones sofisticados pueden fracasar cuando se enfrentan a formas creativas de lenguaje que alteran las rutas de procesamiento interno del modelo sin cambiar el contenido semántico básico de la pregunta.

En términos técnicos, los autores explican que los elementos poéticos —como la elección de palabras de baja probabilidad y las estructuras inusuales— pueden desplazar las representaciones internas de los prompts fuera de las regiones del espacio semántico que las herramientas de seguridad escanean habitualmente. Para los humanos, un verso enmascarado y una pregunta directa pueden tener el mismo significado, pero para las IA y sus sistemas de protección automatizados, la poesía puede alterar cómo se interpreta y evalúa una petición, evitando que se active una alarma o un “shutdown” ante contenidos sensibles. Este hallazgo subraya limitaciones fundamentales en los métodos actuales de alineación y evaluación de seguridad de los modelos, y plantea interrogantes urgentes sobre cómo reforzar las defensas contra ataques lingüísticos creativos que explotan este tipo de vulnerabilidades.

Del buscar al responder: el enfoque CARE y el nuevo papel del bibliotecario universitario ante la IA generativa

Lo, Leo S. “The CARE Approach for Academic Librarians: From Search First to Answer First with Generative AI.” The Journal of Academic Librarianship 52, no. 1 (enero 2026): 103186. https://doi.org/10.1016/j.acalib.2025.103186

En el entorno académico actual, estudiantes y profesores cada vez más inician sus investigaciones solicitando explicaciones a sistemas de inteligencia artificial en lugar de comenzar con la búsqueda tradicional en los recursos de la biblioteca. Las herramientas de IA y los motores de búsqueda avanzados proporcionan respuestas desarrolladas incluso antes de que el usuario vea una lista de fuentes académicas. Este fenómeno transforma el punto de partida de la indagación académica y plantea nuevos desafíos para las prácticas de la bibliotecología.

Dado este cambio hacia un enfoque de “respuesta primero”, el autor sostiene que los bibliotecarios también deben evolucionar su mentalidad y estrategias de intervención. En lugar de simplemente ofrecer acceso a recursos, los bibliotecarios necesitan reconocer las respuestas generadas por IA como textos que demandan interpretación y análisis crítico. Para ello, se propone la creación de una tipografía de respuestas que ayude a identificar la función que cumplen estas respuestas automatizadas.

Finalmente, el artículo propone el enfoque CARE —por sus siglas en inglés: Classify, Assess, Review, Enhance (Clasificar, Evaluar, Revisar, Mejorar)— como un marco metodológico para interactuar críticamente con las respuestas de IA en colaboración con los usuarios. Este enfoque sitúa a los bibliotecarios como guías que ayudan a sus comunidades académicas a leer, cuestionar y ampliar las respuestas generadas por IA manteniendo el juicio humano y la evidencia científica en el centro de la investigación.

Casi todo lo que has oído sobre IA y recortes de empleo es incorrecto: aquí está el porqué 

McKendrick, Joe. 2025. “Nearly Everything You’ve Heard About AI and Job Cuts Is Wrong — Here’s Why.” ZDNet, 23 de septiembre de 2025. https://www.zdnet.com/article/nearly-everything-youve-heard-about-ai-and-job-cuts-is-wrong-heres-why/

El artículo cuestiona de forma crítica uno de los relatos más extendidos sobre la inteligencia artificial en el ámbito laboral: la idea de que la IA provocará recortes masivos de empleo, especialmente entre los trabajadores de cuello blanco.

Según Joe McKendrick, las predicciones que anuncian la desaparición del 50 % de los puestos de trabajo debido a la IA están enormemente exageradas y carecen de una base realista. El problema central no es la tecnología en sí, sino el modo en que se está gestionando su adopción. En este sentido, el texto subraya que el mayor reto actual de la IA es un déficit de liderazgo capaz de moderar expectativas, disipar temores y establecer marcos claros de uso responsable.

Apoyándose en las reflexiones de Tom Davenport, una de las figuras más influyentes en el ámbito de la analítica de datos y la IA, el artículo sostiene que la transformación real impulsada por la inteligencia artificial será mucho más lenta de lo que suele afirmarse. A pesar del flujo constante de nuevos modelos y de los anuncios sobre una supuesta inminencia de la inteligencia artificial general, muchas organizaciones siguen sin saber cómo obtener un valor medible de estas tecnologías. El motivo principal es que la verdadera transformación no se logra simplemente incorporando nuevas herramientas, sino que exige una reingeniería profunda de los procesos, proyectos a escala organizativa y años de esfuerzo sostenido.

Desde esta perspectiva, la IA se asemeja a anteriores olas tecnológicas: por sí sola no genera valor económico si no va acompañada de cambios estructurales en la forma de trabajar. El artículo desacredita la creencia de que bastaría con introducir sistemas generativos y redactar buenos “prompts” para lograr mejoras significativas. Davenport desmonta también el mito de que la IA eliminará masivamente los empleos de entrada, señalando una contradicción clave: si las empresas prescinden de los puestos junior, ¿cómo formarán a los profesionales experimentados del futuro? Según su experiencia, esta pregunta lleva más de una década sin una respuesta convincente por parte de las organizaciones.

El texto advierte además de los riesgos de que los consejos de administración y los altos directivos adopten una visión simplista según la cual la IA permitirá reducir drásticamente las plantillas. No solo considera irrealista ese escenario, sino también contraproducente. Promover la idea de que la adopción exitosa de la IA llevará al despido de los empleados desincentiva la implicación del personal y genera un clima de miedo que dificulta la innovación. En lugar de ello, el artículo defiende que la IA puede —y probablemente deberá— crear nuevos roles y ocupaciones, aunque todavía no sepamos con claridad cuáles serán.

Uno de los conceptos clave introducidos es el de vibe coding, entendido como una nueva forma de desarrollo ciudadano facilitada por la IA. Según Davenport, la inteligencia artificial convierte a prácticamente cualquier persona en un “desarrollador ciudadano”, capaz de crear aplicaciones, páginas web o herramientas funcionales sin conocimientos técnicos avanzados. Este fenómeno abre enormes oportunidades para la creatividad y la productividad, pero también implica riesgos si no se gestiona adecuadamente.

Por ello, el artículo insiste en la necesidad de establecer límites y sistemas de gobernanza claros. No todas las tareas son adecuadas para este tipo de desarrollo asistido por IA. Davenport propone un esquema de “semáforo”: actividades prohibidas (rojo), tareas que pueden realizarse con fuertes controles (amarillo) y usos plenamente aceptables (verde). Sin este tipo de criterios, el entusiasmo por la IA puede derivar en problemas graves, especialmente en sistemas críticos como los financieros o de recursos humanos.

Finalmente, el texto subraya la urgencia de contar con un liderazgo unificado en materia de tecnología y datos. La proliferación de cargos directivos relacionados con la IA —CIO, CTO, CDO, CAIO— ha generado fragmentación y falta de coordinación. Davenport aboga por una figura única, con visión estratégica y capacidad de interlocución con la alta dirección, que sea capaz de guiar la adopción de la IA sin caer en la exageración ni en el miedo.

Los bibliotecarios están desbordados por acusaciones de ocultar libros de referencias inexistentes que realmente fueron inventadas por alucinaciones de la IA

Novak, Matt. 2025. “Librarians Are Tired of Being Accused of Hiding Secret Books That Were Made Up by AI.” Gizmodo, 11 de diciembre de 2025. https://gizmodo.com/librarians-arent-hiding-secret-books-from-you-that-only-ai-knows-about-2000698176

Todo el mundo sabe que los chatbots con IA como ChatGPT, Grok y Gemini suelen inventarse fuentes. Pero para las personas encargadas de ayudar al público a encontrar libros y artículos de revistas, las referencias falsas de la IA están pasando factura. Según una nueva publicación de Scientific American, los bibliotecarios parecen absolutamente agotados por las solicitudes de títulos que no existen.

Una problemática creciente en bibliotecas y centros de información provocada por la expansión del uso de chatbots de inteligencia artificial como ChatGPT, Grok o Gemini: la generación de títulos de libros, artículos y citas que en realidad no existen. Estas herramientas, debido a sus frecuentes “alucinaciones” (es decir, respuestas plausibles pero inventadas), han llevado a que muchos usuarios crean que dichos títulos son reales y se dirijan a los bibliotecarios con solicitudes para encontrarlos. Esta situación está causando frustración entre los profesionales de la información, quienes deben invertir tiempo y esfuerzo en demostrar que tales obras no existen en ningún catálogo o archivo conocido.

Según testimonios recopilados, como el de Sarah Falls del Library of Virginia, alrededor del 15% de las consultas de referencia recibidas por correo electrónico provienen directamente de sugerencias generadas por IA, muchas de las cuales incluyen títulos inventados o citas erróneas. Lo que agrava la situación no es solo la frecuencia de estas consultas, sino también el hecho de que parte del público confía más en la respuesta de la IA que en la experiencia de un bibliotecario profesional, lo cual ha generado situaciones tensas en las que usuarios insisten en la existencia de un libro pese a la demostración de que este nunca fue publicado.

Asimismo, el artículo señala que esta tendencia plantea un desafío más amplio para la comunidad académica y científica, ya que diluir la calidad de las referencias podría erosionar la confianza en el sistema de investigación y en la fiabilidad de las fuentes. Mientras que los modelos de IA pueden ser útiles para sintetizar o resumir información, su falta de capacidad para verificar hechos contra bases de datos reales implica que las instituciones y los investigadores deben adoptar prácticas de verificación más estrictas y educar a los usuarios sobre las limitaciones de estas tecnologías. Esto incluye pedir a quienes hagan consultas que indiquen si la referencia proviene de una IA y animarles a validar independientemente cualquier cita recibida.

La revista TIME designó en 2025 a los “Arquitectos de la Inteligencia Artificial” como persona del año

Reuters. 2025. “‘Architects of AI’ Named Time’s Person of the Year 2025.” December 11, 2025. https://time.com/7339685/person-of-the-year-2025-ai-architects/

La revista TIME designó en 2025 a los “Arquitectos de la Inteligencia Artificial” como Persona del Año, un reconocimiento no a una figura individual, sino a todo un grupo de líderes que han diseñado y transformado el ecosistema global de la IA.

Esta elección simboliza el momento histórico en que la inteligencia artificial pasó de ser un avance tecnológico a convertirse en una fuerza determinante en la vida cotidiana, en la economía y en el funcionamiento de las instituciones.

El artículo subraya que 2025 marcó un punto de inflexión: la IA dejó de ser una herramienta de nicho y se convirtió en un componente esencial para millones de personas. Modelos como ChatGPT y sistemas de IA aplicados en salud, educación o industria demostraron su capacidad para resolver problemas complejos y acelerar procesos. La labor de estos arquitectos permitió que la tecnología avanzara a una velocidad sin precedentes y ampliara su alcance a prácticamente todos los sectores. Esta selección reconoce a quienes han impulsado el desarrollo, la adopción y la expansión global de la IA, transformando industrias y la vida cotidiana. Entre ellos están Jensen Huang, Sam Altman, Elon Musk, Mark Zuckerberg, Lisa Su, Demis Hassabis, Dario Amodei y Fei-Fei Li.

Jensen Huang es CEO de Nvidia, la empresa que fabrica los chips que alimentan la mayoría de los sistemas de IA modernos. Su liderazgo ha llevado a Nvidia a convertirse en uno de los pilares de la infraestructura de la inteligencia artificial. Sam Altman, como CEO de OpenAI, es una de las figuras más visibles detrás de modelos de lenguaje como ChatGPT, que han popularizado la IA en todo el mundo. Elon Musk, fundador de xAI y de empresas como Tesla y SpaceX, ha invertido fuertemente en tecnologías de IA y ha influido en el debate público sobre su futuro.

Mark Zuckerberg, al frente de Meta, ha integrado capacidades de IA en redes sociales y aplicaciones de gran uso global. Lisa Su, CEO de AMD, dirige una de las principales empresas de semiconductores que compiten en la producción de hardware para IA. Demis Hassabis, líder de Google DeepMind, es conocido por avances en investigación de IA, y Dario Amodei, CEO de Anthropic, destaca por su trabajo en modelos de lenguaje y seguridad. Finalmente, Fei-Fei Li, investigadora académica y cofundadora de World Labs, aporta una perspectiva de investigación fundamental en el campo de la visión por computadora y la IA responsable.

Sin embargo, el reconocimiento también refleja los desafíos que acompañan este auge. El desarrollo acelerado de la IA ha despertado preocupaciones sobre privacidad, desinformación, desplazamiento laboral y sesgos algorítmicos. La figura de los “Arquitectos de la IA” representa tanto el enorme potencial transformador de estas tecnologías como la responsabilidad ética que implica dirigir su futuro.

En conjunto, TIME destaca que estas personas —ingenieros, investigadores y líderes tecnológicos— están moldeando la era actual y sentando las bases del mundo que viene. Su influencia es tan profunda que, para bien o para mal, el rumbo de la sociedad global en los próximos años estará estrechamente vinculado a las decisiones que tomen sobre cómo diseñar, regular y aplicar la inteligencia artificial.

RSL 1.0: el nuevo estándar que permite a los editores controlar el uso de su contenido por la IA

Roth, Emma. “RSL 1.0 Has Arrived, Allowing Publishers to Ask AI Companies to Pay to Scrape Content.” The Verge, 10 de diciembre de 2025 https://rslstandard.org/

Really Simple Licensing 1.0 (RSL 1.0) es un nuevo estándar de licencias abierto que se ha lanzado oficialmente para la era de la inteligencia artificial. Su objetivo principal es permitir que los editores de contenido web establezcan reglas claras sobre cómo y si las empresas de IA pueden utilizar su material, incluyendo posibles mecanismos de compensación económica.

Este estándar fue desarrollado por el RSL Collective con el respaldo de grandes nombres del sector como Yahoo, Ziff Davis y O’Reilly Media, y amplia el tradicional archivo robots.txt añadiendo un conjunto más detallado de permisos que las máquinas pueden leer y aplicar. Gracias a él, los editores pueden, por ejemplo, bloquear el uso de su contenido en funciones de búsqueda potenciadas por IA (como el “AI Mode” de Google) sin dejar de aparecer en los resultados de búsqueda tradicionales.

RSL 1.0 ha sido respaldado por más de 1 500 medios y plataformas, incluidas Reddit, Quora, WikiHow, Stack Overflow y The Guardian, y también cuenta con el apoyo de proveedores de infraestructura web como Cloudflare, Akamai y Fastly, lo que facilita la aplicación práctica de estas reglas frente a rastreadores o bots que no cumplan con las condiciones establecidas.

Además, la especificación incluye un modelo de “contribución” desarrollado junto con Creative Commons, pensado para permitir que organizaciones sin ánimo de lucro y otros creadores exijan aportaciones a los sistemas de IA que se beneficien de su trabajo, sin cerrar el acceso a contenidos útiles o de libre uso.

Este lanzamiento llega en un contexto en el que compañías como Google están siendo investigadas por el uso de contenido de editores en funciones de IA sin ofrecer opciones claras de exclusión o compensación, y RSL 1.0 pretende aportar transparencia y un marco legal para resolver estas tensiones en la relación entre creadores de contenido y proveedores de IA.