Archivo de la etiqueta: Inteligencia artificial

PaperOrchestra: cuando la inteligencia artificial comienza a escribir artículos científicos completos

Robots working together on research with holographic data displays in an AI lab

Song, Yiwen Song; Song, Yale Song; Pfister, Tomas Pfister; Yoon, Jinsung Yoon. “PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing”. Proyecto de investigación de Google Cloud, 2026. Disponible en: PaperOrchestra Project Page y preprint en arXiv PaperOrchestra

PaperOrchestra demuestra que la inteligencia artificial ha comenzado a superar una frontera decisiva: no solo analizar datos o asistir al investigador, sino producir de forma casi autónoma artículos científicos completos, lo que obliga a replantear el futuro de la autoría académica, la evaluación científica y el propio significado de hacer investigación en la era algorítmica.

El proyecto PaperOrchestra representa uno de los desarrollos más avanzados y provocadores dentro del campo emergente de la automatización científica mediante inteligencia artificial. Diseñado por investigadores de Google Cloud AI Research, el sistema plantea una pregunta que hasta hace muy poco pertenecía al terreno de la especulación: ¿puede una inteligencia artificial redactar de manera autónoma un artículo científico completo, con un nivel de calidad comparable al trabajo de un investigador humano? La respuesta que propone este trabajo es afirmativa, aunque con matices importantes. A diferencia de herramientas convencionales basadas en modelos de lenguaje que simplemente generan texto a partir de instrucciones generales, PaperOrchestra funciona como un sistema multiagente especializado, capaz de transformar materiales de investigación desestructurados —notas de laboratorio, resultados experimentales, tablas de datos o esquemas conceptuales— en manuscritos académicos completamente estructurados y preparados para su envío a congresos científicos internacionales.

La arquitectura del sistema constituye uno de sus aspectos más innovadores. En lugar de confiar en un único modelo lingüístico para realizar todas las tareas, PaperOrchestra distribuye el trabajo entre varios agentes especializados que operan de manera coordinada, imitando en cierto modo el proceso real de elaboración de un paper dentro de un grupo de investigación humano. Un primer agente se encarga de analizar la información inicial y construir un esquema lógico del artículo; otro genera automáticamente gráficos estadísticos, diagramas conceptuales o visualizaciones necesarias para ilustrar resultados; un tercer agente realiza búsquedas bibliográficas específicas en bases de datos académicas para localizar trabajos previos relevantes y verificar automáticamente la existencia y pertinencia de las citas mediante integración con APIs científicas como Semantic Scholar; posteriormente un agente de redacción produce el manuscrito completo en formato LaTeX siguiendo plantillas específicas de congresos como CVPR o ICLR; finalmente, un agente adicional actúa como simulador de revisión por pares, detectando debilidades argumentativas y refinando sucesivamente el documento hasta alcanzar un nivel de presentación comparable al estándar académico profesional.

Para evaluar rigurosamente el rendimiento del sistema, los autores desarrollaron un benchmark denominado PaperWritingBench, uno de los primeros conjuntos de datos diseñados específicamente para medir la capacidad de sistemas autónomos de escritura científica. El benchmark fue construido a partir de doscientas publicaciones reales procedentes de congresos de máximo prestigio en inteligencia artificial, concretamente cien artículos de CVPR 2025 y cien de ICLR 2025. Los investigadores invirtieron el proceso habitual de producción científica: en lugar de proporcionar artículos terminados, extrajeron únicamente materiales previos a la redacción —resúmenes conceptuales, registros experimentales, tablas numéricas, observaciones derivadas de figuras y directrices editoriales— obligando así a la inteligencia artificial a reconstruir todo el artículo desde cero. Este diseño permite evaluar con precisión hasta qué punto el sistema puede asumir el proceso intelectual que tradicionalmente corresponde al investigador humano durante la escritura académica.

Los resultados obtenidos son especialmente llamativos y muestran el grado de sofisticación alcanzado por este tipo de sistemas. En evaluaciones comparativas realizadas con once investigadores humanos especializados en inteligencia artificial, PaperOrchestra superó de forma consistente a otros sistemas autónomos de generación académica. En calidad de revisión bibliográfica obtuvo márgenes de victoria de entre el cincuenta y el sesenta y ocho por ciento frente a modelos competidores, mientras que en calidad general del manuscrito alcanzó ventajas de entre el catorce y el treinta y ocho por ciento. Aunque todavía existe una diferencia apreciable respecto a artículos escritos íntegramente por investigadores humanos, los resultados sugieren que la brecha comienza a reducirse de forma acelerada. Lo verdaderamente significativo no es únicamente que la máquina pueda redactar un texto coherente, sino que sea capaz de integrar referencias verificadas, producir visualizaciones científicas consistentes y adaptar automáticamente la presentación formal a estándares editoriales concretos.

Este desarrollo abre interrogantes profundos sobre el futuro mismo de la comunicación académica. Durante siglos, escribir un artículo científico no ha sido únicamente un mecanismo administrativo para difundir resultados, sino parte esencial del proceso intelectual del investigador. La escritura obliga a ordenar ideas, justificar decisiones metodológicas, detectar inconsistencias conceptuales y construir interpretaciones sólidas sobre los datos obtenidos. Sistemas como PaperOrchestra introducen la posibilidad de externalizar buena parte de ese trabajo cognitivo a agentes artificiales capaces de generar manuscritos completos en cuestión de minutos. Esto podría transformar radicalmente la productividad científica, pero también generar riesgos significativos: proliferación masiva de papers automatizados, saturación extrema del sistema de revisión por pares, incremento exponencial de publicaciones redundantes y debilitamiento progresivo del vínculo entre producción intelectual y responsabilidad autoral. La propia plataforma incorpora una declaración ética donde insiste en que la herramienta debe entenderse como un asistente avanzado y no como un autor autónomo, manteniendo el investigador humano la responsabilidad última sobre la veracidad y originalidad del contenido generado.

Desde una perspectiva más amplia, PaperOrchestra parece anticipar una transformación histórica comparable a la invención misma del artículo científico moderno en el siglo XVII. Si la imprenta, las revistas académicas y posteriormente internet modificaron radicalmente las formas de circulación del conocimiento, la inteligencia artificial podría estar inaugurando una nueva etapa donde producir ciencia ya no implicará necesariamente escribirla manualmente. El investigador del futuro podría concentrarse en formular hipótesis, diseñar experimentos y validar resultados, mientras sistemas autónomos se encargan de estructurar, redactar, ilustrar y presentar formalmente el conocimiento generado. La cuestión ya no es únicamente tecnológica, sino filosófica: si una máquina puede redactar ciencia con calidad equiparable a la humana, será necesario redefinir qué entendemos por autoría científica, mérito intelectual y producción original de conocimiento en el siglo XXI.

¿Es el artículo científico la próxima víctima de la inteligencia artificial? La transformación radical de la comunicación científica

Requarth, Tim. “The next unit of science: Is the scientific paper due to be replaced?” En The Transmitter, sección From Bench to Bot, 11 de mayo de 2026. Publicado en el medio especializado The Transmitter: Neuroscience News and Perspectives

El artículo de plantea una cuestión profundamente disruptiva para el ecosistema académico contemporáneo: si el tradicional artículo científico —la unidad fundamental de comunicación del conocimiento desde hace más de tres siglos— está entrando en una fase terminal debido al avance de la inteligencia artificial.

La reflexión parte de una perspectiva histórica, recordando que antes de la aparición de las revistas científicas en el siglo XVII, los investigadores publicaban extensos tratados, como hizo Johannes Kepler en Astronomia Nova o Isaac Newton en su célebre Principia. La aparición de publicaciones periódicas, como Philosophical Transactions de la Royal Society, permitió acelerar el intercambio de resultados científicos, fragmentando el conocimiento en unidades más pequeñas y dinámicas: el paper. Durante siglos, este modelo fue extraordinariamente exitoso y permitió avances acumulativos que definieron la ciencia moderna.

Sin embargo, según el autor, ese modelo ha comenzado a mostrar signos evidentes de agotamiento, y la irrupción de la inteligencia artificial no hace sino acelerar una crisis que ya existía. Herramientas basadas en modelos de lenguaje permiten hoy producir artículos académicos a una velocidad sin precedentes, hasta el punto de saturar completamente el sistema de revisión por pares. Se menciona el caso de investigadores que generan versiones casi idénticas de estudios reutilizando bases de datos públicas con ligeras modificaciones textuales para evitar sistemas antiplagio, así como el desarrollo de sistemas automatizados como Paper Orchestra, presentado por Google, capaz de transformar notas de laboratorio en un manuscrito científico completo, con figuras y referencias verificadas, en apenas cuarenta minutos. Esta automatización masiva amenaza directamente uno de los pilares del sistema científico: la evaluación rigurosa realizada por expertos humanos, cuyos tiempos y capacidades están siendo desbordados.

Frente a esta situación, diversos científicos comienzan a proponer un replanteamiento radical de la propia estructura de la publicación académica. El artículo analiza especialmente el proyecto OpenEval, desarrollado por investigadores como Lior Pachter y colaboradores, que propone descomponer cada paper en unidades verificables: afirmaciones concretas, evidencias que las sustentan y evaluaciones automatizadas de la consistencia de dichas evidencias. Aplicado a cerca de 16.000 artículos de la revista eLife, el sistema logró identificar casi dos millones de afirmaciones individuales y mostró una capacidad de evaluación comparable a revisores humanos, aunque con una cobertura significativamente superior. La idea central consiste en separar dos funciones que actualmente están fusionadas en el paper: por un lado, la comunicación estructurada de resultados; por otro, la narrativa interpretativa que contextualiza esos hallazgos.

El texto presta especial atención a cómo esta transformación podría beneficiar disciplinas particularmente fragmentadas como la neurociencia. En campos donde conviven investigaciones sobre genética molecular, sinapsis neuronales, comportamiento, neuroimagen o psicología experimental, gran parte del conocimiento permanece aislado en compartimentos estancos porque ningún investigador puede procesar el volumen total de publicaciones existentes. Sistemas de conocimiento estructurado y legible por máquinas permitirían conectar automáticamente descubrimientos relacionados que actualmente permanecen invisibles entre sí. El autor cita ejemplos concretos en los que investigaciones independientes sobre mecanismos sinápticos similares no llegaron a citarse mutuamente pese a sus implicaciones complementarias, un problema que podría resolverse mediante bases de conocimiento interconectadas alimentadas por inteligencia artificial.

Más radical todavía es la propuesta formulada por la física italiana Francesca Colaiori, quien imagina una futura red adaptativa del conocimiento donde el paper desaparece por completo como unidad principal y es sustituido por “objetos de conocimiento”: hipótesis, conjuntos de datos, métodos, preguntas abiertas o resultados experimentales individuales que se conectan dinámicamente entre sí, de manera similar a una gigantesca enciclopedia científica colaborativa. En este escenario, publicar dejaría de consistir en redactar un artículo cerrado y pasaría a parecerse más a editar una red viva de conocimiento colectivo. Paralelamente, revistas como NEJM AI ya experimentan con sistemas híbridos en los que revisores humanos trabajan junto a modelos de lenguaje que generan informes automatizados, reduciendo el tiempo entre envío y aceptación a apenas siete días.

No obstante, Requarth introduce una advertencia crucial frente a este entusiasmo tecnológico. El acto mismo de escribir un artículo científico no es únicamente un mecanismo administrativo de comunicación, sino una parte fundamental del proceso intelectual del investigador. La dificultad de redactar obliga a clarificar ideas, detectar incoherencias metodológicas, reorganizar argumentos y descubrir debilidades conceptuales que a menudo no se perciben durante la experimentación. Automatizar completamente la escritura científica podría eliminar precisamente ese proceso cognitivo donde muchas veces surge una comprensión más profunda del propio descubrimiento. En otras palabras, aunque el artículo científico sea un formato imperfecto como contenedor de datos, podría seguir desempeñando una función intelectual esencial que no resulta fácilmente reemplazable por sistemas automatizados.

El ensayo sitúa a la ciencia en un momento histórico comparable a la transición que siglos atrás llevó del tratado erudito al artículo breve de revista. Así como aquel cambio revolucionó la velocidad y naturaleza del progreso científico, la inteligencia artificial podría estar impulsando una nueva mutación estructural en la forma en que la humanidad organiza, valida y comparte el conocimiento. El paper tradicional, argumenta el autor, ya está siendo superado de facto por un ecosistema caótico formado por archivos suplementarios interminables, repositorios de datos, código sin documentar y bases distribuidas en múltiples plataformas. La pregunta ya no sería si el artículo científico desaparecerá, sino qué nueva arquitectura sustituirá ese modelo y cómo preservar, en medio de esa transición tecnológica, la dimensión profundamente humana del pensamiento científico. El futuro de la investigación, concluye Requarth, dependerá de encontrar un equilibrio entre la eficiencia algorítmica y la reflexión intelectual que durante siglos ha definido el acto mismo de hacer ciencia.

¿De quién es realmente una respuesta generada por inteligencia artificial? Propiedad intelectual, autoría y dilemas emergentes en la era de la IA

The AI School Librarian. “Who Owns an AI Answer?”. Publicado en Substack, 2026. Disponible en: The AI School Librarian (Substack)

Se aborda una de las cuestiones más complejas surgidas con la expansión de la inteligencia artificial generativa: la propiedad intelectual de los contenidos creados con ayuda de sistemas como ChatGPT, Gemini o Claude. A medida que estas herramientas producen textos, imágenes, código o ideas cada vez más sofisticadas, surge una pregunta central tanto en el ámbito educativo como en el legal: ¿quién puede reclamar la autoría o propiedad de una respuesta producida por una máquina entrenada con datos ajenos?

Durante años, una de las explicaciones más repetidas por las grandes empresas de inteligencia artificial ha sido relativamente sencilla: los sistemas de IA pueden cometer errores. Desde el comienzo, compañías tecnológicas han advertido a sus usuarios que deben contrastar la información generada, verificar las fuentes y mantener una actitud crítica frente a cualquier respuesta producida por estos sistemas. Estas advertencias aparecen de forma habitual en manuales, políticas de uso y declaraciones públicas de prácticamente todas las empresas que desarrollan herramientas de inteligencia artificial.

Sin embargo, una reciente decisión judicial en Alemania parece indicar que esa explicación podría dejar de ser suficiente.

Un tribunal alemán ha dictaminado que Google puede ser considerado legalmente responsable por información falsa generada por su sistema AI Overviews, la función que ofrece resúmenes automáticos en los resultados de búsqueda. El caso se originó cuando el sistema vinculó erróneamente a dos editores con actividades fraudulentas y estafas. La defensa de Google siguió el argumento habitual: la inteligencia artificial puede equivocarse y los usuarios no deberían asumir que todas las respuestas generadas son completamente precisas. El tribunal, sin embargo, rechazó esta justificación.

La relevancia de esta resolución judicial radica en que desplaza el foco del debate. Hasta ahora, gran parte de la discusión sobre inteligencia artificial se había centrado en cómo se entrenan los modelos, qué datos utilizan o si vulneran derechos de autor durante ese proceso. La sentencia introduce otra perspectiva: no importa únicamente cómo funciona la IA internamente, sino también qué tipo de información entrega directamente al usuario y quién asume la responsabilidad cuando esa información resulta falsa o perjudicial.

La cuestión trasciende ampliamente a Google. Durante los últimos años, buena parte del debate sobre inteligencia artificial en educación se ha centrado casi exclusivamente en el comportamiento de los estudiantes: el posible plagio, la integridad académica, el uso adecuado de herramientas generativas o el papel que debe ocupar la IA dentro del aprendizaje. Mucho menos se ha discutido sobre las obligaciones de las empresas tecnológicas cuando sus sistemas generan información errónea y esa información termina afectando a personas reales o condicionando decisiones importantes.

El texto analiza cómo los sistemas de IA generativa funcionan a partir de modelos entrenados sobre enormes cantidades de información extraída de internet, libros, artículos académicos, obras creativas y otros materiales protegidos por derechos de autor. Cuando un usuario introduce una instrucción o prompt, la IA no “crea” en un sentido humano tradicional, sino que genera una respuesta basada en patrones estadísticos aprendidos durante el entrenamiento. Esto complica enormemente la atribución de propiedad, porque la respuesta final puede contener ecos, estructuras o influencias derivadas de miles de obras previas, cuyos autores originales raramente han dado consentimiento explícito para ese uso.

Desde el punto de vista jurídico, el artículo subraya que en muchas legislaciones actuales —especialmente en Estados Unidos y Europa— la protección del copyright exige un grado de creatividad humana identificable. Esto significa que un contenido generado enteramente por inteligencia artificial podría no ser susceptible de protección legal como obra original, o al menos no bajo los marcos tradicionales del derecho de autor. La intervención humana, por tanto, se vuelve decisiva: cuanto mayor sea el nivel de edición, selección, reformulación o dirección creativa del usuario, más sólida resulta su posible reclamación de autoría sobre el resultado final.

El artículo dedica especial atención al ámbito educativo, donde docentes, investigadores y bibliotecarios deben enfrentarse a nuevos escenarios éticos relacionados con el uso de herramientas generativas. Si un estudiante presenta como propio un trabajo elaborado en gran parte por inteligencia artificial, surge un debate no solo sobre plagio, sino sobre autenticidad intelectual y aprendizaje real. Del mismo modo, en la producción académica y editorial aparece la necesidad de establecer criterios transparentes para declarar cuándo un texto ha sido asistido por IA y en qué medida esa asistencia altera la noción tradicional de autor.

La reflexión final plantea que la inteligencia artificial está obligando a redefinir conceptos fundamentales como creación, originalidad, propiedad intelectual y responsabilidad autoral. Más que una simple cuestión tecnológica, el problema revela una transformación profunda en la relación entre conocimiento, producción cultural y derechos de propiedad. En este nuevo escenario, bibliotecas, universidades, editoriales y legisladores deberán desempeñar un papel central en la construcción de marcos éticos y jurídicos capaces de responder a una pregunta cada vez más urgente: cuando una máquina produce conocimiento, ¿a quién pertenece realmente esa creación?

La inteligencia artificial generativa en la educación superior: percepciones, oportunidades y desafíos éticos desde la mirada estudiantil

Lopes, Carlos; Antunes, Maria Luz; Sanches, Tatiana. “Inteligência Artificial Generativa no Ensino Superior: perceções, crenças e desafios éticos dos estudantes de Psicologia e da Educação”. Ibersid. Revista de Sistemas de Información y Documentación, vol. 20, nº 1 (enero-junio 2026), pp. 109-123.

El artículo analiza en profundidad cómo los estudiantes universitarios portugueses perciben la incorporación de la Inteligencia Artificial Generativa (IA-Gen) en el contexto de la educación superior, centrándose especialmente en alumnado de las áreas de Psicología y Ciencias de la Educación. Los estudiantes quieren ser socios, no pasajeros: no solo quieren aprender sobre IA-Gen, sino ayudar a moldar la forma en que la IA se integra en la educación y cómo los prepara para el futuro.

Los autores parten de la idea de que herramientas como ChatGPT han transformado radicalmente la manera en que los estudiantes acceden al conocimiento, estudian, sintetizan información y desarrollan tareas académicas. Sin embargo, sostienen que la verdadera cuestión no reside únicamente en la sofisticación tecnológica de estas herramientas, sino en la capacidad crítica del alumnado para utilizarlas de forma ética, responsable y académicamente rigurosa. El estudio sitúa la irrupción de la IA generativa como uno de los fenómenos más disruptivos en la universidad contemporánea, obligando a replantear metodologías docentes, sistemas de evaluación y competencias digitales necesarias para desenvolverse en un ecosistema cada vez más automatizado.

La investigación se desarrolló a partir de una muestra de 272 estudiantes universitarios portugueses de primer año, pertenecientes principalmente a titulaciones de Psicología (73,1%) y Ciencias de la Educación, empleando una metodología mixta que combinó cuestionarios estructurados, escalas de percepción y preguntas abiertas. Los resultados muestran una penetración extraordinariamente rápida de estas tecnologías en la vida académica: el 96 % de los estudiantes declara utilizar herramientas de IA generativa, mientras que un 58,9 % afirma emplearlas semanalmente y un 12 % incluso diariamente. La plataforma claramente dominante es ChatGPT, utilizada por un 88 % de los encuestados, seguida por otras herramientas emergentes como Google Gemini, Microsoft Copilot, Perplexity o NotebookLM. Su uso principal se concentra en comprender temas complejos, resumir contenidos académicos, elaborar trabajos escritos y generar ideas para proyectos o presentaciones.

Uno de los hallazgos centrales del estudio es que los estudiantes manifiestan una actitud que los autores denominan “optimismo crítico”. Los encuestados consideran que la IA resulta intuitiva, fácil de usar y muy útil para ahorrar tiempo y esfuerzo en tareas académicas. Sin embargo, lejos de aceptar de manera acrítica sus respuestas, muestran conciencia de que la calidad del resultado depende en gran medida de saber formular correctamente las preguntas o prompts. De hecho, la puntuación más alta de toda la investigación corresponde precisamente al reconocimiento de que la capacidad para plantear instrucciones adecuadas es fundamental para obtener buenos resultados. Esto revela que los estudiantes no entienden la IA como una solución automática o mágica, sino como una herramienta que exige nuevas competencias técnicas y cognitivas para aprovechar plenamente su potencial.

El trabajo dedica especial atención a la fiabilidad de la información generada por la IA y a las preocupaciones éticas derivadas de su uso. Aquí aparece uno de los datos más significativos: casi todos los estudiantes coinciden en que cualquier información proporcionada por sistemas de IA debe verificarse con fuentes expertas o académicas antes de ser utilizada. Existe un escepticismo considerable respecto a la exactitud de las respuestas automáticas, reflejando una conciencia clara de fenómenos como las “alucinaciones” de los modelos generativos. Paralelamente, emergen inquietudes relacionadas con el plagio académico, la privacidad de los datos compartidos, la seguridad digital y la necesidad de que las universidades establezcan normativas claras que regulen el uso de estas herramientas dentro de los procesos de enseñanza y evaluación. La investigación muestra así que la aceptación tecnológica convive permanentemente con una actitud prudente respecto a sus riesgos potenciales.

Otro resultado especialmente interesante es la comparación que hacen los propios estudiantes entre la inteligencia artificial y el papel del profesorado. Aunque reconocen que la IA puede proporcionar respuestas estructuradas y facilitar el acceso rápido a información, la mayoría considera que la inteligencia de estas herramientas sigue siendo claramente inferior a la de sus docentes. Los encuestados rechazan la idea de que la IA pueda sustituir completamente la función del profesor o convertirse en una autoridad intelectual autónoma. Para ellos, el docente continúa siendo una figura esencial como mediador pedagógico, orientador crítico y garante de la calidad del aprendizaje. Esta percepción resulta especialmente relevante porque desmonta la idea de que los estudiantes desean reemplazar la enseñanza humana por sistemas automatizados; más bien ven la IA como un complemento funcional, no como un sustituto del conocimiento experto y la experiencia pedagógica.

En las preguntas cualitativas abiertas aparecen preocupaciones todavía más profundas acerca de los efectos sociales, cognitivos y ambientales de estas tecnologías. La categoría más mencionada por los participantes fue la erosión cognitiva, es decir, el temor a que una dependencia excesiva de la IA termine debilitando capacidades humanas fundamentales como la creatividad, la escritura autónoma, el esfuerzo intelectual o la capacidad de razonamiento crítico. También aparece una fuerte conciencia ecológica, ya que muchos estudiantes expresan preocupación por el elevado consumo energético, el uso intensivo de agua en centros de datos y la huella ambiental asociada al entrenamiento de modelos de gran escala. Junto a ello, se identifican temores vinculados a la dependencia tecnológica, el aislamiento social, la sustitución laboral por automatización y el aumento de desigualdades económicas derivadas del acceso desigual a herramientas avanzadas de IA.

Cuando se pregunta a los estudiantes cómo debería integrarse la inteligencia artificial en las aulas, las respuestas apuntan a una transformación del papel del profesorado. Los participantes consideran que los docentes deben dejar de ser simples transmisores de información para convertirse en guías de alfabetización en inteligencia artificial. Recomiendan enseñar cómo formular buenos prompts, cómo verificar la fiabilidad de las respuestas, cómo evitar el plagio académico y cómo utilizar la IA como apoyo para desarrollar pensamiento crítico, no para sustituirlo. También proponen emplear estas herramientas en metodologías activas, como la creación de materiales interactivos, cuestionarios, esquemas visuales o actividades de gamificación que hagan las clases más dinámicas. En otras palabras, los estudiantes no rechazan la IA, pero exigen una integración pedagógica acompañada de formación ética y criterios claros de uso responsable.

Como conclusión general, el estudio sostiene que la incorporación de la inteligencia artificial generativa en la universidad constituye mucho más que una innovación tecnológica: representa un cambio estructural en la forma de aprender, investigar y producir conocimiento. Los autores defienden que las instituciones de educación superior deben actuar rápidamente diseñando políticas institucionales claras, programas de alfabetización digital e iniciativas formativas que permitan aprovechar los beneficios de la IA sin poner en riesgo la integridad académica ni las capacidades cognitivas fundamentales del alumnado. El mensaje final del trabajo es claro: la inteligencia artificial puede democratizar el acceso al conocimiento y potenciar enormemente los procesos educativos, pero su integración solo será verdaderamente positiva si permanece subordinada al juicio humano, al pensamiento crítico y a principios éticos sólidos que garanticen que la innovación tecnológica fortalezca, y no debilite, la calidad del aprendizaje universitario.

El amor, el tiempo y el algoritmo: humanismo metafísico y gobernanza ética de la IA en la educación

Teacher and students collaborating on algorithm and time concepts in classroom
Students and a teacher engage with algorithm and time concepts using digital tools

Hedfeld, Patrick. “AI as a socio-technical actor: rethinking definitions for ethics and governance.” Springer Nature – AI and Ethics, vol. 6, artículo 254, 2026. Publicado el 14 de abril de 2026. DOI: 10.1007/s43681-026-01123-1

El artículo de Patrick Hedfeld plantea una revisión profunda de la manera en que actualmente entendemos y definimos la inteligencia artificial, argumentando que las definiciones dominantes resultan insuficientes para afrontar adecuadamente los desafíos éticos y regulatorios que surgen con su expansión.

Tradicionalmente, explica el autor, la inteligencia artificial ha sido entendida desde dos perspectivas principales: una definición técnica centrada en algoritmos, capacidades computacionales y rendimiento en tareas específicas, y una definición orientada a la gobernanza, enfocada en clasificar riesgos, regular usos y establecer marcos jurídicos. Aunque ambas aproximaciones son necesarias, Hedfeld sostiene que dejan fuera un elemento crucial: el contexto social e institucional dentro del cual la IA opera y produce efectos concretos.

La tesis central del trabajo propone considerar la inteligencia artificial no simplemente como una herramienta tecnológica, sino como un actor sociotécnico, es decir, como un sistema que participa activamente en redes complejas de interacción humana, institucional y tecnológica. El autor aclara que esto no significa atribuir conciencia, autonomía moral o personalidad a la IA, sino reconocer que estos sistemas median decisiones humanas, condicionan comportamientos, reorganizan prácticas institucionales y alteran relaciones sociales. Desde esta perspectiva, la IA deja de ser un objeto neutral utilizado por personas y pasa a entenderse como una entidad con capacidad de influir estructuralmente en procesos colectivos.

Uno de los aportes más relevantes del artículo consiste en señalar que las definiciones puramente funcionales de inteligencia artificial no permiten comprender adecuadamente fenómenos éticamente problemáticos que están emergiendo con rapidez. Entre ellos se encuentran la responsabilidad distribuida —cuando no resulta claro quién responde por una decisión tomada con asistencia algorítmica—, la discriminación estructural derivada de sesgos incorporados en los sistemas de entrenamiento, la dependencia epistémica que generan herramientas automatizadas en investigadores o profesionales, y la transformación silenciosa de instituciones que comienzan a reorganizar su funcionamiento en torno a decisiones automatizadas. Según Hedfeld, estos problemas no pueden analizarse correctamente si la IA se sigue entendiendo únicamente como software o infraestructura técnica.

El autor se apoya en campos interdisciplinarios como los estudios sociales de la ciencia y la tecnología (STS), la filosofía de la tecnología y la ética aplicada a la inteligencia artificial para construir su propuesta conceptual. Desde este marco teórico sostiene que la IA actúa como mediadora de acciones humanas: estructura opciones disponibles, dirige la atención hacia determinados resultados, establece patrones de interacción y modifica procedimientos institucionales mediante una interacción constante entre humanos y sistemas automatizados. En consecuencia, afirma que las discusiones sobre regulación no deberían centrarse únicamente en evaluar si un sistema funciona correctamente o si presenta riesgos inmediatos, sino también en analizar cómo transforma estructuras sociales más amplias.

En términos de gobernanza, el artículo concluye que adoptar una definición sociotécnica de inteligencia artificial permitiría desarrollar modelos regulatorios más sólidos y sensibles al contexto real de uso. En lugar de limitarse a clasificar sistemas por niveles abstractos de riesgo, los marcos regulatorios deberían incorporar análisis institucionales, mecanismos de responsabilidad compartida y evaluaciones continuas sobre impactos sociales de largo plazo. Hedfeld sostiene que esta perspectiva ofrece una base más adecuada para construir políticas públicas, mecanismos de rendición de cuentas y evaluaciones éticas capaces de responder a la complejidad real de la inteligencia artificial contemporánea.

En conjunto, el trabajo representa una contribución importante dentro del debate contemporáneo sobre ética de la inteligencia artificial, al desplazar la conversación desde una visión puramente tecnológica hacia una comprensión más amplia en la que la IA aparece integrada en sistemas sociales complejos. La investigación sugiere que definir correctamente qué entendemos por inteligencia artificial no es una cuestión meramente académica o semántica, sino una decisión fundamental que determina cómo distribuimos responsabilidades, cómo regulamos tecnologías emergentes y qué tipo de relación queremos establecer entre innovación tecnológica y valores democráticos en el futuro.

El verdadero motivo por el que la gente rechaza los centros de datos de inteligencia artificial

Smith, Thomas (2026). The real reason people hate AI data centers so much. Publicado en Fast Company, 25 de junio de 2026.

El creciente rechazo social hacia los grandes centros de datos que sostienen el desarrollo de la inteligencia artificial. Aunque en apariencia las protestas se dirigen contra estas enormes infraestructuras tecnológicas, el texto sostiene que el verdadero problema no son los edificios en sí, sino el miedo, la desconfianza y la creciente inquietud pública hacia la propia IA como fenómeno social y económico.

En los últimos años, compañías tecnológicas vinculadas a la inteligencia artificial han impulsado la construcción de gigantescos centros de datos destinados a entrenar modelos avanzados y almacenar cantidades masivas de información. Sin embargo, estas instalaciones han comenzado a despertar una fuerte oposición ciudadana. Entre las críticas más frecuentes aparecen el elevado consumo energético, el posible aumento en las facturas eléctricas, el uso intensivo de agua en zonas vulnerables a la sequía, la contaminación generada por generadores diésel de respaldo y también el impacto visual o acústico que producen estas grandes construcciones en comunidades locales. A simple vista, parecería tratarse de una reacción puramente ambiental o económica.

El artículo, firmado por Thomas Smith, plantea sin embargo una interpretación más profunda. Según el autor, la hostilidad hacia estos centros de datos es en realidad una manifestación indirecta del temor generalizado que muchas personas sienten hacia la inteligencia artificial. Diversos estudios de opinión muestran que una parte significativa de la población considera que la IA avanza demasiado rápido, amenaza empleos, debilita la privacidad personal, incrementa la inseguridad sobre el uso de datos y puede escapar a cualquier control efectivo de los gobiernos. Como la inteligencia artificial es una tecnología abstracta e invisible —a diferencia de un teléfono móvil o un automóvil autónomo—, las personas terminan proyectando ese miedo en aquello que sí pueden ver físicamente: los centros de datos.

Smith explica que muchas críticas concretas contra estas instalaciones a veces están exageradas o descontextualizadas. Algunos estudios recientes muestran que el impacto sobre el precio de la electricidad no siempre es tan severo como suele afirmarse públicamente e incluso ciertos proyectos pueden estimular inversiones en infraestructura energética o generar empleo local de alta cualificación. Sin embargo, estos argumentos técnicos no suelen convencer a comunidades que perciben que se les está imponiendo una transformación tecnológica enorme sin consultarles ni ofrecer garantías suficientes sobre sus consecuencias sociales. El rechazo, por tanto, no responde únicamente a cálculos energéticos, sino a una sensación de pérdida de control colectivo frente a un cambio tecnológico acelerado.

El texto advierte además que las empresas tecnológicas están cometiendo un error estratégico cuando intentan responder al malestar ciudadano únicamente con datos técnicos o promesas económicas. La oposición a estas infraestructuras revela un problema más profundo: una parte creciente de la sociedad no confía en que el desarrollo de la inteligencia artificial esté siendo guiado por principios transparentes, regulaciones sólidas o mecanismos democráticos de supervisión. El autor sostiene que, mientras no existan espacios reales para que la ciudadanía participe en la discusión sobre el futuro de la IA, cualquier manifestación física del sector tecnológico seguirá convirtiéndose en blanco de protestas sociales cada vez más intensas.

Más allá del caso concreto de los centros de datos, este análisis refleja un fenómeno mayor: la inteligencia artificial ya no genera únicamente entusiasmo e innovación, sino también ansiedad social. El desarrollo tecnológico está entrando en una fase en la que no basta con construir sistemas más potentes; será igualmente necesario construir confianza pública. El debate sobre la infraestructura física de la IA se está transformando así en un debate mucho más amplio sobre gobernanza tecnológica, impacto social y legitimidad democrática en la era de la automatización inteligente.

El 91 % de los estudiantes de último curso en Yale ya utiliza inteligencia artificial para sus trabajos académicos: la universidad frente a una nueva realidad educativa

Yale Daily News. “91 Percent of Senior Class Has Used AI for Schoolwork, News Survey Finds.” Yale Daily News, 16 de mayo de 2026. Disponible en: Yale Daily News

Un reciente estudio publicado por el periódico universitario Yale Daily News revela un dato que confirma hasta qué punto la inteligencia artificial generativa se ha integrado en la vida académica contemporánea: el 91 % de los estudiantes que integran la promoción 2026 de Yale University ha utilizado herramientas de inteligencia artificial para realizar algún tipo de trabajo académico durante su etapa universitaria.

La encuesta, realizada de manera anónima entre 172 estudiantes de último curso, ofrece una radiografía muy significativa sobre cómo tecnologías como ChatGPT y otros sistemas de IA han dejado de ser una novedad experimental para convertirse en parte habitual del ecosistema educativo universitario.

Los resultados muestran que únicamente un 9,1 % de los encuestados afirmó no haber utilizado nunca herramientas de inteligencia artificial en tareas relacionadas con sus estudios. La mayoría, concretamente un 67,5 %, declaró emplearlas de manera ocasional, frecuente o muy frecuente, lo que evidencia que el uso de estas tecnologías ha alcanzado niveles de normalización impensables apenas tres años atrás, cuando la irrupción pública de modelos generativos como ChatGPT abrió un intenso debate internacional sobre plagio, autoría, originalidad y el futuro mismo del aprendizaje universitario. La generación que se gradúa en 2026 aparece así como la primera cohorte académica que ha convivido plenamente con la IA durante gran parte de su formación superior.

La encuesta también permite observar cómo se utiliza concretamente la inteligencia artificial en el trabajo universitario. Más del 75 % de los estudiantes reconoció haber empleado estas herramientas para resolver ejercicios o problem sets, una práctica especialmente extendida en disciplinas técnicas, matemáticas y científicas. Un 64 % admitió utilizar IA para ayudar en la redacción de ensayos o trabajos escritos, mientras que uno de los datos más llamativos señala que casi la mitad de los estudiantes —48,5 %— afirmó haber usado inteligencia artificial incluso para colaborar en la elaboración de su tesis final o senior thesis, un tipo de trabajo que tradicionalmente representa la culminación intelectual individual del proceso universitario. Este dato plantea interrogantes profundos sobre cómo deberán redefinirse en el futuro conceptos como esfuerzo individual, originalidad académica o evaluación del aprendizaje.

Más allá de las cifras, el estudio refleja un cambio cultural profundo dentro de la educación superior. La universidad, históricamente concebida como un espacio donde se desarrollan capacidades de análisis crítico, escritura autónoma y construcción gradual del conocimiento, se enfrenta ahora a una tecnología capaz de automatizar precisamente parte de esos procesos cognitivos. Esto genera una paradoja cada vez más visible: mientras muchas instituciones educativas mantienen restricciones severas sobre el uso de inteligencia artificial por considerarla una amenaza para la integridad académica, el mercado laboral empieza simultáneamente a exigir competencias avanzadas en el manejo de estas herramientas. De esta forma, los estudiantes viven en un escenario contradictorio donde lo que en el aula puede considerarse una forma de hacer trampa, en el ámbito profesional comienza a verse como una habilidad necesaria.

Diversos estudios complementarios publicados durante 2026 confirman que el caso de Yale no es una excepción aislada sino parte de una tendencia global. Investigaciones de organizaciones como Gallup muestran que una mayoría creciente de estudiantes universitarios utiliza inteligencia artificial semanalmente para comprender conceptos complejos, revisar ejercicios, mejorar textos, resumir apuntes o desarrollar ideas para trabajos académicos. Paralelamente, una parte importante del profesorado expresa preocupación creciente por el posible deterioro de habilidades fundamentales como la escritura autónoma, el pensamiento crítico o la capacidad de razonamiento independiente, elementos que tradicionalmente constituyen la esencia misma del aprendizaje universitario.

En definitiva, el caso de Yale University ilustra con claridad que la educación superior se encuentra en medio de una transformación estructural sin precedentes. La pregunta central ya no parece ser si los estudiantes utilizan inteligencia artificial, porque las cifras demuestran que su adopción es prácticamente universal, sino cómo deberán adaptarse las universidades para integrar esta nueva realidad sin sacrificar los principios fundamentales del aprendizaje. Más que prohibir o aceptar acríticamente estas tecnologías, el verdadero desafío educativo del futuro inmediato será redefinir qué significa aprender, crear conocimiento y demostrar competencia intelectual en una era donde la inteligencia artificial se ha convertido en una extensión cotidiana del trabajo humano.

La inteligencia artificial descifra un papiro calcinado por la erupción del Vesubio tras casi 2.000 años

The Guardian (24 junio 2026). AI helps read papyrus scroll burnt to crisp during Vesuvius eruption. Artículo original en The Guardian

Un equipo internacional de investigadores ha conseguido uno de los avances más extraordinarios de los últimos años en el campo de la arqueología digital y las humanidades: leer por primera vez el contenido de un papiro carbonizado por la erupción del monte Mount Vesuvius en el año 79 d.C., gracias a técnicas de inteligencia artificial, escaneo avanzado y reconstrucción digital. El hallazgo, difundido por The Guardian, supone un paso decisivo en la recuperación de textos antiguos considerados perdidos para siempre.

Los manuscritos pertenecen a la célebre colección de los Papiros de Herculano, descubiertos en el siglo XVIII en la llamada Villa of the Papyri, una biblioteca sepultada bajo cenizas volcánicas en la antigua ciudad romana de Herculaneum. Más de 1.800 rollos fueron encontrados completamente carbonizados debido al intenso calor provocado por la erupción. Durante siglos resultó prácticamente imposible abrirlos sin destruirlos físicamente, lo que convirtió a estos documentos en uno de los mayores enigmas de la filología clásica.

El gran avance ha sido posible gracias al proyecto internacional Vesuvius Challenge, una iniciativa lanzada en 2023 que combina escaneado mediante rayos X de altísima resolución con algoritmos de aprendizaje automático capaces de detectar trazos de tinta invisibles dentro de los papiros enrollados. En lugar de abrir físicamente el documento, los investigadores realizaron un proceso conocido como virtual unwrapping (desenrollado virtual), que permite reconstruir digitalmente cada una de las capas internas del manuscrito sin dañarlo.

El papiro analizado, identificado como PHerc 1667, ha revelado aproximadamente un metro y medio de texto continuo escrito en griego antiguo, distribuido en unas veinte columnas. Los especialistas consideran que el contenido trata cuestiones relacionadas con la filosofía estoica, especialmente temas vinculados con la ética, el comportamiento humano, la razón práctica y conceptos filosóficos como hormē (impulso) y phronēsis (sabiduría práctica). Algunos investigadores sugieren incluso que podría estar relacionado con textos del filósofo estoico griego Chrysippus, uno de los grandes pensadores del helenismo cuyos escritos apenas han sobrevivido hasta hoy.

Este logro representa mucho más que una curiosidad arqueológica. Los expertos creen que abre la posibilidad de acceder a cientos de manuscritos aún cerrados que permanecen almacenados desde hace siglos en museos italianos y franceses. Además, algunos textos ya analizados están revelando nuevas obras del filósofo epicúreo Philodemus, lo que podría transformar el conocimiento actual sobre la filosofía antigua, la transmisión textual grecorromana y la historia intelectual del Mediterráneo clásico.

El descubrimiento constituye también una demostración espectacular del impacto de la inteligencia artificial en disciplinas humanísticas. Tradicionalmente asociada a campos como la programación o la automatización industrial, la IA está mostrando aquí una nueva faceta: convertirse en herramienta para recuperar patrimonio cultural desaparecido. Lo que hasta hace poco parecía ciencia ficción —leer documentos destruidos hace veinte siglos sin tocarlos físicamente— empieza a redefinir la relación entre tecnología, arqueología y preservación del conocimiento, inaugurando una nueva era para el estudio del mundo antiguo.

Capacitando a los estudiantes para la era de la IA: Un marco de alfabetización en IA para la educación primaria y secundaria.

OECD/European Union. Empowering Learners for the Age of AI: An AI Literacy Framework for Primary and Secondary Education. París: OECD Publishing, 2026. https://doi.org/10.1787/65cd27d4-en

El marco global denominado AI Literacy Framework for Primary and Secondary Education (abreviado como AILit Framework) representa una iniciativa internacional conjunta impulsada por la Comisión Europea y la Organización para la Cooperación y el Desarrollo Económicos (OCDE). Esta guía, de carácter no vinculante, tiene el propósito de unificar criterios y establecer un lenguaje común de competencias digitales orientadas a sistemas de educación primaria y secundaria a nivel mundial. Su diseño metodológico se encuentra alineado de forma explícita con las directrices estratégicas de otros organismos de envergadura global, tales como la UNESCO, UNICEF y el Banco Mundial. Al mismo tiempo, el documento complementa iniciativas regionales europeas clave, entre las que destacan el Plan de Acción de Educación Digital 2021-2027, el Marco Europeo de Competencias Digitales (DigComp 3.0) y las normativas éticas y de seguridad consagradas en la Ley de Inteligencia Artificial de la Unión Europea del año 2024. La necesidad urgente de implementar este marco se fundamenta en estadísticas empíricas recientes, las cuales revelan que el uso de herramientas de Inteligencia Artificial generativa por parte de jóvenes de entre 16 y 24 años duplica la tasa registrada en la población general. Ante este escenario, la alfabetización en IA se vuelve una prioridad inaplazable para mitigar riesgos sustanciales que afectan directamente el desarrollo cognitivo de los menores, tales como la desinformación, los sesgos de género institucionalizados, la pérdida de pensamiento crítico y la preocupante dependencia emocional o psicológica hacia «compañeros virtuales» basados en IA, los cuales carecen de cualquier tipo de conciencia, comprensión o empatía humana real.

En términos organizativos, el marco desglosa la alfabetización en IA no como el mero aprendizaje técnico del uso de un software o herramienta en particular, sino como una amalgama articulada de conocimientos teóricos, habilidades prácticas y actitudes críticas esenciales para el bienestar y la autonomía del estudiante. El núcleo conceptual del documento se estructura a través de cuatro grandes dominios que plantean una ruta pedagógica secuencial para el aprendizaje en las aulas de clase. El primer dominio, denominado «Engage with AI» (Involucrarse con la IA), constituye el pilar fundamental que faculta a los educandos para identificar de manera consciente los sistemas automatizados en su vida cotidiana, evaluar de forma reflexiva sus resultados y discernir las implicaciones éticas y sociales inmediatas. Una vez asentada esta base crítica, los alumnos avanzan simultáneamente hacia los dominios de «Create with AI» (Crear con la IA) y «Manage AI» (Gestionar la IA), espacios donde se fomenta la experimentación directa y práctica a fin de utilizar las tecnologías como socios creativos en la resolución de problemas académicos, manteniendo siempre el control y la agencia humana, y aprendiendo a delegar de manera intencional tareas específicas hacia la máquina. Finalmente, la trayectoria pedagógica culmina en el dominio avanzado de «Shape AI» (Dar forma a la IA). Esta dimensión superior desafía a los estudiantes a trascender su rol como consumidores pasivos de tecnología e integrar conocimientos técnicos avanzados para proponer mejoras conceptuales o de programación en los algoritmos, con la finalidad explícita de que dichos sistemas operen bajo un marco riguroso que refleje fielmente los valores sociales y humanos.

A diferencia de otros enfoques académicos que aíslan el estudio de la moral digital en módulos independientes, el AILit Framework incorpora los principios éticos de forma transversal a lo largo de todos sus dominios de competencia, promoviendo una constante evaluación reflexiva antes, durante y después de cualquier interacción computacional. Entre los valores éticos que se defienden activamente se encuentran el resguardo estricto de la privacidad de los datos personales, la inclusión social, la transparencia algorítmica y la responsabilidad en el uso equitativo de los sistemas de información. Asimismo, el marco introduce de manera novedosa una dimensión de responsabilidad ecológica, obligando a los estudiantes a sopesar y concientizar los altos costos ambientales en términos de consumo energético, uso intensivo de agua, materiales y emisiones globales de carbono que acarrea el despliegue de las grandes infraestructuras informáticas vinculadas a la IA. Por último, el documento subraya que el éxito de este ecosistema formativo recae de forma directa en el soporte institucional brindado a los profesores. Se recalca que los líderes escolares y las autoridades educativas no deben exigir la implementación de estas directrices sin antes proveer los recursos y el tiempo necesarios para el desarrollo profesional docente. Se documenta que para el año 2024 casi el 40% de los profesores de la OCDE ya habían recibido algún tipo de capacitación inicial sobre IA. En consecuencia, se insta a robustecer este proceso de capacitación continua, enfocándose no únicamente en el dominio instrumental de las aplicaciones tecnológicas, sino en la adopción de pedagogías que robustezcan el juicio reflexivo, la curiosidad, el escepticismo saludable y el crecimiento integral de las capacidades propiamente humanas de los alumnos

La alfabetización en inteligencia artificial y las habilidades socioemocionales como competencias transversales en la educación.

Licardo, Marta, y Alenka Lipovec, eds. Artificial Intelligence Literacy and Social-Emotional Skills as Transversal Competencies in Education. Hamburgo: Verlag Dr. Kovač, 2024

Texto completo

Esta monografía científica, financiada en el marco del proyecto SETCOM (Entornos de Soporte para la Mejora de Competencias Transversales en la Educación), aborda en profundidad la intersección crítica entre la alfabetización en Inteligencia Artificial (IA) y el desarrollo de habilidades socioemocionales (SE) dentro de los sistemas educativos actuales.

A través de una rigurosa aproximación metodológica basada en la investigación pedagógica empírica, el volumen se compone de múltiples estudios orientados a tender puentes entre las directrices de las políticas públicas y la práctica real en las aulas. El postulado central de la obra sostiene que tanto la capacidad técnica para comprender la IA como las competencias humanas de índole emocional no deben avanzar de forma aislada, sino converger de forma sinérgica como pilares fundamentales y transversales que doten a estudiantes y profesores de las herramientas necesarias para navegar un ecosistema digital dinámico y en constante transformación.

En la dimensión puramente tecnológica, el texto examina el panorama de la Inteligencia Artificial aplicada en la educación (AIED), desglosando conceptualmente sus aproximaciones en cuatro ejes: aprender con la IA, utilizar la IA para comprender los procesos de aprendizaje (mediante la analítica de trazas digitales y movimientos del usuario), aprender sobre la tecnología en sí y prepararse éticamente para sus implicaciones laborales y de privacidad. Se ofrece un repaso histórico riguroso que va desde las primeras máquinas de opción múltiple de Sidney Pressey en la década de 1920 y los dispositivos de retroalimentación inmediata basados en el condicionamiento de B.F. Skinner, hasta los actuales Sistemas de Tutoría Inteligente (ITS). La monografía resalta que, gracias a los modelos de aprendizaje automático y por refuerzo, los sistemas de tutoría actuales han alcanzado capacidades competitivas comparables a las de un tutor humano personalizado, reduciendo drásticamente los tiempos de asimilación de contenidos y adaptándose de forma flexible a las necesidades e inclusión de cada estudiante.

Por otro lado, la obra categoriza las tecnologías de IA vigentes en tres grandes grupos superpuestos según sus destinatarios: las enfocadas en el estudiante (que incluyen aplicaciones asistidas, simulaciones, herramientas para personas con discapacidad, chatbots de tutoría y evaluaciones formativas automatizadas), las enfocadas en el docente (como la detección de plagio, curación inteligente de materiales de enseñanza y asistentes de corrección) y las institucionales (centradas en la planificación de horarios, procesos de admisión y la detección temprana de deserción escolar). En este sentido, la irrupción de las herramientas de IA generativa ocupa un espacio analítico relevante; mediante diversos estudios de caso prácticos con estudiantes universitarios de educación de la Universidad de Maribor, se demuestra el inmenso valor de estas plataformas como catalizadores de lluvia de ideas y copilotos de investigación creativa. Sin embargo, los investigadores lanzan una advertencia contundente al ilustrar cómo una formulación imprecisa de instrucciones (prompts de baja calidad) o una terminología inadecuada pueden desembocar en resultados defectuosos, lo que sitúa la capacidad de evaluación crítica y el dominio conceptual del ser humano por encima del automatismo computacional.

Finalmente, el libro profundiza en el factor humano analizando el rol fundamental del Aprendizaje Socioemocional (SEL) y la competencia relacional de los profesores. Se presentan análisis de tipologías para comprender las actitudes de los alumnos ante la IA y su relación con el trabajo en equipo, una destreza indispensable puesto que los propios algoritmos de IA ya se usan con éxito para conformar grupos de estudio heterogéneos y dinámicos en las aulas. Los capítulos de cierre se enfocan en los educadores de distintos niveles escolares, señalando que las creencias y actitudes que posee un docente acerca del aprendizaje socioemocional actúan como predictores directos de su competencia relacional, es decir, de su capacidad para establecer y sostener vínculos humanos constructivos y empáticos. El libro concluye con una firme defensa de la ética y la cautela: la tecnología en la enseñanza no debe mitificarse ni emplearse ciegamente (lo que generaría un oxímoron pedagógico debido a las respuestas absurdas que las máquinas aún producen), sino que debe gestionarse a través de un enfoque centrado en el bienestar humano para dar pie a una educación equitativa, transformadora, inclusiva y verdaderamente holística.









.