lunes, 19 de octubre de 2026
lunes, 28 de septiembre de 2026
La inteligencia de los museos ante la llegada de los grandes modelos de lenguaje
Introducción 112
El artículo de Bu, Li, Jiang y Liu (2026) analiza la incorporación de los grandes modelos de lenguaje (LLM) en el ámbito museístico y propone una nueva concepción de la denominada inteligencia de los museos. Los autores señalan que las tecnologías digitales se han utilizado tradicionalmente para facilitar la difusión de contenidos mediante audioguías, pantallas multimedia, sistemas de conocimiento y herramientas de apoyo a la curaduría. Sin embargo, estos recursos dependen en gran medida de información predefinida y ofrecen una capacidad limitada de adaptación a las necesidades e intereses de los visitantes.
Frente a este modelo estático, los LLM permiten desarrollar sistemas interactivos capaces de mantener conversaciones, adaptar explicaciones, relacionar diferentes piezas, facilitar la navegación y utilizar herramientas externas. El estudio organiza estas aplicaciones en dos grandes ámbitos: la inteligencia interactiva, orientada al visitante, y la inteligencia de apoyo o backstage intelligence, dirigida a profesionales y procesos institucionales. Esta clasificación permite comprender los LLM no únicamente como herramientas tecnológicas, sino como componentes integrados en contextos culturales, educativos y organizativos específicos.
Resumen y principales resultados
En el ámbito de la inteligencia interactiva se identifican guías conversacionales, interacciones basadas en personajes y sistemas de razonamiento interactivo. Estos últimos incluyen adaptación al perfil del usuario, navegación y conexión con herramientas externas. Las aplicaciones pueden funcionar mediante interfaces situadas junto a las piezas, dispositivos móviles, robots o entornos de realidad extendida. Para incorporar conocimiento especializado, los trabajos revisados recurren principalmente a ingeniería de prompts, ajuste fino (fine-tuning) y generación aumentada mediante recuperación (RAG). Esta última permite fundamentar las respuestas en bases de datos, grafos de conocimiento o fondos documentales del museo.
En la inteligencia de apoyo, los LLM se emplean en la generación narrativa, interpretación de exposiciones, creación de preguntas para diferentes públicos, diseño de experiencias, estructuración de datos, construcción de conjuntos de datos y evaluación de la experiencia del visitante. El análisis bibliográfico muestra un crecimiento muy acusado de las investigaciones entre 2023 y 2025. La ingeniería de prompts constituye la estrategia técnica predominante, mientras que el fine-tuning presenta una utilización menor debido a sus mayores exigencias de datos y recursos. También predominan las interfaces convencionales y los dispositivos móviles frente a robots y entornos inmersivos.
Comentario y análisis
Uno de los aspectos más relevantes del trabajo es que sitúa la automatización museística más allá de la simple generación automática de textos. Los LLM pueden intervenir en la organización del conocimiento, la interpretación documental, la interacción con los visitantes y determinados procesos profesionales. No obstante, los autores advierten sobre problemas especialmente importantes para los museos: alucinaciones, sesgos culturales, falta de control sobre la procedencia del conocimiento, escasa integración con los sistemas institucionales y dificultades para mantener las soluciones a largo plazo.
El artículo destaca además la necesidad de evaluar específicamente la alineación de los sistemas con los valores institucionales, la sensibilidad cultural, la coherencia interpretativa y la procedencia de la información. Asimismo, considera insuficiente el predominio de prototipos aislados y plantea arquitecturas sostenibles, interoperables y conectadas con los sistemas de gestión de colecciones, bases de datos y plataformas museísticas existentes. En consecuencia, el futuro de los LLM en los museos depende no solo de mejorar los modelos, sino también de fortalecer la gobernanza del conocimiento, la supervisión curatorial y la integración tecnológica institucional.
Cómo deliberan las máquinas: votación, consenso y el arte de decidir en grupo
Introducción
Cuando varios modelos de lenguaje —o varios agentes artificiales— debaten entre sí para resolver un problema, la calidad de la respuesta final no depende únicamente de la potencia de cada modelo. Depende, y mucho, de cómo deciden. Esta es la premisa de la que parte el trabajo Voting or Consensus? Decision-Making in Multi-Agent Debate, firmado por Lars Benedikt Kaesberg y presentado en las Findings de ACL 2025, uno de los foros más relevantes en procesamiento del lenguaje natural.
La motivación es sencilla de formular y difícil de resolver: en la literatura sobre sistemas multiagente abundan los estudios que combinan decenas de parámetros distintos —número de agentes, número de rondas, tipo de prompt, personalidad de los roles—, lo que hace prácticamente imposible aislar qué variable explica qué mejora. ¿Es mejor votar por mayoría? ¿Buscar consenso unánime? ¿Dejar que los agentes discutan mucho o poco? El artículo responde a estas preguntas con un diseño experimental que, por fin, cambia una sola variable a la vez: el protocolo de decisión.
Desde la perspectiva de nuestra disciplina, este trabajo conecta con debates clásicos de la Ciencia de la Información sobre toma de decisiones, agregación de juicios y evaluación de sistemas de recuperación. Si los agentes artificiales deliberan y deciden, ¿no deberíamos aplicarles los mismos criterios de calidad —pertinencia, exhaustividad, ausencia de sesgo— que exigimos a cualquier sistema documental? La pregunta no es retórica: es la que articula esta entrada.
Resumen
La metodología es deliberadamente austera. Se generan tres personas expertas por tarea —un médico, un científico, un estudiante, por ejemplo— y se les hace debatir durante un número variable de rondas antes de aplicar el protocolo de decisión. Los modelos base son Llama 3 en versiones 8B y 70B, y las tareas abarcan desde preguntas de cultura general (MMLU) hasta problemas de razonamiento multietapa (StrategyQA) o comprensión lectora con preguntas sin respuesta (SQuAD 2.0).
El hallazgo central es que no existe un protocolo universalmente superior. La elección óptima depende del tipo de tarea, y esa dependencia es sistemática y medible. Este es precisamente el tipo de conclusión que, desde la Documentación, sabemos leer con interés: la evaluación de sistemas informativos nunca es neutra respecto al dominio de aplicación.
Resultados principales
El estudio ofrece tres grandes bloques de hallazgos: la comparación entre votación y consenso, el efecto del número de agentes y rondas, y la propuesta de dos métodos nuevos para aumentar la diversidad de respuestas.
En tareas de razonamiento —donde hay que explorar caminos argumentales y no solo recuperar un dato— la votación supera al consenso con claridad. En tareas de conocimiento, en cambio, el consenso gana, porque exige que varios agentes coincidan antes de dar por buena una respuesta y, por tanto, filtra mejor los errores puntuales de un agente individual. Los autores lo resumen con una imagen afortunada: el consenso actúa como un mecanismo de verificación por redundancia.
El segundo hallazgo es contraintuitivo y merece subrayarse: aumentar el número de agentes mejora el rendimiento, pero aumentar el número de rondas de discusión lo empeora. La tendencia es clara y conecta con un fenómeno ya descrito en la literatura como problem drift: los agentes, a fuerza de conversar, se alejan del problema original. La recomendación práctica es por tanto escalar en número de participantes y no en número de turnos, lo que además resulta computacionalmente más eficiente.
El tercer bloque son los dos métodos propuestos para aumentar la diversidad de respuestas:
- All-Agents Drafting (AAD). Cada agente genera un borrador inicial independiente antes de empezar a discutir. Fuerza la diversidad de puntos de partida y evita el anclaje en la primera propuesta.
- Collective Improvement (CI). Como AAD, pero prohibiendo la comunicación directa entre agentes: solo pueden ver las soluciones de la ronda anterior. Incrementa la diversidad y el rendimiento medio.
- Generadores de respuesta crítica. No mejoran de forma fiable; en algunos casos incluso reducen el rendimiento.
- Generadores de respuesta basados solo en razonamiento. Reducen la diversidad de respuestas y, con ella, la calidad final.
Análisis y conclusiones
Nuestra reflexión…
Desde la perspectiva de la Documentación como disciplina, este artículo ofrece tres lecciones que conviene retener.
La primera es que la arquitectura de la decisión importa tanto como la capacidad de los modelos. En un sistema de recuperación de información clásico, el motor de búsqueda no basta: hace falta un algoritmo de ranking que agregue señales y decida qué mostrar. Aquí ocurre lo mismo: los modelos generan candidatos y el protocolo decide cuál se convierte en respuesta final. Esa pieza —el protocolo— es a menudo invisible en los titulares sobre IA, pero condiciona los resultados tanto como el propio modelo.
La segunda lección es que no existe el mejor sistema, sino el más adecuado al contexto. Los autores demuestran que la votación gana en razonamiento y el consenso en conocimiento. Es la misma lógica que, en nuestra disciplina, llevamos décadas aplicando a la evaluación de sistemas documentales: un buscador especializado puede ser excelente en un dominio jurídico y mediocre en un dominio científico. La diferencia entre ambos no está en la potencia bruta, sino en la adecuación entre diseño y necesidad informativa.
La tercera lección es un recordatorio metodológico: aislar variables es imprescindible para poder atribuir mejoras. El estudio merece leerse no solo por sus resultados, sino por su diseño: modifica un único factor (el protocolo) y mantiene todo lo demás constante. Es lo que en investigación documental denominamos diseño experimental controlado aplicado a sistemas generativos.
El trabajo deja además una agenda abierta que merece ser atendida desde nuestra área: ¿cómo afectan las relaciones de poder entre agentes —jerarquías, liderazgos, roles dominantes— a la calidad de la deliberación? ¿Cómo evaluamos la trazabilidad de las decisiones cuando el output es el resultado agregado de múltiples voces artificiales? ¿Qué criterios de ética de la IA aplicamos a los sistemas que deciden por nosotros? Preguntas que, como documentalistas, deberíamos estar formulando ya.
En definitiva, este artículo demuestra que la IA generativa no se agota en el modelo: hay toda una ingeniería de la decisión por debajo que determina la calidad de los resultados. Y esa ingeniería, con sus protocolos, sus rondas y sus criterios de agregación, es exactamente el tipo de objeto que la Documentación puede y debe analizar críticamente.
Referencia
martes, 22 de septiembre de 2026
Inteligencia artificial generativa en la universidad: cómo formar estudiantes para un uso crítico, ético y responsable
Introducción
La irrupción de la inteligencia artificial generativa (IAG) está transformando la forma de producir, consultar y compartir información, también en el ámbito universitario. Herramientas capaces de generar textos, imágenes y otros contenidos ofrecen nuevas posibilidades para el aprendizaje, pero plantean simultáneamente problemas relacionados con la fiabilidad de la información, los sesgos, la privacidad y seguridad de los datos, la propiedad intelectual, la desinformación y las desigualdades derivadas de la brecha digital. Por ello, su incorporación a la Educación Superior no puede limitarse al aprendizaje instrumental de determinadas aplicaciones.
Esta problemática entronca directamente con los debates clásicos de nuestra disciplina. Desde la alfabetización informacional —entendida como la capacidad de localizar, evaluar y utilizar eficazmente la información— hasta la gestión de datos y la curación de contenidos, los profesionales de la Documentación llevamos décadas reflexionando sobre cómo formar ciudadanos críticos en entornos informativos complejos. La IAG no hace sino radicalizar esa necesidad: si antes enseñábamos a buscar, evaluar y citar, ahora debemos enseñar también a comprender qué hay detrás de un modelo generativo, a distinguir entre contenido sintético y contenido verificado, y a integrar estas herramientas sin renunciar al rigor académico.
El artículo parte de esta problemática y sitúa en el centro la necesidad de desarrollar un uso crítico y ético de la IAG. Los autores señalan que la facilidad para generar contenidos académicos puede reducir la necesidad de poner en práctica competencias como la indagación, el pensamiento crítico o la capacidad para distinguir información verdadera de información falsa. Frente a ello, plantean la formación del alumnado como una vía para comprender tanto las posibilidades como las limitaciones de estas tecnologías y para establecer criterios que orienten su utilización responsable.
El objeto concreto del estudio es analizar el conocimiento autopercibido sobre IAG de estudiantes de una universidad íntegramente en línea —la Universitat Oberta de Catalunya (UOC)— y examinar los criterios éticos y preocupaciones que manifiestan ante su utilización. Para ello se estudia el efecto de incorporar en la asignatura transversal Competencias TIC un recurso formativo específico sobre IAG acompañado de un debate reflexivo sobre sus implicaciones académicas.
Resumen
La información se obtuvo mediante un cuestionario en línea con preguntas cerradas, una escala Likert y preguntas abiertas. La muestra estuvo formada por 686 estudiantes del primer semestre y 243 del segundo. Los datos cuantitativos fueron analizados mediante JASP y las respuestas cualitativas mediante QCAmap, estableciéndose finalmente siete categorías éticas mediante codificación y triangulación entre investigadores.
El diseño metodológico merece una reflexión desde nuestra área. La combinación de técnicas cuantitativas y cualitativas —lo que en investigación en Documentación denominamos métodos mixtos— permite no solo medir el cambio en el conocimiento autopercibido, sino también comprender las representaciones, valores y resistencias que los estudiantes construyen alrededor de la IAG. El uso de herramientas de análisis como JASP y QCAmap refleja una tendencia creciente hacia el software libre en investigación educativa, lo que facilita la reproducibilidad y la transparencia de los procesos analíticos.
Resultados
Se observan diferencias significativas en el conocimiento autopercibido de la IAG según el grupo, así como diferencias asociadas a la disciplina académica. En cambio, la edad y el nivel formativo previo no explican significativamente las diferencias observadas.
Estos datos adquieren especial relevancia si los leemos desde los estándares de competencia en alfabetización informacional para la Educación Superior (ACRL). El salto del 40 % al 76 % en niveles altos de conocimiento autopercibido no solo indica que la formación funciona, sino que confirma una intuición que desde la Biblioteconomía y la Documentación llevamos tiempo defendiendo: la competencia informacional no se adquiere por ósmosis ni por exposición tecnológica, sino mediante intervenciones formativas deliberadas, secuenciadas y contextualizadas. La asignatura Competencias TIC de la UOC, con su enfoque en el uso racional y crítico de las tecnologías, se convierte así en un laboratorio privilegiado para observar cómo la alfabetización digital se transforma cuando aparece la IAG[reference:0].
El análisis cualitativo identifica siete principios éticos:
- Análisis crítico y contraste de la información
- Honestidad y propiedad intelectual
- Protección de datos y seguridad
- Responsabilidad y propósitos adecuados
- Uso de la IAG como complemento
- Conocimiento y consciencia de sus implicaciones
- Regulación
La formación incrementa especialmente las referencias a la honestidad intelectual, el contraste crítico de la información y el uso de la IAG como complemento del aprendizaje. Los autores concluyen que la intervención formativa resulta útil para mejorar el conocimiento y la conciencia crítica del alumnado, aunque reconocen limitaciones relacionadas con la participación voluntaria, el desequilibrio muestral y el carácter específico del contexto estudiado.
Estos siete principios dialoga directamente con los marcos internacionales que desde la Documentación y las Ciencias de la Información venimos promoviendo. La Recomendación de la UNESCO sobre la Ética de la Inteligencia Artificial insiste en la necesidad de garantizar la transparencia, la equidad y la supervisión humana en todos los sistemas de IA. La UNESCO ha impulsado además un marco de competencias en IA para docentes y estudiantes que abarca tres dimensiones: conocimientos, habilidades y actitudes y valores[reference:1]. El estudio de Romeu Fontanillas y colaboradores permite ver cómo estos marcos se materializan —o no— en las percepciones y actitudes de estudiantes reales. La categoría de "protección de datos y seguridad" que emerge del análisis cualitativo conecta, por ejemplo, con las preocupaciones sobre privacidad que desde la Ciencia de la Información llevamos décadas abordando en el contexto de los sistemas de recuperación y los servicios de referencia digital.
Análisis y conclusiones
Nuestra reflexión…
Desde la perspectiva de la Documentación como disciplina, este estudio ofrece varias lecciones que merecen ser subrayadas. La primera es que la IAG no es simplemente una herramienta más que añadir al repertorio tecnológico del estudiantado. Como muestran los autores, su irrupción afecta a competencias nucleares de nuestra área: la evaluación de fuentes, la verificación de hechos, la integridad académica y la gestión ética de la información. Cuando un estudiante puede generar un texto plausible en segundos, la pregunta ya no es si sabe buscar información, sino si sabe juzgar la información que recibe —y la que él mismo produce con ayuda de la máquina.
La segunda lección es metodológica. El uso de métodos mixtos en este trabajo no es un adorno: responde a la complejidad del objeto de estudio. El conocimiento autopercibido —medido cuantitativamente— se complementa con el análisis cualitativo de las categorías éticas emergentes, lo que permite captar tanto la magnitud del cambio como la naturaleza de las preocupaciones estudiantiles. Esta aproximación es coherente con la tradición investigadora de nuestra disciplina, donde la triangulación de técnicas y fuentes es una práctica consolidada.
La tercera lección es, quizá, la más incómoda: la formación específica funciona, pero no basta. El estudio demuestra que una intervención breve —un recurso formativo y un debate— mejora significativamente el conocimiento autopercibido. Sin embargo, la brecha digital y las desigualdades en competencias informacionales persisten. Como señalan investigaciones recientes, el acceso a la IA y su uso para el consumo de información no se distribuye homogéneamente: variables como la edad, el género y el nivel educativo siguen prediciendo patrones diferenciados de aprovechamiento tecnológico[reference:2]. La alfabetización en IAG, por tanto, no puede desligarse de una agenda más amplia de equidad digital y justicia informacional.
En definitiva, este trabajo confirma que el futuro de la Educación Superior pasa por integrar la IAG con criterio, no por prohibirla ni por adoptarla acríticamente. Y en esa tarea, los profesores e investigadores de Documentación tenemos mucho que aportar: desde el diseño de programas de alfabetización informacional adaptados a los nuevos entornos generativos, hasta la investigación sobre cómo los estudiantes construyen —o destruyen— su confianza en la información cuando la IA media entre ellos y el conocimiento. El debate está abierto, y estas páginas son una excelente contribución a él.
Referencia
-
Introducción Cuando varios modelos de lenguaje —o varios agentes artificiales— debaten entre sí para resolver un problema, la cal...
-
Introducción 112 El artículo de Bu, Li, Jiang y Liu (2026) analiza la incorporación de los grandes modelos de lenguaje (LLM) en el ...
-
Introducción La irrupción de la inteligencia artificial generativa (IAG) está transformando la forma de producir, consultar ...
