Archivo de la etiqueta: Inteligencia artificial

Scribbr Detector de IA: herramienta para identificar contenido generado por Inteligencia Artificial

Scribbr Detector

https://www.scribbr.es/detector-de-ia/

Scribbr Detector de IA permite analizar textos en español de hasta 1200 palabras para identificar contenido generado por IA, reconociendo textos producidos por herramientas como ChatGPT, Bard y Bing Chat

Scribbr ofrece un detector de IA diseñado para ayudar a identificar textos generados por inteligencia artificial. Esta herramienta es especialmente útil para educadores, investigadores y escritores que buscan garantizar la autenticidad y originalidad del contenido.

El detector de IA de Scribbr analiza el texto ingresado y determina la probabilidad de que haya sido generado por modelos de inteligencia artificial, como ChatGPT o GPT-4. Utiliza algoritmos avanzados para evaluar patrones de escritura, estructuras lingüísticas y otros indicadores clave.

Además, Scribbr se integra con otros servicios de detección de plagio y mejora de escritura, proporcionando una solución completa para quienes buscan verificar la originalidad de documentos académicos o profesionales.

Plagiarismdetector.net. detector de IA en línea es completamente gratuito

https://plagiarismdetector.net/

Plagiarismdetector.net. es un detector de IA en línea es completamente gratuito y no requiere registro, permitiendo verificar múltiples archivos para identificar texto generado por herramientas de IA como ChatGPT.

Plagiarismdetector.net es una herramienta en línea diseñada para detectar contenido plagiado en textos. Su uso es frecuente entre estudiantes, profesores, escritores y profesionales que buscan garantizar la originalidad de sus documentos y evitar problemas de derechos de autor.

El funcionamiento de la plataforma es sencillo. Primero, los usuarios pueden copiar y pegar su texto directamente en el sitio web o cargar un archivo en formatos como .doc, .pdf o .txt. Una vez ingresado el contenido, la herramienta procede a escanearlo y compararlo con miles de fuentes en internet, bases de datos académicas y otros documentos publicados.

Tras finalizar el análisis, Plagiarismdetector.net genera un informe detallado en el que se muestra el porcentaje de originalidad del texto y las posibles coincidencias encontradas. Además, proporciona enlaces a las fuentes que contienen fragmentos similares, permitiendo a los usuarios verificar la información y hacer correcciones si es necesario.

En algunos casos, la plataforma también ofrece sugerencias para reformular frases y mejorar la autenticidad del contenido. De esta manera, Plagiarismdetector.net se convierte en una herramienta valiosa para garantizar la integridad académica y profesional de los textos, facilitando la detección y prevención del plagio.

QuillBot: la herramienta de IA para mejorar la escritura

Web

Extensión para Chrome

Detector IA

QuillBot es una herramienta de inteligencia artificial diseñada para mejorar la escritura a través de funciones como parafraseo, corrección gramatical, resumen de textos y generación de contenido. Su uso es especialmente útil para estudiantes, escritores, profesionales del marketing y cualquier persona que busque optimizar la claridad y calidad de sus textos.

Una de sus funciones principales es el parafraseo inteligente, que permite reescribir textos sin alterar su significado. Para ello, QuillBot ofrece distintos modos de redacción, desde opciones más formales hasta estilos creativos. Esto es ideal para quienes necesitan reformular textos sin perder precisión ni coherencia.

También ofrece un detector avanzado capaz de analizar contenido generado por IA en varios idiomas, incluyendo español, inglés, francés y alemán.

Además, cuenta con un corrector gramatical y de estilo que analiza los textos en busca de errores ortográficos, gramaticales y de puntuación. Gracias a esta función, los usuarios pueden mejorar la fluidez y profesionalismo de sus escritos.

Otra herramienta destacada es el resumidor de textos, que condensa fragmentos largos en versiones más breves y concisas, resaltando las ideas principales sin perder información relevante. Esto es útil para la lectura rápida de documentos extensos o para la elaboración de resúmenes académicos.

QuillBot también ofrece un generador de citas y referencias, compatible con formatos como APA, MLA y Chicago. Esta función es fundamental para quienes redactan documentos académicos y necesitan incluir citas correctamente formateadas.

Por último, el programa permite expandir o simplificar textos según la necesidad del usuario. Si se requiere mayor profundidad, la opción de expansión añade información relevante, mientras que la simplificación reduce el contenido sin perder el mensaje esencial.

Decopy AI – Plataforma Integral de Detección de IA, detecta texto generado con IA y Humaniza el texto para que no se detecte

Decopy AI

https://decopy.ai/

Decopy AI es una plataforma integral que ofrece herramientas avanzadas para detectar contenido generado por inteligencia artificial. Su objetivo es proporcionar transparencia y confianza en el contenido digital, permitiendo a educadores, empresas y creadores de contenido verificar la autenticidad de textos e imágenes. Todas sus herramientas son gratuitas y accesibles para cualquier usuario.

Entre sus principales funcionalidades se encuentra el Detector de Contenido IA, que permite identificar si un texto ha sido generado por inteligencia artificial. Esto resulta especialmente útil para educadores y revisores de contenido que buscan garantizar la originalidad en artículos, blogs y trabajos académicos.

Otro recurso destacado es el Detector de Imágenes IA, diseñado para analizar imágenes y determinar si han sido creadas o manipuladas con inteligencia artificial. Esta herramienta es de gran utilidad para periodistas y verificadores de contenido que necesitan comprobar la autenticidad de imágenes antes de su publicación.

Además, Decopy AI cuenta con una Búsqueda Inversa de Imágenes, que permite rastrear el origen de una imagen y verificar si ha sido usada en otros sitios web. Complementa esta función con un Parafraseador IA, que ayuda a reescribir textos manteniendo su significado original, ideal para escritores, estudiantes y profesionales del marketing que buscan evitar la duplicación de contenido.

Entre sus ventajas, Decopy AI destaca por su precisión extrema, gracias a algoritmos avanzados que garantizan resultados fiables. Asimismo, es una plataforma completamente gratuita, sin suscripciones ni pagos ocultos, y ofrece privacidad y seguridad, ya que no almacena ni comparte los archivos analizados.

Los usos de Decopy AI abarcan diversos sectores. Los educadores pueden utilizarla para verificar la autenticidad de trabajos académicos y prevenir el uso indebido de IA en las tareas escolares. Los periodistas pueden detectar imágenes falsas o manipuladas, protegiendo la integridad de sus publicaciones. Por su parte, los profesionales del marketing pueden asegurarse de que su contenido sea original y libre de elementos generados por inteligencia artificial.

AI co-scientist de Google es un sistema basado en inteligencia artificial para asistir a los científicos en la generación de hipótesis y propuestas de investigación

Gottweis, Juraj, y Vivek Natarajan. «Accelerating Scientific Breakthroughs with an AI Co-Scientist.» Google Research Blog, 19 de febrero de 2025. https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/

AI co-scientist de Google es un sistema basado en inteligencia artificial desarrollado para asistir a los científicos en la generación de hipótesis y propuestas de investigación, acelerando así el proceso de descubrimientos científicos y biomédicos. Utiliza la plataforma Gemini 2.0 y se estructura como un sistema de múltiples agentes especializados, cada uno con un rol específico, que emulan las fases del método científico, tales como generación, reflexión, evaluación, evolución y revisión.

AI co-scientist representa un avance significativo en la integración de la inteligencia artificial en la ciencia, con el objetivo de acelerar la generación de conocimientos y descubrimientos, apoyando a los científicos en la resolución de grandes desafíos científicos y médicos.

El sistema está diseñado para manejar el crecimiento masivo de publicaciones científicas y la integración de conocimientos de diversas disciplinas, un desafío clave en la ciencia moderna. El AI co-scientist no solo realiza revisiones bibliográficas y resúmenes, sino que también es capaz de generar nuevas áreas de investigación y formular hipótesis originales, las cuales son evaluadas y refinadas a través de ciclos de retroalimentación automáticos. Además, permite que los científicos interactúen con el sistema de manera directa, proporcionando sus propias ideas o retroalimentación, lo que hace que la colaboración sea más fluida.

En pruebas realizadas con expertos de Stanford y el Imperial College de Londres, el sistema mostró un gran potencial al generar hipótesis novedosas que fueron validadas en experimentos de laboratorio. Uno de los ejemplos más destacados fue el descubrimiento de posibles tratamientos para la leucemia mieloide aguda (LMA) mediante la reorientación de fármacos ya existentes, lo cual fue confirmado en varios ensayos in vitro. Además, el AI co-scientist ayudó en la identificación de objetivos terapéuticos para la fibrosis hepática, demostrando su capacidad para identificar intervenciones potenciales basadas en la evidencia preclínica.

Otro ejemplo relevante es su uso en la investigación sobre la resistencia antimicrobiana, donde el sistema generó hipótesis que fueron posteriormente validadas experimentalmente. Esto demuestra el valor de la IA en el campo de la biomedicina, donde la capacidad de generar nuevas perspectivas de manera rápida puede ser crucial para resolver problemas complejos.

Google ha indicado que este sistema no reemplaza a los investigadores, sino que actúa como una herramienta complementaria que potencia la colaboración científica. La compañía también está trabajando en la mejora del sistema, abordando desafíos como la verificación de hechos y la validación más amplia con expertos. Se planea abrir el acceso al sistema mediante un programa de Trusted Tester para que organizaciones de investigación puedan evaluar su potencial en una variedad de contextos científicos y biomédicos.

El alto consumo energético de la IA y su impacto ambiental

Peters, Kyle Wiggers. «ChatGPT May Not Be as Power-Hungry as Once Assumed.» TechCrunch, 11 de febrero de 2025. https://techcrunch.com/2025/02/11/chatgpt-may-not-be-as-power-hungry-as-once-assumed/

Aunque el consumo energético de ChatGPT es menor de lo que se pensaba, el crecimiento y sofisticación de la inteligencia artificial siguen planteando desafíos en términos de sostenibilidad y demanda energética.

Un estudio reciente de Epoch AI ha analizado el consumo energético de ChatGPT y ha desmentido la creencia de que esta inteligencia artificial es excesivamente demandante en términos de electricidad. Un informe de Goldman Sachs reveló que una consulta en ChatGPT consume casi 10 veces más electricidad que una búsqueda en Google. Según el último informe de Epoch, una consulta típica en ChatGPT consume alrededor de 0.3 vatios-hora, una cifra significativamente menor que la estimación previa de 3 vatios-hora por consulta, que equivalía a diez veces el consumo de una búsqueda en Google.

Una estimación más precisa

El informe de Epoch AI señala que la cifra de 3 vatios-hora estaba basada en estudios anteriores que asumían que OpenAI utilizaba chips más antiguos y menos eficientes. En cambio, el nuevo análisis tomó como referencia GPT-4o, el modelo por defecto más reciente de ChatGPT, encontrando que su consumo energético es menor de lo que se creía. Según Joshua You, analista de datos de Epoch, el consumo energético de ChatGPT es insignificante en comparación con el de electrodomésticos comunes, la calefacción o refrigeración del hogar, e incluso el uso de un automóvil.

El impacto ambiental de la IA

El uso energético de la inteligencia artificial, en general, sigue siendo un tema de debate a medida que las empresas del sector expanden sus infraestructuras. Recientemente, más de 100 organizaciones firmaron una carta abierta pidiendo a la industria de la IA y a los reguladores que garanticen que los nuevos centros de datos no agoten los recursos naturales ni aumenten la dependencia de fuentes de energía no renovables.

Aunque la cifra de 0.3 vatios-hora es una mejora respecto a estimaciones previas, el informe reconoce que el consumo energético de la IA seguirá aumentando en el futuro. Modelos de IA más avanzados requerirán más energía para entrenarse y ejecutarse, y el creciente uso de estas tecnologías también contribuirá a una mayor demanda de infraestructura computacional.

El futuro: modelos de razonamiento más exigentes

OpenAI y otras empresas del sector están explorando modelos de razonamiento, que son capaces de realizar tareas más complejas pero requieren más tiempo de procesamiento y, por ende, mayor consumo energético. A diferencia de modelos como GPT-4o, que responden casi instantáneamente, los modelos de razonamiento pueden «pensar» durante varios segundos o incluso minutos antes de generar una respuesta, lo que incrementa significativamente su demanda energética.

Según el informe, en los próximos años, la expansión de centros de datos para soportar estos modelos podría llegar a consumir casi toda la capacidad eléctrica de California en 2022 (68 GW) y, para 2030, el entrenamiento de un solo modelo avanzado podría requerir la energía equivalente a la de ocho reactores nucleares (8 GW).

Alternativas para reducir el consumo

Para mitigar el impacto ambiental, OpenAI ha comenzado a desarrollar modelos más eficientes, como o3-mini, que consumen menos energía. Sin embargo, estos avances podrían no ser suficientes para compensar el aumento en el uso global de la IA.

El informe sugiere que quienes estén preocupados por su huella energética al usar IA pueden optar por modelos más pequeños y eficientes, como GPT-4o-mini, y limitar el uso de funciones que requieran un procesamiento intensivo, como la generación de imágenes o la carga de archivos largos.

OCLC implementa un modelo de Inteligencia Artificial para la detección y eliminación de duplicados en los registros bibliográficos de WorldCat

OCLC. «Implementing AI to Further Scale and Accelerate WorldCat De-Duplication.» Última modificación 4 de febrero de 2025. https://www.oclc.org/en/news/announcements/2025/ai-worldcat-deduplication.html.

OCLC ha implementado un modelo de aprendizaje automático para la detección y eliminación de duplicados en los registros bibliográficos de WorldCat, como parte de sus esfuerzos continuos para mejorar la calidad de los datos y la experiencia de búsqueda para los usuarios de la red global de bibliotecas. La iniciativa comenzó en agosto de 2023, cuando se introdujo el primer modelo de aprendizaje automático para identificar duplicados de libros impresos en inglés, con el apoyo de la comunidad de catalogadores, quienes participaron en ejercicios de etiquetado de datos. Este proceso resultó en la eliminación de alrededor de 5,4 millones de registros duplicados de libros impresos en varios idiomas como inglés, francés, alemán, italiano y español.

El modelo de inteligencia artificial de OCLC se ha optimizado y extendido para abarcar todos los formatos, lenguajes y escrituras de WorldCat, utilizando los datos etiquetados por la comunidad para entrenar y ajustar el algoritmo. Tras una extensa fase de pruebas internas y la colaboración de bibliotecas miembros de WorldCat, se iniciará el 11 de febrero de 2025 una prueba piloto que involucrará la fusión de 500,000 pares de registros duplicados de libros impresos en inglés, que son la categoría más numerosa y la que ha recibido más pruebas hasta ahora.

Después de este primer ensayo, se evaluarán los resultados antes de realizar nuevas pasadas de eliminación de duplicados para los libros impresos en inglés. Una vez completada esta fase, OCLC continuará con la eliminación de duplicados en otros formatos, como materiales no bibliográficos y libros en idiomas distintos al inglés. Se recomienda a las bibliotecas que no usen WorldShare Management Services habilitar las actualizaciones de WorldCat en WorldShare Collection Manager para garantizar que reciban los registros actualizados.

Este esfuerzo, que combina la labor manual de los bibliotecarios con la tecnología avanzada de inteligencia artificial, ha logrado importantes avances en la reducción de duplicados en WorldCat. La eliminación de duplicados es una de las formas más efectivas de mejorar la calidad de WorldCat, y este enfoque automatizado permitirá a las bibliotecas ahorrar tiempo valioso y proporcionar una experiencia más precisa y eficiente para los usuarios, además de avanzar en la misión global de las bibliotecas.

Springer Nature retractó 2.923 artículos el año pasado

Springer Nature. «Research Integrity.» Accessed February 18, 2025. https://www.springernature.com/gp/advancing-discovery/research-integrity

En 2024, los más de 3.000 diarios del portafolio de Springer Nature publicaron más de 482.000 artículos, de los cuales 2.923 fueron retractados, según los datos compartidos en una nueva página sobre integridad en la investigación en su sitio web.

Este es un pequeño fragmento de la información proporcionada, que también detalla las herramientas de control de calidad que utiliza el editor, qué desencadena una investigación de integridad y qué sucede durante dichas investigaciones.

Los datos de las retractaciones se desglosan de la siguiente manera:

  • El 61,5% (1.797 artículos) de las retractaciones correspondieron a trabajos publicados antes de enero de 2023.
  • El 38,5% (1.126) fueron artículos publicados después de enero de 2023.
  • El 41% de las retractaciones de artículos publicados después de 2023 fueron de acceso abierto.

Alice Henchley, directora de comunicación y ética en Springer Nature, comentó que la página se creó para proporcionar más información sobre cómo se mantiene la precisión e integridad de la investigación, especialmente en el contexto de las nuevas tecnologías que impactan el sistema de investigación. Su objetivo es ofrecer transparencia y mostrar el compromiso de Springer Nature con la integridad científica, tanto en el proceso de aceptación de artículos como en la actualización de los registros de publicaciones cuando se identifican problemas después de la publicación.

Entre las retractaciones más notables figuran Environmental Science and Pollution Research, que eliminó artículos debido a citas sospechosas, frases problemáticas y el uso no divulgado de inteligencia artificial; Scientific Reports, que ha enfrentado retractaciones por artículos con frases confusas y problemas relacionados con autorías pagadas; y Applied Nanoscience, que retiró 34 artículos debido a problemas con números especiales editados por invitados.

Este enfoque en la transparencia busca apoyar a la comunidad científica y subraya el compromiso con la integridad en la publicación.

Las mejores herramientas de IA para la investigación (Guía de Nature)

Van Noorden, Richard, y Timothy Perkel. «AI’s Growing Role in Science.» Nature, 2025. https://www.nature.com/articles/d41586-025-00437-0

Las herramientas de inteligencia artificial (IA) están cambiando la investigación científica, con modelos como ChatGPT y DeepSeek facilitando tareas como la redacción y la resolución de problemas complejos. Llama es popular por su adaptabilidad en simulaciones científicas, mientras que Claude destaca en codificación. OLMo, por su parte, ofrece total transparencia en su funcionamiento.

Las herramientas de inteligencia artificial (IA) generativa están revolucionando el panorama de la investigación, ofreciendo una amplia variedad de modelos de lenguaje (LLM) para diferentes tareas. Desde la escritura de códigos hasta la generación de hipótesis o la edición de manuscritos, los investigadores ahora tienen acceso a más herramientas que nunca.

OpenAI y sus modelos de razonamiento
OpenAI, con sede en San Francisco, lanzó su chatbot ChatGPT en 2022, y desde entonces ha desarrollado modelos avanzados como o1 y o3, diseñados para realizar razonamientos paso a paso. Estos modelos sobresalen en tareas como la resolución de problemas matemáticos y la depuración de código. Recientemente, OpenAI introdujo el o3-mini, una versión más rápida y accesible de su modelo de razonamiento, y ‘deep research’, una herramienta que permite generar informes sintéticos de información con citas de múltiples sitios web. Aunque potentes, estos modelos siguen siendo propensos a errores y no pueden reemplazar completamente a un investigador humano.

DeepSeek: el modelo versátil
La empresa china DeepSeek lanzó su modelo DeepSeek-R1, que se destaca por su bajo costo y la capacidad de personalizarse para proyectos de investigación específicos. A diferencia de los modelos de OpenAI, DeepSeek-R1 es de «peso abierto», lo que permite a los investigadores adaptarlo a sus necesidades. Es especialmente útil para tareas como problemas matemáticos y generación de hipótesis. Sin embargo, presenta desventajas como un proceso de pensamiento lento y preocupaciones sobre la seguridad de los datos introducidos.

Llama: el caballo de batalla
Llama, desarrollado por Meta AI, es otro modelo popular entre los investigadores, especialmente por su disponibilidad de código abierto, lo que permite a los usuarios adaptarlo para tareas específicas. Ha sido utilizado en simulaciones de computadoras cuánticas y para predecir estructuras cristalinas de materiales. A pesar de que requiere permisos para su uso, es ampliamente adoptado por la comunidad científica, que valora su accesibilidad y adaptabilidad.

Claude: el experto en codificación
El modelo Claude 3.5 Sonnet de la firma Anthropic, basado en Silicon Valley, es altamente apreciado por su habilidad para escribir código y manejar información visual, como gráficos y tablas. Además, su capacidad para mantener el estilo técnico en la escritura lo hace útil para tareas como la redacción de propuestas de subvenciones y la anotación de códigos. Aunque su uso completo requiere acceso a una API de pago, se valora por su rendimiento en desafíos de codificación.

OLMo: la transparencia total
OLMo 2 es un modelo de código abierto que ofrece una transparencia total, permitiendo a los investigadores examinar tanto los datos de entrenamiento como los algoritmos utilizados para desarrollar el modelo. Este nivel de transparencia es valioso para entender sesgos en los resultados y mejorar la eficiencia del modelo. Sin embargo, su uso requiere conocimientos técnicos, aunque los cursos gratuitos están reduciendo las barreras de entrada.

En general, la IA generativa está transformando la investigación científica, pero la elección del modelo adecuado depende de las necesidades del investigador y los recursos disponibles. Aunque estas herramientas prometen avances significativos, su implementación aún enfrenta desafíos como la supervisión humana y la protección de datos sensibles.

Preparando los ecosistemas nacionales de investigación para la IA

International Science Council. Preparing National Research Ecosystems for AI – Second Edition (2025). Paris: The International Science Council, 2025.

Texto completo

¿Cómo influirá el uso creciente de la IA en la asignación de fondos para la investigación? ¿Qué estándares de datos de investigación evolucionarán? ¿Cómo cambiará la IA la naturaleza de los resultados científicos? ¿Cómo evolucionarán las carreras científicas con el aumento del uso de la IA en la investigación? ¿Qué inversiones en infraestructuras se requieren para el éxito de la IA en el sector científico? ¿Qué ajustes legales son necesarios para permitir el uso de la IA en la investigación, asegurando altos estándares en la conducta responsable de la ciencia? ¿Cómo afectará la IA las colaboraciones internacionales en investigación?

La noción dominante que se comunica sobre la influencia de la inteligencia artificial (IA) es su capacidad para cambiarlo todo en todos los sectores, incluida la ciencia. Más allá de las promesas de nuevos avances en diferentes campos de investigación, están surgiendo una serie de preguntas críticas sobre el impacto de la IA en la documentación, financiación e informes de la ciencia.

Las discusiones en torno a estas preguntas son cruciales para el futuro de la ciencia y los sistemas de investigación. Las instituciones de investigación y los ministerios están comenzando a abordarlas, aunque con recursos limitados para guiarlos. Como muestra este estudio, sigue existiendo una notable falta de literatura comprensiva sobre el impacto de la IA en los aspectos estructurales de la ciencia y la investigación.

Varios países han desarrollado estrategias generales de IA para establecer sus planes y aspiraciones en cuanto al desarrollo e implementación de la IA en diferentes sectores. A pesar de las implicaciones inmediatas y significativas de estas estrategias para la ciencia y la investigación, estos documentos generalmente solo ofrecen declaraciones generales sobre la participación de las instituciones científicas y de investigación en la ejecución de los planes nacionales, sin profundizar en las implicaciones concretas.

Esto no sugiere que los países estén inactivos. Al contrario, se están formando asociaciones, lanzando iniciativas de capacitación, estableciendo infraestructuras e implementando políticas. Sin embargo, las personas en los ministerios gubernamentales, universidades y empresas de consultoría encargadas de preparar el entorno de investigación para la IA están trabajando en gran medida con especulaciones sobre los principales desafíos y tienen una visión limitada sobre los enfoques adoptados por países de tamaño y capacidad similares.

Los marcos que delinean los problemas clave para que los países consideren al planificar la integración de la IA en sus ecosistemas de investigación pueden ser de gran ayuda en esta etapa crítica. Este documento de trabajo ofrece uno de estos marcos, derivado de un análisis de la literatura existente.

La segunda edición del documento presenta un total de 18 estudios de caso de países de diferentes tamaños y regiones, elaborados por personas directamente involucradas en estas discusiones en sus respectivos países. Este documento es una expansión de la edición anterior publicada en marzo de 2024.

Es importante considerar las circunstancias de países de diversos tamaños, que también son grandes contribuyentes a los avances científicos, en lugar de centrarse únicamente en las grandes potencias de la IA. Se buscó deliberadamente obtener información sobre cómo los países pequeños y medianos están preparando sus ecosistemas de investigación para la adopción de la IA.

Este documento de trabajo tiene como objetivo:

  • Recopilar conocimientos e información sobre los problemas y los esfuerzos actuales para preparar los sistemas de ciencia e investigación para la IA.
  • Ayudar a los países a desarrollar hojas de ruta para la adopción de la IA en sus sistemas científicos.
  • Crear redes regionales y globales de personas involucradas en la reflexión sobre la adaptación e implementación de la IA para la ciencia.
  • Sensibilizar y ayudar a dar forma a una discusión crítica entre las comunidades científicas y políticas sobre los problemas cruciales que plantea la IA para la organización de la ciencia y la investigación.

El desarrollo del documento de trabajo se benefició de un taller convocado en octubre de 2023 en Kuala Lumpur, Malasia, y un taller en Santiago de Chile, Chile, en abril de 2024, que reunió a participantes de alrededor de 12 países de cada región de Asia y el Pacífico, y América Latina y el Caribe. Las contribuciones de algunos países que participaron en los talleres se han incorporado a la segunda versión del documento. La coordinación de los talleres fue generosamente apoyada por la Academia Australiana de Ciencias y la Academia de Ciencias de Malasia para el taller en Malasia, y la Iniciativa Latinoamericana para Datos Abiertos (ILDA) y la Academia Colombiana de Ciencias Exactas, Físicas y Naturales (ACCEFYN) para el taller en Chile.