El juicio no se delega · 8 de 12

Ya nadie cuestiona que el problema de la inteligencia artificial es que se equivoca. Que inventa datos, que atribuye libros a autores que no los escribieron, que sostiene una falsedad con el mismo aplomo con que sostiene una verdad. De eso se ocupó el artículo “Sin luz de aviso” de esta serie, y, de momento, sigue siendo un problema real. Pero no es el único, y probablemente tampoco es el mayor.

Al igual que la IA el plástico tampoco se inventó para ser dañino. Gunther Kress y Theo van Leeuwen, dos de los fundadores de la semiótica social, recuerdan que desde los años treinta el plástico ha sido celebrado y vilipendiado a la vez: por versátil, por barato y por lo que deja detrás cuando ya se ha usado (1). Nadie discute que sea útil. El problema surge cuando se acumula.

Jasper Roe, profesor de la Facultad de Educación de la Universidad de Durham, con Leon Furze, investigador de la Universidad de Deakin en Melbourne, y Mike Perkins, director del Centro de Investigación e Innovación de la British University Vietnam, proponen tomarse esa comparación en serio. Lo que la inteligencia artificial generativa produce es, según su formulación, «sintético, ubicuo, útil y potencialmente tóxico» (1). De ahí que lo llamen plástico digital.

Ni bueno ni malo, y en todas partes

Podrían haber escrito una definición, sin embargo escribieron una metáfora, y la eligieron con método.

Su trabajo, publicado en 2026 en Pedagogies: An International Journal, aplica la teoría de la metáfora conceptual del lingüista George Lakoff y el filósofo Mark Johnson, que sostiene que las metáforas no son un adorno del lenguaje sino la estructura con la que organizamos el mundo. El procedimiento tiene tres pasos: analizar las propiedades del material de origen, que es el plástico físico; buscar esas mismas propiedades en el material de destino, que es el contenido generado por la IA; y construir después el puente entre ambos (1). Este es un análisis conceptual, sin datos propios, que propone una forma de mirar. No es un estudio empírico.

Tres rasgos sostienen el puente. El primero es que el contenido generado resulta barato en el punto de uso: producción rápida, a escala, en cualquier formato y a menudo sin coste directo para quien la encarga. El segundo es que es maleable, porque el significado puede trasladarse de un modo a otro, del texto a la imagen, de la imagen a la voz, de la voz al texto. El tercero, y el que da nombre a este artículo, es que es persistente.

Y es que la maleabilidad tiene un precio que los autores no esconden. Un alumno puede producir hoy la narración, la ilustración y la banda sonora de un mismo trabajo sin escribir, sin dibujar y sin grabar nada. Eso amplía lo que puede llegar a decir. También puede llevarle a priorizar la eficiencia sobre la voz propia y a depender de la producción algorítmica incluso cuando no la necesita (1).

La ventaja de pensar con una metáfora, y no con una definición, es que obliga a hacer preguntas que el vocabulario técnico no obliga a hacer. A nadie se le ocurre preguntar a un procesador de textos de quién son los datos que amplifica. A un océano lleno de plástico sí se le pregunta quién lo llenó.

Lo que queda en el fondo

El plástico físico no desaparece: se fragmenta. Los trozos se vuelven microscópicos, se llaman microplásticos y permanecen décadas en vertederos y océanos, alterando el ecosistema desde dentro.

Roe, Furze y Perkins llevan la comparación hasta el final y hablan de microplásticos digitales. Los fragmentos de contenido sintético se acumulan en los datos de entrenamiento de los modelos siguientes, y ahí la metáfora deja de ser una imagen elegante y se convierte en una advertencia técnica: el material que la máquina produce vuelve a la red, y de la red se alimenta la máquina siguiente (1). Es el bucle que quedó anunciado en el tercer artículo de esta serie.

Para nombrar el final de ese bucle, los autores recogen el trabajo de Ilia Shumailov y sus colegas, publicado en 2024 en Nature: entrenar un modelo sobre contenido generado de forma recursiva puede conducir al colapso del modelo, un estado en el que las salidas se vuelven ininteligibles y carentes de sentido (1, 3). El artículo lo describe además con una expresión que a un claustro le dice más que cualquier tecnicismo: contaminación del conjunto de datos.

Conviene leer esto con la prudencia con la que se lee cualquier proyección. Nadie afirma que el colapso vaya a producirse, ni cuándo. Lo que se afirma es que el riesgo procede de las propiedades del material y no de un mal uso puntual, y que el rastro ya es medible: hay adjetivos delatores, hay huellas detectables en la literatura científica y existe incluso un nombre popular para la morralla que inunda los espacios en línea, AI slop (1).

La toxicidad, además, no siempre es sutil. En enero de 2025, Meta retiró de Instagram y de Facebook los perfiles generados con inteligencia artificial que la propia empresa había creado, después de la reacción pública contra los estereotipos que aquellos personajes reproducían (1). No fue un fallo del sistema. Fue el sistema funcionando.

Enseñar también a no usarlo

Llegados aquí, la pregunta deja de ser sobre la tecnología y pasa a ser nuestra. Qué hay que enseñar para vivir en un ambiente así.

La respuesta del artículo tiene nombre propio: alfabetización crítica en inteligencia artificial, CAIL por sus siglas en inglés. Los autores la distinguen de forma expresa de la alfabetización en IA a secas, un término que, como ellos mismos admiten, se define de forma laxa y se aplica de forma inconsistente, sin definición universal (1). El adjetivo añade tres cosas: comprender los fundamentos técnicos, reconocer las implicaciones sociales y ver las estructuras de poder incorporadas en el sistema.

Y añade una cuarta que no ha aparecido aún en ningún artículo anterior de esta serie, porque es la más incómoda. El alumnado necesita alfabetización crítica, escriben, en parte para poder resistirse a las tecnologías y rechazarlas, no solo para usarlas o consumirlas (1). Llevado al aula, el criterio es concreto: usar la herramienta generativa cuando articula mejor lo que se quiere decir, y no usarla cuando el significado se transmite mejor sin ella. Decidir no usarla es parte de la competencia, no una renuncia a ella.

Detrás hay una razón de justicia, y es la que interpela de forma más directa a un equipo directivo. El artículo “El mundo que cupo en los datos” de esta serie mostró que dar la misma herramienta a todos no iguala nada, porque el acceso material no es el acceso epistémico. El marco de alfabetización en IA de Digital Promise lo formula desde el otro extremo del problema: esto resulta especialmente crucial en el sistema educativo porque «se pide a los jóvenes que usen sistemas de IA sin poder elegir» qué herramientas (2). Quien no eligió la herramienta difícilmente puede cargar en solitario con la responsabilidad de defenderse de ella.

Nada de esto pide una asignatura nueva. Los autores sitúan la alfabetización crítica dentro del proyecto de las multialfabetizaciones, es decir, dentro de lengua, de ciencias sociales, de arte y de tutoría (1). Es el mismo criterio con el que el proyecto CRAFT de la Universidad de Stanford diseña sus materiales, pensados de forma expresa para que puedan usarlos docentes de cualquier disciplina (5). Y coincide con lo que señala la revisión sistemática de Guaranda-Arias y colegas, que sitúa la desinformación y la aceptación acrítica entre los riesgos documentados en los 52 estudios revisados, con la salvedad, que sus autoras subrayan, de que se trata en su mayoría de estudios documentales o transversales (4).

Para llevar al aula y al despacho

En el aula: la auditoría de plástico digital. Durante una semana, cada alumno registra el contenido que consume y anota cuál sospecha que es sintético, por qué lo sospecha y qué le aporta. Después se clasifica en común: usos útiles, usos indiferentes y usos tóxicos. Los autores del artículo invitan a llevar el concepto a tareas y discusiones de aula, pero no describen esta actividad: la propuesta concreta es nuestra (1).

En el aula: ver la burbuja por dentro. Somekone, la Social Media Machine del proyecto finlandés Generation AI, simula un muro de red social y hace visible en tiempo real cómo cada acción del usuario, mirar, dar a me gusta o pasar de largo, genera datos, construye un perfil y determina lo que se recomienda después. El alumnado puede modificar los parámetros del algoritmo y comprobar cómo se estrecha o se ensancha lo que ve. Funciona entera en el navegador y no saca datos del aula (6). Trabaja de forma directa uno de los indicadores del marco de Digital Promise: buscar información fuera de la burbuja de filtro (2).

En el aula: justificar por escrito la decisión de no usarla. En un trabajo con uso permitido de IA, cada alumno señala un punto en el que decidió no usarla y explica por qué el resultado era mejor sin ella. Es la competencia de resistencia convertida en tarea evaluable.

Para el equipo directivo: centrar la justicia como criterio del plan de centro. Digital Promise propone cuatro movimientos para promover la conciencia y la agencia de toda la comunidad: aprender cómo funcionan estas herramientas; comunicar a las familias cómo se usan en el centro y darles la posibilidad de aceptarlo o no; ayudar a formular las preguntas que casi nadie sabe hacer todavía; y reclamar los derechos propios sobre los datos (2). La alfabetización crítica no puede quedar en manos del capital cultural de cada familia.

Para terminar

El plástico no es el enemigo. Lo que ha resultado difícil de gestionar no ha sido su existencia, sino su acumulación, su persistencia y la lentitud con la que aprendimos a convivir con él. Con el contenido sintético estamos en la fase temprana de esa misma historia, y esta vez con una ventaja: sabemos desde el principio lo que se está acumulando.

Pregunta para seguir pensando. Si un alumno le entrega un trabajo hecho enteramente con herramientas generativas, correcto y bien presentado, ¿sabría señalarle un punto en el que habría sido mejor no usarlas? ¿Y se lo ha enseñado alguna vez?

Glosario

• Contenido sintético. Texto, imagen, audio o vídeo producido por un sistema de inteligencia artificial en lugar de por una persona. No significa falso: significa generado.
• Plástico digital. Metáfora propuesta por Roe, Furze y Perkins para el contenido sintético, por analogía con el plástico físico: creado por humanos, barato, ubicuo, maleable, persistente, útil y potencialmente tóxico.
• Microplásticos digitales. Fragmentos de contenido sintético que se acumulan en los datos con los que se entrenan los modelos siguientes y degradan poco a poco la calidad del ecosistema informativo.
• Colapso del modelo. Deterioro que puede sufrir un sistema entrenado de forma recursiva sobre contenido generado por otros sistemas, hasta producir salidas ininteligibles.
• Alfabetización crítica en IA (CAIL). Capacidad de analizar y usar los sistemas de IA comprendiendo sus fundamentos técnicos, sus implicaciones sociales y las estructuras de poder que incorporan, incluida la de decidir no usarlos.
• Multialfabetizaciones. Enfoque pedagógico que amplía la lectura y la escritura tradicionales a todos los modos con los que hoy se crea significado: imagen, sonido, vídeo y sus combinaciones.
• Burbuja de filtro. Efecto por el cual un sistema de recomendación estrecha lo que una persona ve hasta dejarla expuesta casi solo a contenidos afines a su perfil.

Referencias

1. Roe, J., Furze, L. y Perkins, M. (2026). Digital plastic: a metaphorical framework for Critical AI Literacy in the multiliteracies era. Pedagogies: An International Journal, 21(2), 185-199. https://doi.org/10.1080/1554480X.2025.2557491
2. Mills, K., Ruiz, P., Lee, K., Coenraad, M., Fusco, J., Roschelle, J. y Weisgrau, J. (2024). AI Literacy: A Framework to Understand, Evaluate, and Use Emerging Technology. Digital Promise. https://doi.org/10.51388/20.500.12265/218
3. Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R. y Gal, Y. (2024). AI models collapse when trained on recursively generated data. Nature, 631, 755-759. Citado en (1). https://doi.org/10.1038/s41586-024-07566-y
4. Guaranda-Arias, I. C., García-Ortiz, L. R. y Guerrero-Zambrano, M. (2026). Alfabetización ética en inteligencia artificial y pensamiento crítico del profesorado: una revisión sistemática reportada conforme a PRISMA 2020. Innova Science Journal, 4(3), 964-974. https://doi.org/10.63618/omd/isj/v4/n3/393
5. CRAFT. Classroom-Ready Resources About AI For Teaching. Stanford Graduate School of Education e Institute for Human-Centered AI. Principio de multidisciplinariedad. https://craft.stanford.edu/
6. Generation AI. Somekone, the Social Media Machine. Consorcio de las universidades de Helsinki, Oulu y Finlandia Oriental, Codeschool Finland y Heureka. https://www.gen-ai.fi/en/tools/somekone