Difundido a través de la lista [IWETEL] [ThinkEPI] <IWETEL@listserv.rediris.es>
Isidro F. Aguillo
https://www.directorioexit.info/ficha67
https://orcid.org/0000-0001-8927-4873
Cybermetrics Lab (IBP-CSIC)
isidro.aguillo@csic.es
Introducción
Durante años he medido la visibilidad de la ciencia y la cultura en español en buscadores, bases de datos y rankings. Hoy hay que mirar a otro sitio. En apenas tres años, los grandes modelos de lenguaje se han convertido en la primera puerta al conocimiento. Los usan millones de estudiantes, profesionales, periodistas y responsables públicos de España y América Latina. Ya no se consulta una lista de enlaces. Se pide una respuesta, y la respuesta se acepta.
Mi tesis es incómoda pero sencilla. Pese a sus limitaciones (cobertura sesgada, alucinaciones, opacidad sobre sus fuentes), la IA generativa ya funciona como infraestructura de acceso al conocimiento, y en ella la ciencia y la cultura en español están mal representadas. Hay dos razones, que se refuerzan entre sí: falta contenido, y el que existe se está cerrando a las máquinas que leen. Este texto no pretende ser una revisión de la evidencia, que abordo en otro trabajo (Aguillo, en preparación), sino un alegato a partir de lo que está ocurriendo ahora mismo en nuestras propias instituciones.
La IA ya es infraestructura de conocimiento
La velocidad de adopción no admite discusión. Según la III Encuesta Funcas sobre Inteligencia Artificial, el uso frecuente de ChatGPT en España pasó del 4 % en 2023 al 28 % en 2025. Cuatro de cada diez menores de 45 años usan alguna herramienta de IA a diario (Funcas). El Observatorio IAON de 2026 reduce al 31,2 % a quienes nunca han usado IA generativa; un año antes eran la mitad (IAON). Según GfK DAM, ya la usa el 58 % de los internautas españoles, 24 puntos más que el año anterior (Última Hora).
En las aulas, el fenómeno es aún más claro. Según datos de Eurostat, España es el país de la UE donde más jóvenes de 16 a 24 años usan IA generativa para estudiar: un 59 %, veinte puntos por encima de la media (Noticias de Navarra). El índice Global AI Diffusion de Microsoft situaba a España en sexto lugar mundial a comienzos de 2026, con un 44,2 % de la población en edad de trabajar (Escudo Digital). América Latina sigue la misma senda. En el segundo trimestre de 2026 encabezaban la región Costa Rica (29,7 %), República Dominicana (25,8 %) y Uruguay (25,7 %); México se situaba en el 21,4 % (Diario Extra). Todos superan la media del Sur Global, del 16,2 % (Microsoft).
Nada de esto significa que la herramienta sea fiable. Los modelos inventan referencias y confunden autores. Atribuyen a una institución lo que hizo otra, y responden con la misma seguridad cuando saben que cuando no saben. Tampoco son gratuitos. Según la Agencia Internacional de la Energía, en 2030 el consumo eléctrico de los centros de datos será más del doble que en 2024, en buena parte por la IA (Scientific American). El coste de entrenar y operar estos modelos, además, concentra la capacidad en unas pocas empresas, de las que dependen las instituciones con presupuestos cada vez más ajustados. Sin embargo, la crítica no altera el hecho central: para cada vez más gente, lo que no aparece en la respuesta del chatbot no existe. La IA no ha sustituido a la biblioteca, al repositorio ni a la revista. Se ha interpuesto entre ellos y el lector.
Primera causa: una Web hispana que no crece y que se borra
Un modelo de lenguaje solo sabe lo que ha leído, y lee sobre todo la Web abierta. Ahí el español pesa mucho menos que en el mundo real: apenas un 6 % de los sitios web, empatado con el alemán, que tiene unas cuatro veces menos hablantes (W3Techs). Su peso es aún menor en los corpus con los que se entrenan los modelos.
La causa no es técnica sino institucional. La evaluación de la investigación, en España y en buena parte de América Latina, premia el artículo en inglés en revistas de Web of Science o Scopus. No premia el informe técnico, la base de datos, el material docente ni la divulgación en la propia lengua. Además, lo que sí se publica en español acaba a menudo en formatos que las máquinas leen mal, como los PDF escaneados. A ello se suma una cierta desidia propia a la hora de publicar en abierto, que vengo señalando desde los primeros años de la Web (Aguillo, 2025).
La crisis de PHP2Shell, en octubre de 2026, mostró lo frágil que es esa infraestructura. Gobiernos, universidades y centros de investigación de media Europa apagaron sus webs mientras aplicaban los parches, también en España (ABC7; Escudo Digital). El riesgo no es el apagón de un día, sino los sitios que ya no volverán.
Corpus, ediciones digitales y revistas sobre plataformas caducadas
El problema golpea con especial fuerza a la ciencia y, sobre todo, a las humanidades. Buena parte del patrimonio digital hispano más valioso no está en las grandes webs, sino en proyectos de investigación. Son corpus históricos y dialectales, ediciones digitales de textos clásicos, bases de datos léxicas, catálogos de fondos antiguos o atlas lingüísticos. Es justo el material, único y de calidad, que falta en la Web general, y el que más mejoraría lo que los modelos saben de nuestra lengua y nuestra historia.
Casi todos nacieron igual: un proyecto financiado durante tres o cuatro años y un becario con conocimientos técnicos. La aplicación, en PHP y MySQL o sobre Drupal, Joomla u Omeka, se instalaba en un servidor del departamento. Cuando se acaba la financiación, la aplicación se congela. Nadie actualiza el lenguaje, el gestor de contenidos ni el sistema operativo. El sitio sigue en línea durante años, cada vez más lento y más vulnerable, hasta que un aviso de seguridad obliga a decidir.
Los datos generales dan la medida del problema. Según W3Techs, PHP mueve el 69,2 % de los sitios con lenguaje de servidor identificable, y uno de cada tres funciona aún con versiones sin soporte y sin parche frente a PHP2Shell (W3Techs). Cada uno de esos sitios que se cierra es contenido en español que desaparece de la Web y, con ella, de la IA.
Las revistas científicas comparten el riesgo. Open Journal Systems, el gestor de revistas más usado en España y América Latina, está escrito en PHP. Sostiene unas 58.000 revistas en todo el mundo (PKP). Su actualización es lenta: en abril de 2026, PKP celebraba que algo más de 4.000 revistas hubieran migrado en un año a OJS 3.3. Para una revista pequeña, sin apoyo técnico estable, cada alerta de seguridad plantea la misma disyuntiva: actualizar sin medios o cerrar.
La obsolescencia se puede vencer, pero cuesta. La Biblioteca Digital de Relaciones de Sucesos de la Universidade da Coruña nació en 1994 y está en línea desde 2001. Reúne datos de 6.430 ediciones de los siglos XVI a XVIII. Tras casi dos décadas, su tecnología se había quedado anticuada y el servidor universitario no garantizaba el acceso continuo. El equipo tuvo que rediseñarla por completo para salvar los datos (Pena Sueiro y Saavedra Places, 2019).
Muchos proyectos no tienen esa suerte. Un estudio de 2019 encontró que solo el 23 % de 30 instituciones iberoamericanas tenía una política de preservación digital. Sitios emblemáticos, como el portal del centenario de la UNAM, ya no están en la red (Red de Humanidades Digitales).
Hay un agravante más. Muchos de estos corpus se consultan mediante formularios de búsqueda, no mediante páginas enlazadas. Para un rastreador, su contenido es invisible aunque el servidor funcione. Si además el servidor se apaga por miedo a un fallo de seguridad, el corpus desaparece dos veces: para los investigadores y para las máquinas que hoy median su acceso.
Wikipedia: la enciclopedia que no escribimos
Wikipedia merece una mención aparte, porque es una de las fuentes que más pesan en el entrenamiento de los modelos. En LLaMA, por ejemplo, supuso el 4,5 % del corpus, tanto como todos los libros juntos (arXiv 2404.00929).
La edición en español ocupa el séptimo lugar por número de artículos, con 2,15 millones. La inglesa tiene 7,26 millones, más del triple. Sin embargo, la comparación más reveladora es con lenguas de muchos menos hablantes. La alemana tiene 3,16 millones de artículos y la francesa, 2,79 millones. Incluso la sueca, inflada por artículos generados con bots, supera a la española (Meta-Wiki).
No falta comunidad. La Wikipedia en español tiene unos 40.600 usuarios activos, más que la alemana (34.200) o la francesa (37.200). Ahora bien, en proporción a sus hablantes, la comunidad alemana es más de tres veces mayor. Lo que falta es respaldo institucional. Las universidades, academias y centros de investigación del mundo hispano apenas alimentan la enciclopedia. Editar Wikipedia no cuenta como mérito, y pocas instituciones dedican tiempo a documentar en ella su propio patrimonio científico y cultural. Cada laguna se rellena con la versión inglesa, cuando existe, o con lo que el modelo invente.
Segunda causa: cerrar la puerta a quien lee
Al problema de la escasez se suma otro, más reciente y paradójico: el contenido que sí existe se está cerrando a las máquinas. Los repositorios de acceso abierto son el ejemplo más claro. La Confederación de Repositorios de Acceso Abierto (COAR) ha documentado el acoso de rastreadores agresivos, con frecuentes caídas del servicio (COAR). Muchos repositorios han respondido con defensas que bloquean también, sin querer, a agregadores e índices académicos legítimos.
El fenómeno ya ha llegado a los repositorios españoles y latinoamericanos. El 29 de octubre de 2026 revisé las reglas de acceso de catorce repositorios y portales. De los diez españoles, siete restringen el acceso de la IA, y cuatro bloquean el entrenamiento de casi todas las grandes compañías. DIGITAL.CSIC, uno de los mayores repositorios del país, se protege con una barrera antibots que frena cualquier acceso automatizado. Es una defensa eficaz contra los rastreadores agresivos, pero tiene el coste que advertía COAR: frena también a los asistentes que buscan un artículo a petición de un usuario y, si cubre los canales de recolección de metadatos, a los agregadores académicos. La guía de COAR para gestores de repositorios propone, en cambio, contener el tráfico abusivo sin cerrar el paso a los recolectores legítimos (COAR). ADDI, por su parte, declara funcionar sobre una versión de DSpace sin soporte y también exige una verificación de seguridad.
En América Latina el cierre es aún más visible. El repositorio de la Pontificia Universidad Católica de Chile veta a todos los asistentes de IA, incluso para búsquedas. El portal regional de SciELO solo admite a los buscadores tradicionales y a los archivos web, aunque colecciones nacionales como la mexicana no imponen restricciones. El repositorio de la PUCP, en Perú, ni siquiera deja leer sus reglas: una barrera antibots frena cualquier acceso automatizado. El de la Universidad de los Andes, en Colombia, bloquea el rastreador de entrenamiento de OpenAI y también el de Internet Archive. Ese mismo día, el repositorio de la Universidad de Chile respondía con un error de servicio no disponible, y el de la Universidad de la República, en Uruguay, no era accesible. Pueden ser caídas puntuales, pero muestran lo frágil que es esta infraestructura.
Nota metodológica. Consulté las reglas el 29 de octubre de 2026 desde un navegador convencional y clasifiqué cada servicio según lo que declara el fichero robots.txt para sus rastreadores de entrenamiento y de búsqueda. La tabla distingue tres situaciones. Las reglas declaradas dependen de que los rastreadores las respeten. Las barreras activas, como Anubis, bloquean técnicamente cualquier acceso automatizado; la de DIGITAL.CSIC la comprobé directamente. Las caídas de servidor que cito las observé una sola vez y pueden ser puntuales.
No es un fenómeno solo nuestro. Entre 2023 y 2024, más del 5 % de los textos de C4, uno de los corpus más usados para entrenar modelos, quedó vetado por las reglas de sus sitios de origen. Entre sus fuentes más activas y valiosas, la proporción llegó al 28 % (Longpre et al., 2024). El cierre avanza en toda la Web, pero pesa más donde el contenido abierto ya era escaso.
Las razones son comprensibles: costes de servidor, derechos de autor, falta de compensación, desconfianza hacia empresas que monetizan contenidos ajenos. Sin embargo, el efecto es asimétrico. Los rastreadores de las grandes compañías se identifican y respetan las reglas, así que son los primeros en quedarse fuera. Los que ignoran las reglas siguen entrando: según TollBit, fueron el 30 % de las extracciones de IA a finales de 2025 (Digiday). El bloqueo no protege el contenido. Lo retira de las herramientas que la mayoría usa para informarse. Una institución que cierra su repositorio a los chatbots no evita que se hable de su ciencia. Solo consigue que se hable de ella sin leerla.
Consecuencias: ser contados por otros
Ausencia y bloqueo producen el mismo resultado. Alguien pregunta a un chatbot por la historia de la medicina en México, la poesía chilena contemporánea o la obra de un científico de Córdoba, la española o la argentina. La respuesta se construye con lo que el modelo tiene a mano. Demasiadas veces es lo que se ha escrito en inglés sobre esos temas, o lo que publicaron los grandes medios y editoriales internacionales, que no bloquean porque ya han firmado acuerdos de licencia. La IA no ignora nuestra cultura. La conoce de segunda mano.
Es una forma de apropiación del conocimiento más sutil que las anteriores. Con las bases de datos bibliográficas, el problema era que nuestras contribuciones no se citaban. Ahora se reformulan, se resumen y se atribuyen sin acceso a las fuentes originales. A eso se suman las alucinaciones. Un modelo con poca información sobre un tema no se calla: rellena. Cuanto menor es la cobertura, más probable es que lo que diga sobre una institución, un autor o un hecho histórico hispano sea falso. Es una nueva forma de brecha digital, que ya no divide entre quienes tienen conexión y quienes carecen de ella, sino entre el conocimiento que las máquinas pueden leer y el que queda fuera de su alcance. A la desidia de no producir contenidos, que ya señalaba hace años, se suma ahora el cierre de los que sí existen.
El círculo se cierra con un efecto de retroalimentación. Si las herramientas no muestran la producción en español, los usuarios la consultan menos. Si se consulta menos, hay menos incentivos para producirla, mantenerla y abrirla. Si no se abre, los modelos futuros la conocerán aún peor. Hay esfuerzos públicos por romper ese círculo, como los modelos MarIA y ALIA en España o Latam-GPT en América Latina.
Son proyectos necesarios, pero dependen justo de lo que se está perdiendo: contenidos abiertos y accesibles. Las grandes empresas pueden pagar licencias a las editoriales comerciales, casi siempre en inglés. Los proyectos públicos, con presupuestos más ajustados, no pueden. La paradoja alcanza a sus propios impulsores: mientras preparaba este ensayo, la web del Barcelona Supercomputing Center, que coordina ALIA, rechazó con una barrera antibots la consulta automatizada que, a petición mía, hizo Claude, el asistente de IA de Anthropic.
Conclusión: reconocer, mantener y abrir
No creo que llamar ruina a esta situación sea una exageración retórica, si se mira a diez años vista. La IA no va a desaparecer ni a perder centralidad. Lo que está en juego es si la ciencia y la cultura en español formarán parte de lo que esas herramientas saben. La alternativa es que sean solo un tema del que hablan a partir de fuentes ajenas. Revertirlo exige al menos tres cosas:
1. Reconocer como mérito, en la evaluación y la financiación, la presencia web abierta, legible por máquinas y mantenida en el tiempo, incluida la contribución documentada a Wikipedia en español.
2. Mantener en lugar de apagar. Los corpus, las ediciones digitales y las revistas no pueden morir con el proyecto que los creó, y su migración debe financiarse.
3. Abrir con criterio. Hay que frenar el tráfico abusivo, pero dejar pasar a los rastreadores identificados de búsqueda y consulta, como recomienda COAR. Los estándares que prepara el IETF (AIPREF) permitirán declarar por separado si un contenido puede usarse para entrenar modelos, para generar respuestas o para la búsqueda (IETF).
La pregunta ya no es si la IA debe leer nuestra ciencia y nuestra cultura. Es quién se la va a contar a las próximas generaciones si no la dejamos leer.
Referencias
• Funcas: III Encuesta Funcas sobre Inteligencia Artificial (enero de 2026)
• Observatorio Anual IAON 2026
• GfK DAM: uso de IA generativa en España (Última Hora, mayo de 2026)
• Microsoft: The continued state of global AI diffusion in 2026 (21/09/2026)
• Agencia Internacional de la Energía: Energy and AI (vía Scientific American, 10/04/2025)
• W3Techs: idiomas de contenido de los sitios web (2026)
• Aguillo, I. F. (en preparación). Lo que la IA no lee: sesgos de cobertura de la inteligencia artificial hacia los contenidos en español y de origen iberoamericano. Revista Panamericana de Comunicación.
• ABC7: cierre de webs por la vulnerabilidad PHP2Shell (22/10/2026)
• Escudo Digital: PHP2Shell en Europa y España
• W3Techs: uso de PHP por versiones (28/10/2026)
• PKP: datos Beacon 2025 de Open Journal Systems (abril de 2026)
• Pena Sueiro y Saavedra Places: Obsolescencia y resiliencia en Humanidades digitales (Artnodes, 2019)
• Red de Humanidades Digitales: Fragilidad en la era digital (2025)
• A Survey on Multilingual Large Language Models: Corpora, Alignment, and Bias (arXiv 2404.00929)
• Meta-Wiki: List of Wikipedias (consultado el 29/10/2026)
• COAR: impacto de los bots de IA en los repositorios abiertos (2025)
• COAR: Mitigating the impact of AI bots y guía Dealing with Bots para gestores de repositorios (2026)
• Digiday: los bots de IA siguen ignorando robots.txt
• IETF: AI Preference Vocabulary, draft-ietf-aipref-vocab-08 (septiembre de 2026)
______________________________________
Anuario ThinkEPI 2026
thinkepi@gmail.com
https://thinkepi.scimagoepi.com
Natalia Arroyo, directora
Isabel Olea, coordinadora
