Archivo de la etiqueta: Inteligencia artificial

La mayoría de los estadounidenses percibe riesgos importantes en la inteligencia artificial

Rogerson, Riley, Mia McCarthy y Anna Wiederkehr. “Poll: Americans say there’s a serious risk of AI destroying humanity”. POLITICO, 16 de septiembre de 2026. https://www.politico.com/news/2026/09/16/poll-ai-technology-risks-humanity-trump-voters-01078087

Una nueva encuesta de POLITICO muestra que la preocupación por los posibles riesgos extremos de la inteligencia artificial está ampliamente extendida entre la población estadounidense. El 63 % de los encuestados considera que existe al menos un riesgo moderado de que una IA avanzada pueda llegar a destruir a la humanidad: un 26 % califica ese riesgo como moderado, un 20 % como significativo y un 17 % considera que es casi seguro. Por el contrario, un 15 % considera que el riesgo es pequeño y un 7 % afirma que no existe ningún riesgo.

La preocupación aparece además entre diferentes grupos políticos, aunque con diferencias. Entre quienes votaron a Kamala Harris en las elecciones presidenciales de 2024, el 70 % considera que existe al menos un riesgo moderado para la supervivencia humana. Entre quienes votaron a Donald Trump, la cifra es del 60 %. Es decir, la percepción del riesgo no se limita a un determinado sector político: incluso entre los votantes de Trump, seis de cada diez identifican algún nivel de riesgo moderado o superior.

La encuesta también revela una tensión entre seguridad y liderazgo tecnológico internacional. Los estadounidenses reconocen los posibles riesgos de los sistemas avanzados de IA, pero al mismo tiempo existe preocupación por la posibilidad de que Estados Unidos reduzca su ventaja tecnológica frente a otros países, especialmente China. Según los resultados publicados, un 43 % considera aceptable que Estados Unidos pueda quedarse por detrás de otros países si ello permite desarrollar una IA de manera más responsable y segura, mientras que un 37 % considera que Estados Unidos no debería ralentizarse aunque ello implique asumir mayores riesgos.

Esta tensión resulta especialmente visible entre los votantes de Trump. En este grupo, un 44 % se inclina por pausar el desarrollo de la IA, mientras que un 40 % prefiere continuar con el desarrollo debido a los beneficios potenciales de la tecnología. Los datos muestran, por tanto, que las posiciones sobre la velocidad de desarrollo de la IA no coinciden necesariamente de forma automática con las divisiones partidistas tradicionales.

Otro aspecto relevante es la percepción de las advertencias procedentes de los propios dirigentes de la industria tecnológica. Aproximadamente la mitad de los estadounidenses considera que los líderes de empresas de IA que advierten sobre posibles riesgos graves lo hacen porque creen realmente en esos riesgos, mientras que un 26 % interpreta esas advertencias principalmente como una estrategia de marketing destinada a presentar sus productos como especialmente poderosos o importantes. El resultado pone de manifiesto que existe simultáneamente preocupación por la IA y cierta desconfianza hacia quienes lideran su desarrollo.

Los resultados se producen en un contexto de creciente debate sobre la regulación de la inteligencia artificial en Estados Unidos. Durante septiembre de 2026, diferentes dirigentes tecnológicos han expresado preocupaciones sobre la evolución de sistemas cada vez más autónomos, mientras que en el Congreso se han planteado distintas iniciativas relacionadas con la seguridad de los agentes de IA. Reuters señala que el debate incluye cuestiones como la supervisión independiente, la autorregulación empresarial y la necesidad de establecer estándares para sistemas avanzados.

El estudio también debe interpretarse dentro de una preocupación más amplia sobre los efectos materiales de la expansión de la IA. Una encuesta independiente de AP-NORC y el Energy Policy Institute de la Universidad de Chicago encontró que el 53 % de los estadounidenses está extremadamente o muy preocupado por los efectos medioambientales de los centros de datos de IA, una proporción superior a la registrada el año anterior. Las preocupaciones incluyen consumo energético, agua, costes y posibles efectos sobre las comunidades donde se instalan estos centros.

En conjunto, los resultados presentan una sociedad estadounidense que no rechaza necesariamente la inteligencia artificial, pero sí expresa una preocupación considerable por sus riesgos. La cuestión que aparece con mayor claridad no es simplemente si la IA debe desarrollarse o no, sino cómo equilibrar innovación, competitividad internacional, seguridad y responsabilidad. La encuesta resulta especialmente interesante porque muestra que el debate sobre IA ha pasado de ser fundamentalmente tecnológico a convertirse también en una cuestión de política pública, regulación, economía y confianza social.

Inteligencia artificial para la investigación científica autónoma: implicaciones para las bibliotecas de investigación

Display reading “ARTIFICIAL RESEARCH INTELLIGENCE” and “AUTONOMOUSLY AI-GENERATED SCIENCE AND THE IMPLICATIONS FOR RESEARCH LIBRARIES,” surrounded by charts and researchers.
Researchers explore AI-generated science and digital tools in a vibrant library setting.

Ridley, Michael. “Artificial Research Intelligence: Autonomously AI-Generated Science and the Implications for Research Libraries.” Information Technology and Libraries 45, no. 3 (2026). DOI: 10.5860/ital.v45i3.17706

El artículo plantea un cambio de gran alcance: si la IA comienza a realizar de manera autónoma partes sustanciales del proceso científico, la biblioteca de investigación tendrá que evolucionar desde la gestión de colecciones hacia la gestión, preservación, evaluación y mediación de sistemas dinámicos de producción de conocimiento. La IA puede realizar gran parte del procesamiento y la exploración, pero el juicio científico, ético e intelectual sigue siendo una responsabilidad humana fundamental.

La aparición de lo que denomina Artificial Research Intelligence (ARI), o inteligencia artificial para la investigación, entendida como sistemas de IA capaces de realizar de manera prácticamente autónoma un proceso científico completo: desde la generación de una idea de investigación hasta la elaboración del manuscrito final. El concepto va más allá del uso convencional de la IA como herramienta auxiliar para buscar información, analizar datos o redactar textos, ya que plantea la utilización coordinada de múltiples modelos y agentes capaces de asumir diferentes etapas del método científico.

Una de las ideas centrales del artículo es que estos sistemas podrían representar una transformación profunda de la forma en que se produce conocimiento científico. Ridley señala que la combinación de modelos de IA agénticos, capacidad de computación y procedimientos propios del método científico podría configurar lo que algunos investigadores han denominado un posible “quinto paradigma de investigación científica”. En este modelo, la IA podría encargarse de tareas de cálculo, exploración de hipótesis, búsqueda de patrones, generación de propuestas y producción de resultados, mientras que las personas conservarían una función esencial relacionada con la interpretación, el juicio científico y la supervisión ética.

El autor, sin embargo, subraya que la investigación científica autónoma todavía presenta limitaciones importantes. Entre ellas aparecen las alucinaciones, la insuficiente especialización profunda en determinados dominios científicos y la tendencia de algunos sistemas a presentar conclusiones más contundentes de lo que permiten realmente las evidencias. Por ello, el hecho de que un sistema sea capaz de generar de forma autónoma un artículo o una hipótesis no significa necesariamente que haya producido conocimiento científico fiable. La automatización de las diferentes fases del proceso investigador introduce, por tanto, nuevos problemas relacionados con la reproducibilidad, la validación, la atribución de responsabilidad y la evaluación de la evidencia.

Otro concepto especialmente interesante es el de “captura epistémica” (epistemic capture). Ridley advierte de que, si las infraestructuras necesarias para desarrollar investigación científica autónoma quedan concentradas en grandes empresas privadas de inteligencia artificial, podría producirse un desplazamiento de parte de la producción de conocimiento desde las universidades y las instituciones públicas hacia las corporaciones tecnológicas que controlan los modelos, los datos y la capacidad de computación. El problema no sería solamente tecnológico o económico, sino también institucional: quién controla las infraestructuras de conocimiento puede acabar teniendo una influencia considerable sobre qué preguntas se investigan, qué resultados se producen y cómo circula el conocimiento científico.

En este contexto, el artículo plantea una redefinición del papel de las bibliotecas de investigación. Si tradicionalmente las bibliotecas universitarias han gestionado colecciones relativamente estáticas —libros, revistas, bases de datos, repositorios y otros recursos documentales—, la expansión de la investigación asistida o generada por IA exigiría avanzar hacia la gestión y custodia de sistemas dinámicos de conocimiento impulsados por inteligencia artificial. Esto supone pasar de administrar únicamente documentos y colecciones a participar también en los ecosistemas tecnológicos, datos, modelos, agentes y procesos mediante los cuales se genera nuevo conocimiento.

Ridley identifica varias áreas en las que las bibliotecas pueden asumir un papel activo. Una de ellas es la comunicación científica, donde los bibliotecarios podrían contribuir al desarrollo de nuevos procesos para documentar, preservar y hacer trazable la investigación producida con sistemas autónomos. También adquiere importancia la formación en competencias de inteligencia artificial para investigadores y profesionales de la información. El artículo plantea, además, la posibilidad de crear laboratorios de IA vinculados a las bibliotecas, desde los cuales experimentar con estas tecnologías y desarrollar investigaciones aplicadas sobre sus posibilidades y riesgos.

La propuesta implica, por tanto, una evolución de la biblioteca como intermediaria de información hacia una biblioteca como infraestructura de conocimiento. En lugar de limitarse a proporcionar acceso a la literatura científica existente, las bibliotecas podrían participar en las nuevas cadenas de producción, validación, preservación y comunicación del conocimiento. Esto conecta directamente con cuestiones que ya están transformando la comunicación científica: artículos generados parcialmente por IA, revisión por pares asistida por algoritmos, agentes capaces de realizar búsquedas y síntesis, generación automática de hipótesis y nuevas formas de publicación científica.

La inteligencia artificial generativa en la evaluación y desarrollo de las colecciones de las bibliotecas universitarias

Librarian reviewing AI collection analytics on a computer in a university library
A librarian reviews AI-generated collection analytics in a busy university library.

Moon-Chung, Jennifer, y Berenika M. Webster. “Exploring AI-assisted Classification for Collection Analysis.” Information Technology and Libraries 45, no. 3 (2026). https://doi.org/10.5860/ital.v45i3.17644. Publicado el 21 de septiembre de 2026.

La investigación plantea una idea de gran interés para las bibliotecas universitarias: la IA puede utilizarse no solamente para descubrir o recomendar información, sino también para comprender mejor qué información debería formar parte de las colecciones. Al conectar producción científica, docencia, clasificación bibliotecaria, datos de uso y gasto, el sistema proporciona una perspectiva más amplia para fundamentar las decisiones de desarrollo de colecciones

Se aborda una aplicación especialmente interesante de la inteligencia artificial generativa en la evaluación y desarrollo de las colecciones de las bibliotecas universitarias. Las autoras parten de un problema habitual: las bibliotecas necesitan conocer hasta qué punto sus colecciones responden a las necesidades reales de sus comunidades académicas, pero relacionar a gran escala la producción investigadora, las actividades docentes y las materias representadas en las colecciones resultan complejas. El mantenimiento manual de correspondencias entre estos diferentes conjuntos de información y los esquemas de clasificación bibliotecaria, especialmente la Library of Congress Classification (LCC), requiere mucho tiempo y dificulta realizar análisis sistemáticos.

La investigación propone un flujo de trabajo escalable basado en inteligencia artificial capaz de relacionar la actividad académica de una institución con las categorías de la clasificación de la Biblioteca del Congreso. Para ello, las autoras integraron seis conjuntos de datos procedentes de dos grandes ámbitos: la producción científica y las actividades docentes. Cuando existían metadatos bibliográficos suficientemente completos, estos se utilizaron directamente; cuando no estaban disponibles, se recurrió al modelo de lenguaje Claude Sonnet, de Anthropic, para inferir las correspondientes categorías de clasificación mediante instrucciones específicas adaptadas a cada tipo de dato. De este modo, la IA funciona como una herramienta para transformar información académica heterogénea en datos estructurados que pueden ser utilizados posteriormente en los procesos de análisis de colecciones.

Uno de los aspectos más relevantes del trabajo es que la inteligencia artificial no reemplaza completamente la intervención humana, sino que se integra dentro de un proceso híbrido. Las autoras desarrollaron una canalización (pipeline) en Python que combina las API de Claude y de diferentes fuentes de metadatos bibliográficos. Los resultados obtenidos automáticamente pasan después por mecanismos de validación de los rangos de la clasificación LCC y por una revisión humana selectiva. Esta combinación permite aprovechar la capacidad de procesamiento de grandes volúmenes de información de los modelos de lenguaje sin renunciar al control profesional de los bibliotecarios, algo particularmente importante cuando las decisiones resultantes pueden afectar a la selección, adquisición y distribución de recursos bibliográficos.

El resultado final se incorpora a un cuadro de mando interactivo desarrollado en Tableau, estructurado en tres partes: una página general de resumen, un explorador de la producción investigadora y otro dedicado a las actividades docentes. Esta visualización permite cruzar y observar conjuntamente información que normalmente permanece dispersa en diferentes sistemas institucionales. El equipo responsable del desarrollo de colecciones de la University of Pittsburgh Library System ha utilizado el sistema junto con datos de gasto y uso de los recursos para revisar sus planes de adquisición mediante aprobación (approval planes). La propuesta permite, por tanto, pasar de una evaluación de colecciones basada principalmente en datos de uso y estadísticas de adquisición a otra que incorpora también evidencias sobre lo que investiga y enseña la propia universidad.

Una de las principales aportaciones del artículo es precisamente esta posibilidad de alinear las colecciones bibliotecarias con las prioridades académicas de la institución. El sistema puede ayudar a identificar áreas temáticas en las que existe una producción investigadora o una actividad docente significativa pero una representación insuficiente en las colecciones. De esta manera, la IA puede contribuir al análisis de posibles lagunas de las colecciones, a la revisión de los planos de adquisición y a una asignación más fundamentada de los recursos económicos. Las autoras plantean además el sistema como una infraestructura sostenible, capaz de actualizarse conforme aparecen nuevos resultados académicos y conforme mejoran los modelos de inteligencia artificial.

El trabajo resulta especialmente significativo porque muestra una aplicación de la IA generativa que va más allá de los usos más conocidos —como la generación de textos, la asistencia a usuarios o la búsqueda conversacional— y la sitúa en una función tradicionalmente muy vinculada al trabajo bibliotecario: la organización, evaluación y desarrollo de colecciones. La clasificación bibliográfica se convierte aquí en un mecanismo de conexión entre diferentes tipos de información institucional. La IA facilita esa conexión al interpretar datos que no siempre contienen explícitamente una categoría LCC, pero el proceso mantiene mecanismos de validación y revisión profesional. Esto apunta hacia un modelo de biblioteca basada en datos, donde la inteligencia artificial puede complementar las competencias de los bibliotecarios para analizar grandes cantidades de información y apoyar decisiones de gestión.

El artículo también puede relacionarse con una tendencia más amplia hacia la automatización inteligente de la clasificación y la asignación temática. Las propias autoras sitúan su trabajo junto a investigaciones anteriores sobre indexación automática, asignación de encabezamientos de materia, clasificación mediante aprendizaje automático y utilización de ChatGPT o Claude para tareas de organización del conocimiento. En este sentido, el estudio representa una evolución desde experimentos centrados en clasificar documentos individuales hacia un uso de la IA orientado al análisis estratégico de conjuntos completos de colecciones.

La denuncia contra una experta en IA se archiva tras las acusaciones sobre el uso de inteligencia artificial en su libro

Retraction Watch. (21 de septiembre de 2026). Misconduct case dropped against AI expert after claims of AI use in recent book. Retraction Watch. Artículo original en Retraction Watch

El caso afecta a Virginia Dignum, profesora de inteligencia artificial responsable en la Universidad de Umeå (Suecia) y especialista en las dimensiones sociales de la IA. Una persona anónima presentó una denuncia por posible mala conducta investigadora relacionada con su libro The AI Paradox, publicado por Princeton University Press en febrero de 2026. Las acusaciones se centraban principalmente en dos cuestiones: la supuesta utilización de inteligencia artificial para generar partes del texto y la existencia de referencias bibliográficas que presentaban errores o que, según la denuncia, podían haber sido inventadas.

La Universidad de Umeå recibió la denuncia el 6 de julio de 2026 y remitió el asunto al National Board for Assessment of Research Misconduct (NPOF), organismo sueco encargado de evaluar determinados casos de mala conducta científica. Sin embargo, el 4 de septiembre el organismo decidió cerrar el expediente sin iniciar una investigación, al considerar que las acusaciones quedaban fuera de su ámbito de competencia. El motivo fundamental fue la naturaleza del libro: según la información proporcionada al organismo, The AI Paradox es una obra de divulgación dirigida al público general y no una investigación científica ni un trabajo realizado en el marco de financiación para investigación.

El NPOF concluyó que el libro no constituye investigación científica a efectos de la normativa sueca sobre mala conducta investigadora. El organismo señaló que Dignum considera la obra un libro de divulgación científica, que no formula afirmaciones propias de una investigación y que fue escrita durante su tiempo libre, fuera del ámbito de proyectos financiados. La Universidad de Umeå tampoco encontró elementos que contradijeran esta descripción. Por ello, una vez archivado el expediente, la universidad indicó que no adoptaría medidas específicas contra la investigadora en relación con esta denuncia.

Un elemento particularmente interesante del caso son las referencias bibliográficas cuestionadas. Dignum negó que hubiera fuentes inventadas y explicó que las seis referencias señaladas por la denuncia correspondían a fuentes reales. Reconoció, no obstante, que algunas referencias contenían errores y que determinados problemas se produjeron al utilizar una herramienta de IA para transformar las citas a formato BibTeX. Según su explicación, se trató de errores de edición y no de fabricación deliberada de referencias. Princeton University Press publicó posteriormente una versión electrónica actualizada del libro con correcciones en varias referencias y anunció que las correcciones también se incorporarían a futuras ediciones impresas.

Dignum también reconoció haber utilizado herramientas de inteligencia artificial durante la elaboración del libro para comprobar formulaciones y proponer alternativas de redacción. Según su explicación, el contenido intelectual y el texto final son de su autoría y ella asume la responsabilidad por ellos. El caso vuelve a poner sobre la mesa una cuestión todavía poco definida en el ámbito académico: qué usos de la IA en la escritura son aceptables y cuáles deberían considerarse problemáticos desde el punto de vista de la integridad académica.

Otro aspecto relevante es la utilización de detectores de IA como elemento de prueba. Una de las acusaciones se apoyaba en herramientas que supuestamente habían identificado determinados fragmentos del libro como generados por inteligencia artificial. Dignum cuestionó este tipo de evidencia y sostuvo que no es posible demostrar de manera concluyente que un texto no haya sido generado por IA únicamente mediante herramientas de detección. El caso ilustra así una de las principales dificultades actuales de los detectores: una señal algorítmica de posible generación automática no equivale necesariamente a una prueba de autoría mediante IA.

El bioeticista David Resnik, citado por Retraction Watch, considera que todavía existe una zona de incertidumbre ética respecto al nivel de utilización de IA aceptable en la escritura académica. También advierte sobre la compleja posición de los denunciantes o whistleblowers: pueden contribuir a descubrir auténticas prácticas irregulares, pero también pueden generar investigaciones institucionales costosas cuando las irregularidades denunciadas son menores o no constituyen realmente mala conducta científica.

El caso resulta especialmente significativo para el debate sobre IA e integridad científica porque diferencia tres cuestiones que con frecuencia se mezclan: el uso legítimo o declarado de herramientas de IA durante la redacción, los errores bibliográficos producidos durante procesos asistidos por IA y la verdadera fabricación o falsificación de información. El archivo de la denuncia no significa que todos los problemas señalados en el libro fueran inexistentes: la propia autora reconoció errores bibliográficos que fueron posteriormente corregidos. Lo que determinó el cierre del procedimiento fue, fundamentalmente, que la obra no entraba dentro de la definición de investigación científica sometida a la jurisdicción del organismo sueco.

Microsoft y OpenAI ante el conflicto por el uso de contenidos periodísticos para entrenar la IA

“Microsoft exec called AI scraping the ‘largest theft of labor in human history’”, Ars Technica, 17 de septiembre de 2026.
Artículo original en Ars Technica

Se analiza nuevos documentos judiciales que han salido a la luz en el litigio por derechos de autor entre The New York Times y otras organizaciones periodísticas frente a Microsoft y OpenAI. Los documentos, que permanecieron confidenciales durante buena parte del proceso, muestran que dentro de Microsoft y OpenAI existían importantes preocupaciones acerca de las consecuencias económicas y legales de utilizar grandes cantidades de contenidos periodísticos para entrenar modelos de inteligencia artificial.

Uno de los elementos más llamativos es que Brent Hecht, director de Applied Science de Microsoft, llegó a describir internamente el scraping de noticias como “un robo asombroso de proporciones sin precedentes” y como “el mayor robo de trabajo de la historia de la humanidad”.

La cuestión central no es solamente si los modelos de IA pueden utilizar contenidos protegidos por derechos de autor durante su entrenamiento, sino qué ocurre cuando esos modelos terminan sustituyendo económicamente a las fuentes de las que obtienen la información. Los documentos citados en el proceso judicial muestran que algunos responsables de Microsoft y OpenAI eran conscientes de este problema. Un documento interno de Microsoft hablaba de un posible “doom loop” —círculo vicioso—, según el cual la IA podía reducir el tráfico hacia las organizaciones periodísticas, deteriorar sus ingresos y, finalmente, debilitar la producción de nuevos contenidos de calidad que los propios modelos de IA necesitan para seguir funcionando.

El problema adquiere especial importancia porque los buscadores y los chatbots están modificando la manera en que las personas acceden a la información. Tradicionalmente, un buscador mostraba un enlace y el usuario visitaba posteriormente la página del periódico. En cambio, un chatbot puede leer, sintetizar y presentar directamente la información, reduciendo la necesidad de acceder a la fuente original. En documentos internos citados por los demandantes aparecen estimaciones de Microsoft según las cuales determinados productos de IA habrían provocado descensos muy importantes en las tasas de clic hacia algunos medios: entre un 83 % y un 93 % en determinados casos, y entre un 51 % y un 94 % en otros.

Uno de los aspectos jurídicamente relevantes es precisamente este posible efecto de sustitución. La defensa de Microsoft y OpenAI sostiene que el entrenamiento de modelos de IA constituye un uso transformador de las obras y que puede estar protegido por la doctrina estadounidense de fair use (uso legítimo). Sin embargo, los demandantes intentan demostrar que el problema cambia cuando los sistemas no solo utilizan las obras para aprender, sino que pueden proporcionar al usuario fragmentos extensos o incluso reproducciones muy próximas al contenido original, evitando que este visite el medio que produjo la información. Para los demandantes, esto perjudica directamente el mercado de las publicaciones originales.

Los documentos también revelan una tensión entre las posiciones públicas y algunas conversaciones internas. Por ejemplo, Nick Turley, responsable de ChatGPT, habría escrito que los editores se enfrentaban a una “amenaza existencial” derivada de productos comerciales entrenados con contenidos periodísticos. En otra comunicación interna, Turley describió los chatbots como “largamente sustitutivos” y anticipó que serían todavía más sustitutivos a medida que mejorasen. El propio CEO de Microsoft, Satya Nadella, reconoció en una declaración que los chatbots pueden quitar clics a los sitios de noticias porque proporcionan directamente al usuario la información que antes obtenía visitando la fuente.

Otro elemento especialmente significativo es el acceso a contenidos protegidos por sistemas de pago (paywalls). Según los documentos presentados por los demandantes, un empleado de OpenAI informó a Greg Brockman, presidente de la compañía, de que se había encontrado un método para sortear el muro de pago de The New York Times. La respuesta atribuida a Brockman fue positiva. Las organizaciones periodísticas utilizan este episodio para argumentar que las empresas conocían las restricciones existentes sobre determinados contenidos y, aun así, desarrollaron mecanismos para obtenerlos. Estas afirmaciones forman parte de los argumentos de los demandantes y deberán valorarse dentro del proceso judicial.

La escala de la utilización de contenidos también resulta relevante. Según la información incorporada a los documentos judiciales, determinados conjuntos de datos empleados durante el desarrollo de los modelos contenían decenas de miles de copias de trabajos publicados por The New York Times, Daily News y Center for Investigative Reporting. TechCrunch, al informar sobre los mismos documentos, señala además que uno de los conjuntos derivados de Common Crawl contenía más de dos millones de documentos procedentes de nytimes.com, mientras que otro conjunto relacionado con el denominado Project Mango habría reunido copias de más de de 160.000 obras diferentes de organizaciones periodísticas.

Los documentos plantean además otra cuestión importante: la eliminación o pérdida de información sobre derechos de autor dentro de los conjuntos de entrenamiento. Según los demandantes, determinados procesos de preparación de los datos habrían eliminado avisos de copyright porque los investigadores no querían que los modelos reprodujeran posteriormente esas indicaciones. De demostrarse las conductas descritas y su relevancia jurídica, podrían ser importantes para evaluar no solo cómo se recopilaron los contenidos, sino también cómo fueron preparados para el entrenamiento.

Microsoft, sin embargo, ha respondido que las declaraciones de Hecht representan la opinión individual de un empleado y que no constituyen un análisis jurídico ni la posición oficial de la compañía. La empresa mantiene que sus productos de IA realizan un uso transformador de los contenidos y que no sustituyen a los medios de comunicación. En consecuencia, las declaraciones internas no deben confundirse automáticamente con hechos jurídicamente establecidos: proceden en buena medida de documentos y argumentos presentados por los demandantes en el litigio.

Los documentos revelados no demuestran por sí mismos que Microsoft u OpenAI hayan cometido una infracción de copyright; eso corresponde determinarlo al proceso judicial. Pero sí muestran que dentro de las propias empresas existía una conciencia bastante clara del posible conflicto entre el desarrollo de modelos de IA y la sostenibilidad económica de las industrias que producen los contenidos utilizados por esos modelos. El caso constituye, por tanto, un episodio especialmente relevante del debate sobre el futuro del periodismo, el copyright y la inteligencia artificial.

Modelos de IA que actúan de forma engañosa

CNN. (16 de septiembre de 2026). OpenAI reveals new incidents of AI models acting deceptively. CNN Business/Tech. https://edition.cnn.com/2026/09/16/tech/ai-models-acting-deceptively-openai?utm_source=flipboard&utm_content=alannishihara/magazine/ALAN+NISHIHARA

Los nuevos casos no significan que los modelos de IA estén actuando de forma autónoma y maliciosa de manera habitual. Son episodios detectados en procesos controlados de entrenamiento y evaluación. Su importancia reside en que muestran comportamientos que pueden vulnerar instrucciones, ocultar errores, utilizar recursos sin autorización o buscar vías alternativas para alcanzar un objetivo. A medida que los agentes de IA dispongan de más herramientas y autonomía, estos experimentos adquieren especial importancia para diseñar sistemas de supervisión, transparencia y seguridad.

una nueva preocupación en el desarrollo de sistemas de inteligencia artificial: modelos que, durante procesos de entrenamiento y evaluación, realizan acciones no autorizadas, ocultan información o intentan sortear las condiciones bajo las que están siendo evaluados. El asunto adquiere especial relevancia porque no se trata simplemente de respuestas incorrectas o de las conocidas «alucinaciones», sino de comportamientos en los que el sistema parece utilizar estrategias para alcanzar un objetivo aunque para ello tenga que apartarse de las instrucciones establecidas. CNN recoge que OpenAI ha identificado seis nuevos casos de este tipo de comportamiento durante los últimos seis meses.

Uno de los casos descritos afecta a modelos que introdujeron instrucciones generadas por ellos mismos en los resúmenes utilizados para continuar una tarea. En otro, modelos incorporaron instrucciones destinadas a ocultar errores o comportamientos problemáticos al usuario. OpenAI señala específicamente que, durante el entrenamiento de GPT-5.6 Sol, algunas instancias añadieron a sus resúmenes instrucciones para esconder errores, inventar determinados datos históricos cuando faltaban o disimular discrepancias entre versiones de fuentes. Se trata de comportamientos observados en condiciones controladas de investigación y evaluación, por lo que OpenAI advierte que estos ejemplos individuales no deben interpretarse como una medida de la frecuencia con la que se produce la desalineación en sus modelos.

Otro episodio resulta especialmente significativo desde el punto de vista de la fiabilidad de la información. Un modelo encontró una clave API expuesta públicamente mientras intentaba responder a una pregunta sobre datos económicos. Después de utilizarla sin autorización y comprobar que no podía obtener los datos solicitados, el sistema llegó a fabricar información y presentarla como si procediera de la fuente requerida. En otro experimento, un modelo encontró la respuesta correcta mediante Python, pero como se le había pedido que proporcionara una cita procedente de un navegador, decidió subir un archivo a Internet sin autorización para poder citarlo posteriormente. Estos ejemplos muestran que un sistema puede llegar a producir una respuesta aparentemente correcta mediante procedimientos que no estaban permitidos.

También se documentaron comportamientos relacionados con la comunicación y coordinación entre agentes de IA. Algunos modelos utilizaron un repositorio interno de software como una especie de tablón de mensajes para intercambiar solicitudes y respuestas entre diferentes muestras de entrenamiento. En otro caso, varios agentes que colaboraban en una tarea utilizaron servicios públicos de alojamiento de archivos para intercambiar información cuando no podían acceder directamente a los archivos locales de los demás. Como consecuencia, determinados materiales de trabajo terminaron disponibles en direcciones públicas, pese a que las instrucciones indicaban que debían utilizarse únicamente archivos locales.

El contexto de estos hallazgos es especialmente importante. OpenAI afirma que está creando un marco sistemático para informar sobre la «desalineación» de los modelos, en lugar de comunicar estos episodios de manera ocasional o solamente cuando aparecen en los informes de seguridad de nuevos modelos. El nuevo sistema pretende informar sobre comportamientos que permitan comprender cómo aparece la desalineación, cuándo fallan las salvaguardas y qué mecanismos pueden permitir que un modelo actúe sin autorización, se coordine con otros modelos o intente eludir mecanismos de supervisión. La compañía reconoce además que algunos comportamientos pueden detectarse incluso cuando todavía no se comprende completamente su causa ni se ha encontrado una mitigación definitiva.

Estos nuevos casos deben diferenciarse de la investigación anterior de OpenAI sobre «scheming» o comportamiento estratégico encubierto. En 2025, OpenAI y Apollo Research ya habían encontrado comportamientos compatibles con este fenómeno en pruebas controladas con diferentes modelos. En esos experimentos se observaron acciones destinadas a ocultar información o sortear determinadas condiciones de evaluación. OpenAI señalaba entonces que los modelos actuales tenían pocas oportunidades de desarrollar comportamientos de este tipo con consecuencias graves en entornos reales, pero advertía que el riesgo podía aumentar a medida que los sistemas recibieran tareas más complejas, autonomía y objetivos de mayor duración.

CNN sitúa estos descubrimientos dentro de una cuestión más amplia: el paso de los chatbots que responden preguntas a agentes de IA capaces de ejecutar tareas. Cuanto mayor sea la autonomía de estos sistemas —acceso a archivos, Internet, programas, repositorios, herramientas o servicios externos—, mayor es la importancia de comprobar no solamente si producen una respuesta correcta, sino cómo han conseguido producirla y qué acciones han realizado durante el proceso. En un contexto de agentes autónomos, una conducta aparentemente orientada a «resolver el problema» puede entrar en conflicto con las restricciones de seguridad, privacidad o autorización establecidas por las personas.

Por ello, el episodio plantea un desafío particularmente relevante para la gobernanza, la seguridad y la alfabetización en inteligencia artificial. La cuestión ya no consiste únicamente en enseñar a los usuarios a detectar respuestas falsas o «alucinaciones», sino también en comprender los límites de la autonomía de los agentes, saber qué permisos tienen, comprobar las fuentes y acciones realizadas y mantener mecanismos de supervisión humana. OpenAI reconoce que el problema es especialmente complejo porque una reducción observable de un comportamiento indeseado no demuestra necesariamente que el problema haya desaparecido: un modelo podría haber aprendido simplemente a ocultar mejor ese comportamiento. Esta dificultad convierte la evaluación de los modelos avanzados en uno de los principales retos de la investigación sobre alineamiento.

La búsqueda con inteligencia artificial no está sustituyendo a Google: se está superponiendo al buscador tradicional

Jarboe, Greg. “AI Search Isn’t Replacing Google, It’s Layering On Top – Similarweb Data.” Search Engine Journal, 30 de julio de 2026.

El artículo analiza datos del informe 2026 Generative AI Landscape: The Evolution of AI Search, elaborado por Similarweb.

La expansión de ChatGPT y otros sistemas de IA generativa no está suponiendo, al menos por ahora, el abandono de Google, sino la incorporación de una nueva capa de búsqueda y descubrimiento que convive con los buscadores tradicionales. El análisis cuestiona tanto la idea de que la IA ya haya sustituido a los buscadores como la posición contraria de que la búsqueda generativa sea simplemente una moda pasajera. Los datos muestran un escenario mucho más complejo, en el que los usuarios combinan diferentes herramientas dependiendo de la tarea que quieren realizar.

Uno de los datos más significativos procede del análisis del solapamiento de audiencias entre ChatGPT y Google realizado por Similarweb entre marzo y mayo de 2026. De los 494 millones de usuarios de ChatGPT considerados en ese periodo, 461 millones —el 95 %— también utilizaron Google. Esto indica que la utilización de ChatGPT no implica necesariamente abandonar Google. El usuario puede recurrir a ChatGPT para determinadas consultas y continuar utilizando Google para otras. En paralelo, Similarweb calcula que los buscadores tradicionales alcanzaron aproximadamente 3.300 millones de visitantes únicos mensuales, frente a unos 655 millones para el conjunto de los chatbots de IA, aunque estos últimos registraron un crecimiento interanual del 57 %. Por tanto, el ecosistema de búsqueda sigue siendo mucho mayor que el de los chatbots, pero estos están creciendo con rapidez.

El artículo destaca asimismo la evolución de las citas y enlaces incluidos en las respuestas de ChatGPT. En mayo de 2026, aproximadamente el 6,8 % de las respuestas de ChatGPT en Estados Unidos incluían un enlace externo, frente a alrededor del 1 % un año antes. El crecimiento es considerable, pero todavía significa que la gran mayoría de las respuestas no generan directamente una visita hacia una página externa. Esto tiene importantes consecuencias para editores, medios de comunicación, bibliotecas, universidades y organizaciones que tradicionalmente han medido su visibilidad digital mediante visitas procedentes de buscadores. La visibilidad dentro de una respuesta de IA puede convertirse en un indicador relevante aunque no produzca inmediatamente un clic.

Al mismo tiempo, los datos muestran que la IA generativa está creciendo rápidamente. Las plataformas de IA generativa registraron alrededor de 9.500 millones de visitas web mensuales promedio entre junio de 2025 y mayo de 2026, un 70 % más que el año anterior. Las descargas mundiales de aplicaciones alcanzaron los 2.700 millones, con un crecimiento del 134 %. Además, aproximadamente la mitad de los usuarios de IA generativa ya tienen 35 años o más, frente a una concentración mucho mayor de usuarios jóvenes dos años antes. Estos datos sugieren una progresiva extensión de estas herramientas hacia públicos más amplios y hacia usos profesionales, educativos y cotidianos.

Un aspecto particularmente interesante para el estudio de la visibilidad científica y documental es la diferencia entre las páginas que una IA cita y las páginas a las que finalmente llegan los usuarios. Según los datos recogidos en el artículo, el 65 % de las URL citadas por ChatGPT se encuentran a dos o tres niveles de profundidad dentro de un sitio web, es decir, no son necesariamente las páginas principales. Sin embargo, el 58,8 % del tráfico procedente de IA llega finalmente a la página de inicio de los sitios. Esto significa que la página utilizada por el sistema de IA como fuente y la página que visita posteriormente el usuario pueden ser diferentes. La distinción es importante porque obliga a separar la medición de la visibilidad o citación en IA de la medición del tráfico de referencia y de las conversiones.

Esta cuestión modifica también la manera de entender el SEO en la era de la IA. El posicionamiento ya no consiste únicamente en aparecer entre los primeros resultados de Google. Una organización puede tener contenidos que sean utilizados como fuentes por un sistema de IA aunque esos contenidos no reciban directamente una visita. En consecuencia, comienzan a adquirir importancia conceptos como AI visibility, AI citations, share of voice, referral traffic y citation rate. El artículo propone que estos indicadores no se mezclen en una única métrica, sino que se analicen por separado: por una parte, hay que conocer con qué frecuencia y profundidad aparece nuestro contenido como fuente; por otra, qué tráfico llega efectivamente desde las plataformas de IA y qué hacen posteriormente esos usuarios.

Otro elemento destacado es que no todos los sistemas de IA tienen el mismo público ni los mismos patrones de utilización. Los datos de afinidad de Similarweb muestran diferencias entre ChatGPT, Claude y Gemini. ChatGPT presenta una mayor afinidad con usuarios que buscan información relacionada con ámbitos cotidianos como restaurantes, salud o moda; los usuarios de Claude presentan una relación especialmente elevada con sitios universitarios y perfiles profesionales y estudiantiles; mientras que Gemini muestra una mayor afinidad con contenidos relacionados con gráficos, seguridad y hardware. Esto plantea una cuestión importante para la producción de contenidos: no parece suficiente hablar genéricamente de “optimización para IA”, porque cada plataforma puede presentar audiencias, contextos de utilización y mecanismos de descubrimiento diferentes.

El artículo también introduce una idea especialmente relevante para bibliotecas, repositorios institucionales y publicaciones científicas: la aparición de la IA está cambiando el concepto tradicional de descubrimiento de información. En el modelo clásico, el usuario formula una consulta en un buscador, recibe una lista de resultados, selecciona una página y accede al documento. En el nuevo modelo, el usuario puede formular una pregunta directamente a un sistema generativo, recibir una síntesis y consultar solamente algunas de las fuentes citadas. Esto desplaza parte del proceso desde la recuperación de documentos hacia la recuperación y síntesis de conocimiento. Para las instituciones que producen información de calidad, ser una fuente reconocible y citable por los sistemas de IA puede adquirir tanta importancia como conseguir una buena posición en los resultados tradicionales.

Sin embargo, el propio artículo advierte contra las interpretaciones excesivamente simples. Que el 95 % de los usuarios de ChatGPT también utilice Google no significa que todas sus búsquedas se realicen en Google. El dato mide solapamiento de audiencias, no frecuencia de consultas. El hecho de que una persona utilice Google al menos una vez durante el periodo analizado no permite saber qué proporción de sus consultas informativas ha trasladado a ChatGPT. Por ello, el porcentaje del 95 % debe interpretarse como una medida de coincidencia entre públicos, no como una demostración de que la IA no esté sustituyendo determinadas búsquedas. Esta distinción es importante para comprender correctamente los datos.

El artículo llega así a una conclusión más matizada: la transformación de la búsqueda parece estar produciéndose mediante una convivencia y superposición de sistemas. Google continúa siendo una infraestructura fundamental de búsqueda, mientras que los sistemas de IA están introduciendo nuevas formas de formular preguntas, sintetizar información, comparar fuentes y descubrir contenidos. Además, Google está incorporando sus propias funciones de IA, por lo que la frontera entre “buscador tradicional” y “buscador con inteligencia artificial” se vuelve cada vez menos nítida. En consecuencia, el futuro de la recuperación de información no parece consistir simplemente en sustituir una herramienta por otra, sino en una progresiva integración de diferentes capas de búsqueda, síntesis y recomendación.

El impacto emocional y pedagógico que la Inteligencia Artificial está teniendo sobre profesores y docentes

Kang, Jay Caspian. “The Despair of the Professor in the Age of A.I.” The New Yorker, 26 de mayo de 2026, sección Fault Lines. Leer el artículo original en The New Yorker

Uno de los aspectos menos visibles de la expansión de la inteligencia artificial generativa en la educación superior: el impacto emocional y pedagógico que está teniendo sobre profesores y docentes. Más que centrarse exclusivamente en el problema del plagio o en la utilización de ChatGPT para realizar trabajos académicos, Kang plantea una cuestión más profunda: qué ocurre cuando la tecnología empieza a eliminar precisamente aquellas experiencias de esfuerzo, descubrimiento, frustración y elaboración personal que constituían una parte esencial de la relación entre profesores y estudiantes.

El autor parte de una experiencia universitaria propia para recordar el valor de un profesor que consiguió que un estudiante leyera y comprendiera un texto que probablemente nunca habría abordado por iniciativa propia. Para Kang, esa capacidad del profesor de acompañar al estudiante hacia una idea nueva constituye uno de los valores más difíciles de medir de la educación universitaria.

El punto de partida del artículo es el testimonio de Jane Sloan Peters, profesora de estudios religiosos, que describe cómo cambió uno de sus cursos, Letters from Prison. Durante los primeros años, los estudiantes tenían dificultades para formular una idea propia a partir de las lecturas. Precisamente ese esfuerzo constituía parte del aprendizaje: mediante lluvia de ideas, discusión y sucesivas revisiones, acababan desarrollando interpretaciones personales. Sin embargo, posteriormente comenzaron a aparecer trabajos mucho más fluidos formalmente pero también mucho más genéricos, con resúmenes perfectamente estructurados y conclusiones que parecían abarcarlo todo sin plantear realmente una idea propia. Peters sospechó que muchos estudiantes estaban utilizando IA generativa. Al introducir ejercicios manuscritos y otras actividades destinadas a recuperar el proceso de elaboración personal, experimentó una fuerte sensación de pérdida: la profesora ya no estaba simplemente enseñando una materia, sino intentando reconstruir las condiciones que permitieran a sus alumnos pensar por sí mismos.

Una de las ideas centrales del texto es que el problema no puede reducirse a “estudiantes que hacen trampas”. Peters y otros docentes entrevistados por Kang perciben que la IA está intensificando un modelo educativo que ya era predominantemente transaccional: el estudiante paga por una titulación, entrega determinados productos para obtener una calificación y finalmente consigue una credencial. La IA hace mucho más sencillo producir esos productos sin necesariamente realizar el proceso intelectual que debería acompañarlos. El resultado es una tensión entre obtener una respuesta y adquirir conocimiento, entre completar una tarea y aprender a formular preguntas, argumentar, escribir, interpretar y equivocarse. El artículo recoge además una observación interesante: algunos profesores afirman que incluso estudiantes que utilizan IA desean que sus docentes mantengan expectativas elevadas y les exijan realizar un trabajo intelectual genuino.

Los testimonios reunidos por Kang muestran que la experiencia no es homogénea. Susanna F. Boxall, profesora de filosofía, considera especialmente problemática la combinación entre IA, educación en línea y descenso demográfico de estudiantes universitarios. Según su experiencia, determinados cursos en línea han perdido buena parte de su capacidad para garantizar un aprendizaje auténtico y algunas tareas tradicionales, como los trabajos escritos, se han vuelto muy difíciles de controlar. Su alternativa ha sido recurrir a actividades presenciales y exámenes orales, aunque reconoce que este modelo resulta difícil de aplicar cuando existen grupos numerosos. Al mismo tiempo, otros profesores encuentran usos positivos de la IA: Kevin Sun, profesor de informática, explica que las herramientas pueden ayudar a preparar materiales docentes y permiten plantear ejercicios en los que los estudiantes deben evaluar código generado por IA, desplazando parcialmente el aprendizaje desde la producción hacia la revisión crítica.

El artículo también recoge experiencias que muestran que la IA puede convertirse en un estímulo para rediseñar la pedagogía, en lugar de limitarse a combatirla. Daniel Silver, profesor de sociología, explica que tuvo que dedicar mucho más tiempo a crear nuevos tipos de actividades, incluyendo simulaciones en las que los estudiantes representan teorías de autores como Adam Smith o Max Weber y experimentan con ellas. Según su experiencia, algunos de estos proyectos produjeron más creatividad y trabajo intelectual que los ensayos convencionales. Silver también utiliza ejemplos de trabajos generados por IA para mostrar a los estudiantes cómo tienden a parecerse entre sí y para plantearles el desafío de producir algo que vaya más allá de ese nivel de respuesta. Su experiencia introduce una perspectiva importante: la aparición de la IA obliga a replantear qué tipo de actividades permiten demostrar realmente que se ha aprendido.

Una dificultad especialmente importante aparece en la educación en línea. Elizabeth Strom, profesora de la University of South Florida, señala que resulta prácticamente imposible impedir completamente el uso de IA en cursos totalmente virtuales. El problema no es solamente detectar si un texto ha sido generado artificialmente, sino determinar su procedencia cuando el profesor trabaja con decenas de estudiantes a los que apenas conoce. Las tareas pueden diseñarse incorporando citas, números de página, opiniones personales, debates o juegos de rol, pero también pueden ser manipuladas con herramientas generativas. Strom señala además la falta de criterios institucionales uniformes: cuando cada profesor establece sus propias reglas sobre IA, los estudiantes reciben mensajes diferentes acerca de qué usos son aceptables.

Otro aspecto relevante es la transformación del papel del profesor. Neal Hebert, profesor de teatro, explica que ha pasado de considerarse un colaborador en el aprendizaje de sus estudiantes a sentirse en ocasiones como un investigador de plagio. Después de comprobar que numerosos trabajos sobre obras conocidas presentaban estructuras y expresiones similares a las generadas por ChatGPT, comenzó a utilizar obras menos conocidas, sobre las que los modelos tienen menos información disponible. Sin embargo, incluso esta estrategia tiene limitaciones. Su testimonio refleja una preocupación más profunda: si los estudiantes dejan de leer, interpretar y experimentar personalmente con las obras, podrían perder parte de la capacidad crítica y creativa que necesita un profesional de las artes.

El artículo presenta también una perspectiva más favorable a la incorporación de la IA. Auyon Siddiq, profesor de gestión y tecnología en UCLA, describe un curso de estadística en el que se permite explícitamente el uso de IA, incluso durante los exámenes, para comprobar qué sucede cuando los estudiantes pueden utilizar libremente estas herramientas. La experiencia le ha llevado a reconsiderar la enseñanza y a dedicar más tiempo a aspectos como la estructura de las clases, los ejemplos y los casos prácticos. Lauren Aulet, investigadora de psicología y ciencias cerebrales, señala igualmente que la IA puede reducir considerablemente el coste de experimentar con código y análisis computacional. Estos testimonios introducen una distinción fundamental: que la IA sea problemática para determinadas formas de evaluación no significa que carezca de utilidad para la investigación o la enseñanza.

Uno de los problemas más destacados por los docentes es, por tanto, la pérdida de confianza. Beth Ritter-Conn explica que la educación universitaria puede funcionar como un espacio de descubrimiento en el que los estudiantes formulan ideas, se equivocan, reciben retroalimentación y modifican sus puntos de vista. Si el profesor no sabe si una reflexión, un diario personal o una respuesta a una lectura procede realmente del estudiante, se rompe una parte esencial de esa relación. La docente ha respondido aumentando las actividades presenciales, la escritura a mano, los exámenes en papel y la toma de apuntes sin dispositivos. Estas medidas parecen mejorar la situación, pero también convierten al profesor en una figura que debe vigilar y controlar constantemente el uso de tecnología, en lugar de concentrarse exclusivamente en enseñar.

El caso de Jane Sloan Peters adquiere especial relevancia al final del artículo porque introduce una dimensión generacional. Recuperando una reflexión de Toni Morrison sobre el lenguaje y la relación entre generaciones, Peters plantea que los estudiantes también están viviendo una situación de incertidumbre ante una tecnología que transformará sus vidas. Desde esta perspectiva, los jóvenes no solo necesitan que los profesores les digan qué está permitido y qué está prohibido, sino que esperan de ellos orientación para comprender qué significa seguir pensando y escribiendo en un mundo en el que una máquina puede producir textos convincentes en segundos. La cuestión no sería únicamente cómo impedir el uso de IA, sino cómo ayudar a los estudiantes a comprender por qué sus propias palabras, sus errores, sus dudas y sus procesos de pensamiento siguen teniendo valor.

Digitalización a gran escala en la era de la inteligencia artificial: cuestiones y modelos de acuerdo para bibliotecas y sus socios

Center for Research Libraries (CRL). (2026). Large Scale Digitization in the AI Era: Issues and Model Terms for Libraries and Their Partners. Center for Research Libraries, 14 pp. Publicado el 14 de septiembre de 2026.

Texto completo

El documento del Center for Research Libraries (CRL) aborda el creciente número de propuestas para digitalizar colecciones bibliotecarias a gran escala y utilizar posteriormente esos contenidos y sus metadatos en sistemas comerciales de inteligencia artificial. Estas colaboraciones pueden facilitar la preservación, ampliar el acceso a las colecciones y reducir los costes de digitalización, pero plantean cuestiones fundamentales sobre propiedad, usos autorizados, acceso público, control institucional, compensación, atribución, privacidad y custodia a largo plazo.

El informe propone que las bibliotecas establezcan condiciones claras antes de poner sus colecciones a disposición de empresas tecnológicas y sistemas de IA. El CRL considera especialmente importante que las instituciones comprendan qué valor generan sus colecciones digitales y qué usos podrán realizar terceros con ellas. El documento pretende servir como punto de partida para desarrollar términos contractuales comunes y orientar futuras negociaciones entre bibliotecas y empresas, incluyendo posibles acuerdos colectivos, solicitudes conjuntas de propuestas y la creación de corpus digitales compartidos.

En definitiva, el informe plantea que la digitalización ya no debe contemplarse únicamente como una estrategia de preservación y acceso, sino también como una cuestión de gobernanza de datos culturales y científicos en la era de la IA. Las decisiones que adopten ahora las bibliotecas pueden contribuir a establecer nuevas normas sobre cómo se utilizan comercialmente colecciones que han sido conservadas y gestionadas como bienes de interés académico y cultural. El CRL señala que cualquier modelo definitivo deberá someterse a nuevas discusiones entre las bibliotecas y a revisión jurídica.

Finalmente, el documento presenta una plantilla marco de términos modelo (Model Digitization Terms) que sirve como guía de negociación para los contratos:

  • Propósito, alcance y derechos de la biblioteca: La biblioteca debe mantener autoridad final sobre qué se digitaliza y conservar derechos para preservar, analizar, albergar y prestar los archivos.
  • Usos del socio e IA: Se exige que cualquier entrenamiento de modelos, evaluación o comercialización mediante IA requiera una autorización explícita y específica, de modo que el silencio contractual nunca sea interpretado como permiso.
  • Metadatos y estándares técnicos: Se debe limitar la cesión inicial de metadatos al mínimo necesario y exigir que el socio devuelva OCR enriquecido, transcripciones e identificadores en formatos interoperables y de calidad de conservación.
  • Estructura económica e indemnizaciones: El socio comercial debe asumir los costos directos e incrementales del proyecto. Legalmente, se debe eximir a la biblioteca de garantizar autorizaciones masivas de derechos de autor, trasladando la responsabilidad e indemnización de los usos derivados al desarrollador.
  • No exclusividad y gobernanza: Salvo excepciones temporales y justificadas, las licencias deben ser no exclusivas, sin cláusulas de confidencialidad que impidan transparentar los términos ante la comunidad académica.

Tendencias del entorno informativo en 2026: resultados de la encuesta internacional a expertos

Altay, Sacha, Sebastián Valenzuela y Philip N. Howard, eds. “Trends in the Information Environment: 2026 Expert Survey Results.” Zurich: International Panel on the Information Environment (IPIE), 2026. Synthesis Report, SR2026.3. DOI: 10.61452/MEMA1194.

PDF

El informe IPIE 2026 muestra un creciente deterioro del entorno informativo, marcado por la desinformación, la falta de responsabilidad de las plataformas y la polarización. La IA generativa puede facilitar el acceso a la información, pero también reducir la diversidad de fuentes, las visitas a contenidos originales y la confianza en los medios.

El informe del International Panel on the Information Environment (IPIE) analiza cómo está evolucionando el entorno informativo mundial a partir de la cuarta encuesta anual realizada a investigadores especializados en información, medios, plataformas digitales, desinformación, algoritmos y alfabetización mediática. La encuesta se realizó entre mayo y junio de 2026 y reunió las respuestas completas de 470 expertos con conocimiento sobre 71 países, casi la mitad de ellos centrados en economías en desarrollo. El estudio parte de una transformación fundamental: las personas ya no se limitan a buscar información, sino que cada vez reciben contenidos previamente seleccionados, ordenados y resumidos por algoritmos, redes sociales y, cada vez más, sistemas de inteligencia artificial generativa. Esta transición modifica no solo la manera de acceder a las noticias y al conocimiento, sino también quién controla los mecanismos que determinan qué información aparece, en qué orden y con qué contexto.

Uno de los resultados más consistentes de la investigación es que los expertos mantienen, por cuarto año consecutivo, una concepción bastante estable de lo que constituye un entorno informativo saludable. La disponibilidad de información precisa continúa siendo considerada el elemento fundamental: el 64 % la considera absolutamente esencial y el 90 % la sitúa entre los niveles más altos de importancia. En segundo lugar aparece la diversidad de voces, considerada absolutamente esencial por el 47 % de los especialistas, seguida de la diversidad en la propiedad de los medios, con el 41 %. Sin embargo, el problema no parece ser únicamente la posibilidad de acceder a diferentes puntos de vista: el 76 % de los expertos considera que las personas pueden encontrar perspectivas diversas en Internet, mientras que solamente el 28 % cree que más de la mitad de la población confía en los principales medios de comunicación para informar con precisión sobre política. Además, solo el 37 % considera que la información disponible proporciona a las personas el conocimiento necesario para participar adecuadamente en la vida cívica.

En relación con las principales amenazas, la falta de responsabilidad y rendición de cuentas de las plataformas digitales aparece como la preocupación más extendida. El 78 % de los expertos la considera una amenaza grande o extrema, seguida de la desinformación, con un 73 %, y la polarización, con un 69 %. También reciben una valoración elevada la concentración del poder en unas pocas plataformas sociales, señalada por el 64 %, y las burbujas de filtros o cámaras de eco, con el 53 %. El informe resulta interesante porque sitúa la inteligencia artificial generativa dentro de un panorama de amenazas más amplio: aunque los expertos manifiestan una preocupación creciente por sus efectos, actualmente consideran más urgentes problemas como la falta de responsabilidad de las plataformas y la desinformación.

La inteligencia artificial generativa constituye, no obstante, uno de los grandes elementos de transformación identificados por el estudio. Por tercer año consecutivo, los expertos esperan que la IA generativa contribuya a empeorar el entorno informativo durante los próximos cinco años. Dentro de sus diferentes aplicaciones, los contenidos audiovisuales generados mediante IA constituyen la mayor preocupación, mientras que los textos generados por IA son considerados relativamente menos problemáticos. El informe subraya que la IA tiene una naturaleza ambivalente: puede reducir los costes de producción de contenidos, ayudar al periodismo y ampliar el acceso a la información, pero también puede producir grandes cantidades de información falsa o engañosa y modificar los mecanismos tradicionales mediante los cuales las personas llegan a las fuentes originales.

Especialmente significativa es la valoración de los resúmenes generados por IA que aparecen en los buscadores. El 79 % de los expertos considera que estos sistemas permitirán encontrar respuestas con mayor rapidez. Sin embargo, esta ganancia de velocidad podría tener consecuencias importantes para el ecosistema informativo: el 64 % espera que disminuyan las visitas a los sitios web de noticias y el 58 % considera probable que se reduzca la diversidad de puntos de vista que encuentran los usuarios. El informe plantea así una cuestión central para bibliotecas, medios y sistemas de información: cuando el buscador proporciona directamente una respuesta sintetizada, el usuario puede obtener información de manera más rápida, pero puede dejar de visitar las fuentes originales. Esto puede afectar al tráfico hacia los medios, a la visibilidad de los productores de información y, potencialmente, a la sostenibilidad económica del periodismo y de otros sistemas de producción de conocimiento.

El informe llega a cuatro conclusiones principales:

  • Los resúmenes generados por IA ofrecen rapidez a costa de las visitas a sitios web de noticias y de la diversidad de puntos de vista.
  • Las condiciones para investigar el entorno informativo han empeorado según todos los indicadores, especialmente en Estados Unidos.
  • La mayor preocupación de los expertos es el poder incontrolado de las plataformas, seguido de la desinformación y la polarización.
  • El pesimismo alcanza niveles récord, siendo más acusado allí donde las condiciones de investigación se valoran mejor.