La señal principal de que podrías estar viendo un video generado por IA

 

De Julio Alonso Arévalo en marzo 2, 2026

Germain, Thomas. “The Number One Sign You Might Be Watching an AI Video.” BBC Future, 31 octubre 2025. https://www.bbc.com/future/article/20251031-the-number-one-sign-you-might-be-watching-ai-video La detección de videos generados o manipulados por inteligencia artificial (IA) en un entorno en el que estas tecnologías se han vuelto extremadamente sofisticadas y aún más difíciles de distinguir del material real. Su tesis central es que, aunque las herramientas de IA continúan mejorando, todavía existen ciertos indicadores confiables que pueden ayudar a identificar contenido sintético —siempre y cuando los espectadores sepan qué observar. El autor introduce la idea de que los avances recientes en generación de video mediante IA han erosionado nuestra confianza tradicional en las imágenes como prueba de realidad: “Lo que parece real ya no es garantía de autenticidad”. En este contexto, advierte que la audiencia probablemente será engañada repetidamente con videos falsos antes de que llegue a cuestionar sistemáticamente todo lo que ve. El artículo presenta la opinión de Hany Farid, profesor de ciencias de la computación en la Universidad de California, Berkeley y pionero en el estudio forense de medios digitales. Farid destaca que el aspecto más revelador de un video generado por IA, en muchos casos, es su calidad visual: los materiales sintéticos suelen exhibir baja resolución, imágenes borrosas o apariencia “grumosa” que se asemeja a grabaciones de muy mala calidad. Esta característica se vuelve particularmente evidente en clips que emulan estilo doméstico o de “found footage”, como cámaras de seguridad o grabaciones improvisadas, donde la compresión y los artefactos introducidos para ocultar imperfecciones pueden ser un signo de síntesis. Germain también explora cómo los generadores de video por IA deliberadamente reducen la calidad de imagen como técnica para ocultar artefactos o fallos, lo cual puede ser paradójicamente una pista de que el contenido no proviene de una cámara real. La lógica detrás de este fenómeno es que las imperfecciones artificiales se camuflan mejor en clips de mala calidad que en aquellos nítidos y bien definidos: cuando un video parece demasiado familiar o responde a patrones genéricos sin una procedencia clara, esto debería activar las alertas del espectador. El artículo contextualiza la discusión dentro de un panorama en el que las tecnologías de generación de video han alcanzado tal nivel que incluso expertos pueden ser engañados si no se presta atención a señales sutiles o a la procedencia del material. Este análisis forma parte de un esfuerzo más amplio por promover una alfabetización mediática crítica: es decir, la capacidad de evaluar no solo la calidad visual, sino también la fuente, la metadata disponible y el contexto en que aparece un video antes de aceptarlo como genuino. Aunque no existe un método infalible para detectar todo video generado por IA, la principal señal —imágenes con mala calidad o artefactos visuales contradictorios con la supuesta fuente del video— ofrece un punto de partida valioso para discernir contenido potencialmente sintético en la era de los deepfakes avanzados.

La administración Trump recurre a imágenes falsas generadas por IA como estrategia política

 

De Julio Alonso Arévalo en febrero 18, 2026

Huamani, Kaitlyn. “Trump’s Use of AI Images Sparks Alarm and Misinformation Fears.” The Independent, 27 de enero de 2026. Ver original Donald Trump ha incorporado imágenes generadas o manipuladas con inteligencia artificial dentro de su estrategia comunicativa, incluso desde canales oficiales vinculados a la Casa Blanca. No se trata únicamente de montajes humorísticos o memes aislados, sino de piezas visuales difundidas en espacios institucionales que tradicionalmente se asociaban con información verificable. Este desplazamiento desde lo informal hacia lo oficial es uno de los elementos que más inquietud genera entre analistas y especialistas en desinformación. Uno de los casos señalados en el reportaje es la publicación de imágenes alteradas que exageran rasgos emocionales o escenifican situaciones con una clara intencionalidad política. Aunque estas piezas puedan presentarse como sátira o ironía, los expertos advierten que su circulación desde cuentas oficiales les otorga una legitimidad que difumina la frontera entre propaganda, entretenimiento y comunicación gubernamental. El problema no radica solo en la manipulación visual, sino en el contexto institucional que amplifica su impacto. El artículo subraya que este fenómeno contribuye a una erosión progresiva de la confianza pública. Cuando los ciudadanos perciben que incluso las fuentes oficiales emplean imágenes artificiales o engañosas, se debilita la idea de que existe un terreno común de hechos verificables. Investigadores en comunicación política señalan que la repetición de estos recursos puede normalizar la duda permanente: si todo puede estar manipulado, nada resulta plenamente creíble. Además, el reportaje conecta esta práctica con un entorno digital más amplio en el que la inteligencia artificial facilita la producción masiva de contenidos visuales difíciles de distinguir de fotografías auténticas. En este contexto, el uso estratégico de imágenes generadas por IA no solo influye en campañas electorales o debates puntuales, sino que alimenta una cultura política donde la emoción y la viralidad pesan más que la precisión factual. En definitiva, el texto plantea que el verdadero riesgo no es únicamente la existencia de imágenes falsas, sino la institucionalización de su uso. Cuando la comunicación oficial adopta recursos propios de la cultura meme y la manipulación digital, se intensifica la crisis de confianza en las instituciones democráticas y en los medios de comunicación, reforzando un clima de polarización y escepticismo estructural.

Por qué los autores no revelan el uso de la IA y qué deberían (o no) hacer las editoriales al respe

 

De Julio Alonso Arévalo en febrero 4, 2026

Staiman, Avi. Why Authors Aren’t Disclosing AI Use and What Publishers Should (Not) Do About It. The Scholarly Kitchen, 27 de enero de 2026. Part 1 Part 2 El problema central En esta serie de dos artículos, Avi Staiman analiza un fenómeno creciente en las publicaciones académicas: aunque muchos investigadores utilizan herramientas de inteligencia artificial (IA) en diversas fases de su trabajo —desde la búsqueda de literatura, redacción de textos o apoyo en el análisis de datos—, muy pocos lo revelan explícitamente en sus manuscritos. Las políticas de muchas revistas y editoriales requieren este tipo de declaraciones, pero la práctica demuestra que casi nadie cumple con ellas y la razón no es simplemente desobediencia, sino un problema de incentivos, claridad y cultura editorial. Los editores esperaban que al exigir a los autores que explicaran su uso de IA se fomentara una mayor transparencia, permitiendo que revisores y equipos editoriales evaluaran si ese uso era apropiado y cómo influía en la investigación. Sin embargo, esto no ha ocurrido en la práctica: con encuestas que muestran que más de la mitad de los investigadores (por ejemplo, un 62 %) usan IA en algún punto de su flujo de trabajo, solo una fracción mínima declara esa asistencia en sus artículos publicados. ¿Por qué los autores no revelan su uso de IA? Staiman identifica varias razones clave: a) Miedo a consecuencias negativas Muchos autores temen que revelar el uso de IA sea interpretado como una señal de menor rigor, creatividad o capacidad académica, lo que podría influir negativamente en decisiones editoriales o de revisión por pares. Aunque las políticas puedan presentarse como neutrales, la percepción de estigma hace que los investigadores prefieran no mencionar su uso de IA. b) Falta de claridad en las políticas Las directrices actuales son muy heterogéneas y a menudo vagas: unas solo piden una declaración general, mientras que otras exigen documentación extensiva, incluyendo registros de chats con herramientas de IA. Esto causa confusión y lleva a los autores a preguntarse qué, cuándo y cómo deben declarar. c) Carga burocrática sin incentivos Muchas de estas exigencias demandan tiempo y esfuerzo significativos sin beneficios claros para los autores, lo que dificulta su adopción voluntaria. d) Falta de consciencia del propio uso de IA Algunos autores no se dan cuenta de que están empleando IA porque esta está integrada de manera invisible en herramientas cotidianas (por ejemplo, asistentes de escritura o búsqueda). e) Confusión entre IA y plagio Existe la percepción equivocada de que usar IA es equivalente a plagiar o engañar, lo que lleva a algunos autores a ocultar su uso deliberadamente en lugar de explicarlo con transparencia. f) Políticas sin mecanismos de cumplimiento Solo existiendo normas formales sin mecanismos claros de verificación o consecuencias percibidas, muchos autores simplemente apuestan a que no se les pedirá pruebas o explicaciones posteriores. ¿Qué no deben hacer los editores? En el primer artículo, Staiman también advierte sobre lo que no es útil para resolver este problema: Invertir fuertemente en herramientas de detección automática de IA, ya que son poco fiables y tienden a reforzar la idea de que el uso de IA es inherentemente sospechoso en lugar de normal. Cómo deberían abordar los editores el uso de IA (Parte 2) En el segundo artículo de la serie, Staiman propone un cambio de foco fundamental: no se trata de documentar cada paso del uso de IA, sino de asegurar confianza en los resultados, reproducibilidad y responsabilidad científica. a) Formular la pregunta correcta En lugar de preguntar “¿Cómo usaste IA?”, los editores deberían centrarse en preguntas clásicas de integridad científica: ¿Los datos son fiables y transparentes? ¿Los métodos están claros y pueden reproducirse? ¿El análisis es robusto y verificable? Este enfoque sitúa las preocupaciones en resultados y calidad de la investigación, no en la herramienta en sí. b) Declaraciones estructuradas y de bajo coste Staiman recomienda que las revistas implementen formularios simples donde los autores marquen categorías de uso de IA (p.ej., búsqueda, análisis, generación de código, revisión lingüística), en lugar de exigir narrativas detalladas o capturas de pantalla. Esto reduce la carga y mejora la consistencia en las declaraciones. c) Requisitos escalonados según el riesgo No todos los usos de IA implican el mismo nivel de riesgo para la reproducibilidad. Por ejemplo: Edición de texto y traducción – no debería requerir declaración exhaustiva. Análisis de datos o generación de código científico – sí debería requerir declaraciones específicas y mayor escrutinio editorial. d) Afirmaciones explícitas de responsabilidad Una declaración formal de autoría que afirme que el autor se responsabiliza plenamente de todos los elementos científicos, independientemente de las herramientas utilizadas, puede ayudar a centrar el debate en la integridad científica y no en la tecnología. e) Educación y cambio cultural Es clave que editores y revisores reciban entrenamiento para evaluar el impacto del uso de IA sobre la metodología y la reproducibilidad, y no para juzgar la estética o estilo de escritura generado por IA

Informe sobre la digitalización del patrimonio bibliográfico en España

 

De Julio Alonso Arévalo en diciembre 22, 2025

Consejo de Cooperación Bibliotecaria. Informe sobre la digitalización del patrimonio bibliográfico en España. Madrid: Ministerio de Cultura, Grupo de Trabajo de Estrategia Nacional de Digitalización, 2025. Texto completo El Informe sobre la digitalización del patrimonio bibliográfico en España es una publicación institucional de diciembre de 2025 que ofrece una evaluación detallada y sistemática del estado de la digitalización de los fondos bibliográficos españoles. Elaborado por el Grupo de Trabajo Estratégico para la Estrategia Nacional de Digitalización —adscrito al Consejo de Cooperación Bibliotecaria—, el informe constituye uno de los análisis más completos disponibles en este momento sobre cómo se está abordando la transformación digital del patrimonio bibliográfico en las bibliotecas y repositorios del país. El documento está acompañado de dos archivos de datos en formato Excel: uno contiene las respuestas completas de la encuesta dirigida a bibliotecas físicas, y otro integra y amplía los datos de ambas encuestas junto con otras fuentes complementarias. Para construir este panorama general, el informe se basa en una metodología combinada que articula dos encuestas principales: una dirigida a las bibliotecas físicas y otra a bibliotecas digitales y repositorios. Estos son complementados con datos procedentes de Hispana, diversas bibliotecas virtuales como la Biblioteca Virtual del Patrimonio Bibliográfico, proyectos subvencionados por el Ministerio de Cultura, estadísticas oficiales y la investigación directa de recursos publicados en la web. Este enfoque permite no sólo cuantificar cuántos ejes de digitalización existen en España, sino también valorar su calidad, cobertura y posibles brechas en cuanto a tipologías de materiales, volumen de fondos digitalizados y capacidades técnicas de las instituciones implicadas. El contenido del informe combina explicaciones conceptuales, análisis interpretativos y presentaciones gráficas que facilitan la comprensión de las cifras obtenidas. Las tablas y los gráficos incluidos en el documento no sólo reflejan los datos brutos, sino que permiten observar tendencias relevantes y patrones en la digitalización del patrimonio bibliográfico, tales como el grado de adopción de estándares digitales, la integración de metadatos, la interoperabilidad entre plataformas y el acceso público a los contenidos digitalizados. Estas visualizaciones se acompañan de textos explicativos que contextualizan los resultados, destacando tanto los logros alcanzados como los desafíos pendientes para una digitalización más extensa, accesible y sostenible.

Estado físico de las bibliotecas públicas en Estados Unidos, sus necesidades de mantenimiento y los desafíos

 

De Julio Alonso Arévalo en diciembre 22, 2025

U.S. Government Accountability Office (2025). Public Libraries: Many Buildings Are Reported to Be in Poor Condition, with Increasing Deferred Maintenance (GAO-26-107262). Recuperado de https://www.gao.gov/products/gao-26-107262 Texto completo A partir de una encuesta representativa a aproximadamente 16 400 bibliotecas públicas distribuidas en los 50 estados, el Distrito de Columbia y cuatro territorios, la Oficina de Rendición de Cuentas del Gobierno concluye que una proporción significativa de edificios presenta problemas estructurales, sistemas deteriorados y barreras físicas que afectan tanto a su operación como a la accesibilidad para personas con discapacidad. El estudio detalla que cerca del 38 % de las bibliotecas (aproximadamente 6 000) reportan que al menos uno de los sistemas clave del edificio —como calefacción, ventilación o aire acondicionado (HVAC)— se encuentra en condición deficiente, lo que puede dificultar el uso seguro y eficaz de los espacios. Más aún, alrededor del 61 % (unos 9 800) identificaron que al menos un elemento de la infraestructura representa una preocupación de salud o seguridad, incluyendo problemas de accesibilidad física o diseños que no cumplen con las necesidades de todos los usuarios. Una parte importante del informe subraya que el financiamiento federal está principalmente orientado a programas, servicios y actividades de las bibliotecas —no a la construcción ni a reparaciones de estructuras físicas—, lo que deja a la mayoría de los proyectos de mantenimiento en manos de recursos estatales o locales. Las bibliotecas encuestadas destacaron que el costo de construcción y reparación, junto con la falta de fondos suficientes, son los principales obstáculos para abordar eficazmente estas necesidades. Por ejemplo, algunos bibliotecarios entrevistados estimaron costos de decenas de miles de dólares sólo para renovar sistemas HVAC o eliminar materiales peligrosos como el asbesto. El reporte de la GAO también identifica que una gran proporción de bibliotecas tienen acumulado un “mantenimiento diferido” significativo, es decir, tareas de reparación y mejoras que han sido postergadas por falta de recursos. Se estima que aproximadamente el 70 % de las bibliotecas enfrentan un volumen considerable de mantenimiento pendiente que probablemente persistirá o incluso aumentará en los próximos tres años si no crecen las inversiones destinadas a estas instalaciones. Esta situación se presenta de manera más crítica en bibliotecas pequeñas, rurales o con menor base impositiva local, que dependen de fondos limitados para sostener su infraestructura. En conjunto, el informe de la GAO advierte que, aunque las bibliotecas públicas siguen cumpliendo roles esenciales como espacio para la lectura, la educación, tecnología comunitaria, servicios de emergencia y centros de votación, las condiciones físicas deterioradas y la falta de inversión en mantenimiento continuado representan una amenaza para su capacidad de servir plenamente a la comunidad. La Oficina de Rendición de Cuentas recomienda políticas que faciliten mayores oportunidades de financiación y estrategias de planificación para garantizar que las bibliotecas puedan actualizar y mantener edificios seguros, accesibles y funcionales.

¿Las prohibiciones de teléfonos móviles en las escuelas ayudan a los estudiantes a rendir mejor?

 

De Julio Alonso Arévalo en diciembre 22, 2025

Wharton School, Knowledge at Wharton. “Do School Cell Phone Bans Help Students Do Better?” Knowledge at Wharton, Universidad de Pensilvania, publicado en línea. https://knowledge.wharton.upenn.edu/article/do-school-cell-phone-bans-help-students-do-better/ Basado en más de 20 000 encuestas de educadores recopiladas a través del proyecto Phones in Focus, los datos iniciales muestran que las políticas más estrictas de prohibición de teléfonos en los centros educativos se asocian con menos distracciones y una mayor satisfacción docente, ya que los profesores reportan menos interrupciones a la hora de enseñar y una reducción de la atención del alumnado hacia sus dispositivos en momentos académicos. Los encuestados, compuestos mayoritariamente por docentes de educación primaria y secundaria, señalan que las prohibiciones totales durante el horario escolar ayudan a disminuir las distracciones y a indirectamente favorecer un clima más centrado en el aprendizaje. Duckworth explica que cuando los teléfonos están completamente fuera del aula y no disponibles, los estudiantes tienden a interactuar más entre sí y a concentrarse en el trabajo escolar, lo cual mejora el ambiente general de la clase y la percepción de efectividad pedagógica. No obstante, el artículo también matiza que los resultados son aún preliminares: los investigadores planean correlacionar las respuestas de la encuesta con medidas objetivas de rendimiento educativo, como calificaciones, asistencia, puntuaciones en pruebas estandarizadas y compromiso estudiantil a lo largo del año escolar, antes de hacer recomendaciones definitivas. La ambición del proyecto Phones in Focus es poder ofrecer orientaciones basadas en datos para que los distritos escolares ajusten sus políticas de uso de teléfonos de manera informada para el curso 2025-2026. En el contexto global, y aunque no forma parte del artículo de Wharton, otros estudios aportan una visión más matizada: investigaciones en Europa han encontrado beneficios modestos de las prohibiciones completas de teléfonos móviles sobre el rendimiento académico, especialmente entre estudiantes con bajo rendimiento, mientras que otros trabajos sugieren que las prohibiciones por sí solas no bastan para mejorar resultados si no se integran en estrategias educativas amplias.

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

 

Universo Abierto Leer en el blog o en el Lector La revista TIME designó en 2025 a los “Arquitectos de la Inteligencia Artificial” como Persona del Año, un reconocimiento no a una figura individual, sino a todo un grupo de líderes que han diseñado y transformado el ecosistema global de la IA. Esta elección simboliza el momento histórico en que la inteligencia artificial pasó de ser un avance tecnológico a convertirse en una fuerza determinante en la vida cotidiana, en la economía y en el funcionamiento de las instituciones. El artículo subraya que 2025 marcó un punto de inflexión: la IA dejó de ser una herramienta de nicho y se convirtió en un componente esencial para millones de personas. Modelos como ChatGPT y sistemas de IA aplicados en salud, educación o industria demostraron su capacidad para resolver problemas complejos y acelerar procesos. La labor de estos arquitectos permitió que la tecnología avanzara a una velocidad sin precedentes y ampliara su alcance a prácticamente todos los sectores. Esta selección reconoce a quienes han impulsado el desarrollo, la adopción y la expansión global de la IA, transformando industrias y la vida cotidiana. Entre ellos están Jensen Huang, Sam Altman, Elon Musk, Mark Zuckerberg, Lisa Su, Demis Hassabis, Dario Amodei y Fei-Fei Li. Sin embargo, el reconocimiento también refleja los desafíos que acompañan este auge. El desarrollo acelerado de la IA ha despertado preocupaciones sobre privacidad, desinformación, desplazamiento laboral y sesgos algorítmicos. La figura de los “Arquitectos de la IA” representa tanto el enorme potencial transformador de estas tecnologías como la responsabilidad ética que implica dirigir su futuro. En conjunto, TIME destaca que estas personas —ingenieros, investigadores y líderes tecnológicos— están moldeando la era actual y sentando las bases del mundo que viene. Su influencia es tan profunda que, para bien o para mal, el rumbo de la sociedad global en los próximos años estará estrechamente vinculado a las decisiones que tomen sobre cómo diseñar, regular y aplicar la inteligencia artificial.

Los modelos de IA utilizan material de artículos científicos retractados

“AI models are using material from retracted scientific papers.” MIT Technology Review, 23 septiembre 2025. https://www.technologyreview.com/2025/09/23/1123897/ai-models-are-using-material-from-retracted-scientific-papers/ El artículo advierte de una “crisis de confianza” en los sistemas de IA cuando se usan como fuentes de conocimiento científico o de salud: el uso indiscriminado de literatura retractada socava la integridad académica, puede inducir a desinformación peligrosa, y exige urgentes mecanismos de control —tanto técnicos (bases de datos actualizadas, filtros automáticos) como de responsabilidad editorial— para evitar que la IA difunda como válidas investigaciones desacreditadas. El artículo de MIT Technology Review denuncia un problema alarmante: algunos modelos de inteligencia artificial (IA) están utilizando en sus respuestas contenido extraído de artículos científicos que han sido retractados (es decir, anulados por errores, malas prácticas, fraude o falta de validez), sin advertir a los usuarios sobre su condición de desautorizados. Según los estudios citados, cuando se pidió a un modelo — ChatGPT (basado en GPT-4o) — que respondiera utilizando información de 21 artículos de imagenología médica ya retractados, el sistema citó esos trabajos en cinco casos, y tan solo en tres advirtió que podían ser problemáticos. En una prueba más amplia, con 217 artículos retractados o de baja calidad en varios campos científicos, el modelo no mencionó ninguna retractación u otra señal de alerta. Pero el problema no afecta solo a ChatGPT. Otras herramientas de IA diseñadas específicamente para tareas de investigación científica — como Elicit, Ai2 ScholarQA, Perplexity y Consensus — también mostraron fallos similares. En tests realizados con los mismos 21 artículos retractados, Elicit los citó en cinco casos, Ai2 ScholarQA en 17, Perplexity en 11 y Consensus en 18, sin señalar su estatus de retractado. Este fenómeno plantea dudas graves sobre la fiabilidad de la IA para tareas de investigación, educación, medicina o cualquier ámbito donde la veracidad científica es crítica. Si los modelos no reconocen que una fuente ha sido invalidada, pueden reproducir información errónea como si fuera legitima, lo que puede inducir a error a estudiantes, profesionales o al público general. El problema tiene raíces estructurales vinculadas al modo en que estos modelos son entrenados. Muchos corpus de entrenamiento contienen copias de trabajos científicos disponibles en la web —incluidas versiones retiradas— y los sistemas no están diseñados para revisar en tiempo real el estado de retractación de cada fuente. Esto significa que, aunque una investigación haya sido invalidada, sigue formando parte del “conocimiento” del modelo. Ante esta situación, algunas empresas ya han comenzado a reaccionar: por ejemplo, Consensus ha integrado datos de fuentes de retractaciones (como bases mantenidas por editores, agregadores de datos y servicios especializados) para intentar filtrar fuentes invalidadas; en una prueba reciente, así logró reducir el número de artículos retractados citados. Sin embargo, estas iniciativas no están generalizadas ni resultan infalibles, pues muchas publicaciones científicas no marcan de forma uniforme sus retractaciones, lo que dificulta la detección automática.