Se bienvenido a estas tierras digitales...
...especialmente si eres un molino....
Claude was here. Una empresa privada puede marcar un texto que era, es y seguirá siendo tuyo
Supongamos que escribo este artículo de principio a fin. Es mío. Después se lo envío a Claude y le digo:
«Revísame las erratas, mejora la puntuación y dime si encuentras alguna frase confusa».
Claude devuelve el texto corregido.
¿Quién ha escrito el artículo?
La respuesta parece bastante sencilla: yo. Vale. Ahora añadamos una nueva variable.
A partir de agosto de 2026, Anthropic ha comenzado a introducir mecanismos de marcado legibles por máquina en el contenido producido por determinados modelos Claude. En el caso del texto, la compañía habla expresamente de un watermark imperceptible integrado en el propio texto. Para determinados ficheros utiliza, en cambio, metadatos de procedencia firmados digitalmente siguiendo C2PA. La medida se enmarca en las nuevas obligaciones de transparencia del artículo 50 del Reglamento europeo de Inteligencia Artificial.
Por tanto, mi artículo, que escribí yo, podría regresar de una simple corrección ortográfica con una señal detectable asociada a Claude. Y entonces aparece la pregunta que me interesa mucho más que el propio watermark:
¿qué estamos demostrando exactamente cuando detectamos esa marca?
Porque una cosa es poder afirmar que Claude intervino en un documento. Otra bastante distinta es afirmar que Claude lo generó. Y otra, jurídicamente mucho más delicada, es utilizar aquella intervención como indicio de quién es (o deja de ser) su autor.
Bienvenidos a una nueva confusión semántica de la era de la inteligencia artificial. Y esta puede tener consecuencias bastante más serias que una discusión en LinkedIn.
Qué ha anunciado realmente Anthropic
Vamos a tratar de difuminar un poco el ruido:
Anthropic ha firmado el Código de Prácticas de Transparencia sobre contenido generado mediante IA asociado al artículo 50 del AI Act. La compañía afirma que los modelos Claude lanzados en la Unión Europea desde el 2 de agosto de 2026 incorporarán mecanismos de marcado desde su lanzamiento y que esas marcas se aplicarán además globalmente allí donde se utilicen esos modelos: Claude, la API, Claude Code, Claude Cowork, Claude Tag y determinados proveedores cloud.
Para el texto, Anthropic habla de un watermark imperceptible integrado directamente en el texto.
Para los ficheros compatibles, como determinados SVG, PNG o JPG, utiliza otro mecanismo: metadatos de procedencia firmados digitalmente mediante C2PA.
No son lo mismo.
Y aquí conviene hacer una corrección respecto de algunas explicaciones (incluida una aproximación que hice inicialmente al comentar la noticia, en LinkedIN) que están circulando estos días.
Anthropic no ha publicado todavía el algoritmo de watermarking textual de Claude.
La propia compañía anuncia que publicará posteriormente documentación técnica sobre los mecanismos de detección. Por tanto, hoy no podemos afirmar con rigor que Claude utilice exactamente el conocido mecanismo de listas verdes y rojas desarrollado por Kirchenbauer et al. Podemos emplearlo para explicar cómo funciona una familia perfectamente plausible de watermarks estadísticos, pero no debemos convertir una hipótesis razonable en documentación técnica de Anthropic.
Lo que comenté ayer en LinkedIN fue el modelo estadístico (uno) que sirve para entender cómo podría hacerlo Claude.
Si precisamente estamos hablando de trazabilidad, confianza y prueba, sería curioso comenzar atribuyendo a Anthropic un algoritmo cuya utilización Anthropic no ha confirmado.
No, no hay caracteres secretos escondidos entre las letras
Cuando se habla de «marca de agua invisible» en un texto, mucha gente imagina alguna especie de carácter Unicode escondido, un espacio especial o información incrustada en el portapapeles.
Una de las técnicas académicas más conocidas de watermarking para grandes modelos de lenguaje fue propuesta por John Kirchenbauer et al en 2023.
La idea, simplificada muchísimo, es brillante. Cuando un LLM va a generar el siguiente token dispone de muchas alternativas posibles:
El sistema podría [detectar] [identificar] [advertir] [señalar] [...]
Normalmente el modelo asigna una probabilidad a cada una. El watermark modifica ligeramente ese proceso. A partir del contexto anterior se genera de forma pseudoaleatoria una partición del vocabulario. Determinados tokens forman una lista que podríamos llamar verde y otros una lista roja. El modelo sigue pudiendo escribir normalmente, pero se introduce un pequeño sesgo estadístico favorable hacia determinados tokens verdes.
Algo parecido a esto:
Modelo sin watermark
contexto
│
▼
distribución tokens
│
┌────────────┼────────────┐
▼ ▼ ▼
detectar reconocer identificar
0,31 0,27 0,21
Modelo con watermark
contexto
│
▼
función pseudoaleatoria
│
┌────────────┴────────────┐
▼ ▼
tokens verdes tokens rojos
│
└──── pequeño sesgo ─────┐
▼
generación del texto
Después de suficientes tokens, un detector puede preguntarse:
¿aparecen muchos más tokens pertenecientes al conjunto esperado de los que aparecerían por casualidad? Si la desviación estadística es suficientemente elevada, existe evidencia de watermark. Ese es, a grandes rasgos, el planteamiento de Kirchenbauer.
Insisto: es un modelo explicativo, no una descripción confirmada del watermark de Claude.
Anthropic solo ha confirmado hasta ahora tres propiedades relevantes: la marca está integrada en el texto, viaja con él cuando se copia y pega y puede sobrevivir a cierto grado de edición.
Eso encaja conceptualmente con sistemas estadísticos de este tipo. Pero reconozco que encajar no significa demostrar.
Ejemplo 1: este texto lo escribí yo, pero Claude «was here»
Imaginemos que escribo:
Los sistemas de inteligencia artificial generativa están modificando profundamente la forma en la que producimos información, aunque la utilización de estas herramientas no elimina necesariamente la intervención intelectual humana.
Es mío. Lo envío a Claude:
«Mejora ligeramente la redacción sin cambiar mis ideas».
Claude devuelve:
Los sistemas de inteligencia artificial generativa están transformando profundamente la manera en que producimos información, aunque el uso de estas herramientas no elimina necesariamente la intervención intelectual humana.
Supongamos ahora, solo como implementación técnica posible, que Claude utilizara un watermark estadístico basado en una clave secreta (K).
El proceso conceptual podría ser:
MI TEXTO
│
▼
CLAUDE
│
├── contexto previo
│
├── función pseudoaleatoria + K
│
├── selección estadística de tokens
│
▼
TEXTO REVISADO Y MARCADO
│
▼
PUBLICACIÓN
│
▼
DETECTOR
│
├── patrón esperado
└── contraste estadístico
│
▼
"Compatible con procesamiento por Claude"
¿Qué demuestra eso?
- No demuestra que Claude ideara el argumento.
- No demuestra que Claude redactara la primera versión.
- No demuestra que Anthropic sea titular de ningún derecho.
- Ni siquiera demuestra necesariamente que el texto completo proceda de Claude.
Demuestra, en el mejor escenario, una determinada relación técnica entre ese texto y un proceso de generación o transformación realizado mediante Claude.
Y aquí aparece una sorpresa bastante significativa. No soy yo quien introduce esta cautela.Es Anthropic.
La propia compañía advierte de que encontrar su marca no confirma la procedencia completa del contenido y explica expresamente que Claude puede haber sido utilizado para revisar, traducir o resumir material cuyo contenido original procede de otra fuente. Su formulación es especialmente prudente: detectar la marca indica que el contenido puede haber sido procesado por Claude.
Procesado. No escrito. Mucho menos «creado intelectualmente».
La diferencia es enorme.
La UE tampoco dice que corregir sea generar
El artículo 50.2 del AI Act obliga a los proveedores de sistemas que generan contenido sintético de audio, imagen, vídeo o texto a conseguir que sus outputs estén marcados en un formato legible por máquina y sean detectables como artificialmente generados o manipulados. Pero inmediatamente introduce una excepción.
La obligación no se aplica en la medida en que el sistema desempeñe una función asistencial para edición estándar o no altere sustancialmente los datos de entrada o su semántica.
Leámoslo otra vez. Edición estándar. Esto importa muchísimo.
Porque Anthropic ha anunciado que los watermarks textuales se aplicarán a todo el texto generado por los modelos compatibles y reconoce entre los escenarios de detección casos como la corrección de textos.
Por tanto, puede aparecer una zona particularmente incómoda:
contenido que Anthropic decide marcar aunque el legislador europeo haya considerado que determinados usos meramente asistenciales no necesitan necesariamente esa obligación de marcado.
Esto no significa que Anthropic esté infringiendo el AI Act.
Significa justo lo contrario: puede estar aplicando una política técnicamente más amplia que el mínimo jurídico exigido. Pero entonces la marca deja de ser simplemente «el cumplimiento de una obligación legal». Pasa a ser también una decisión de arquitectura del proveedor. Y las decisiones de arquitectura tienen consecuencias.
Propiedad intelectual: una marca no deroga la ley
En España la cuestión de la autoría comienza bastante antes de Claude. El artículo 5 de la Ley de Propiedad Intelectual es extraordinariamente claro:
autor es la persona natural que crea una obra literaria, artística o científica.
El artículo 10 protege las creaciones originales expresadas por cualquier medio, y el artículo 6 establece además una presunción de autoría, salvo prueba en contrario, respecto de quien aparece identificado como autor en la obra.
Nada de eso cambia porque aparezca un watermark de Claude.
De hecho, la legislación española reconoce expresamente como obras derivadas las traducciones, revisiones, actualizaciones, resúmenes y otras transformaciones, sin borrar automáticamente los derechos existentes sobre la obra original.
El problema, por tanto, no reside tanto en la ley como en la interpretación social y probatoria que hagamos de la señal técnica.
Ejemplo:
AUTOR HUMANO
│
│ escribe 4.000 palabras
▼
DOCUMENTO ORIGINAL
│
│ Claude corrige estilo
▼
DOCUMENTO CON WATERMARK
│
│
▼
DETECTOR: POSITIVO
¿Conclusión correcta? Claude intervino probablemente en alguna fase de procesamiento.
¿Conclusión incorrecta? Claude escribió el documento.
Mucho más incorrecta todavía: El usuario no puede considerarse autor.
Pero podemos imaginar perfectamente un profesor, una editorial, una empresa, un revisor científico o incluso un perito tomando el atajo.
Detector positivo = IA.
IA = no humano.
No humano = fraude.
Tres inferencias.
Las tres discutibles.
Quiero ser honesto: Anthropic tampoco afirma ser el propietario
Anthropic no está utilizando esta tecnología para afirmar que los textos pertenecen a Anthropic. Su documentación señala que los clientes conservan sus derechos sobre los inputs y poseen sus outputs conforme a sus términos de uso.
Por tanto, sería incorrecto plantear:
«Anthropic pone una marca porque quiere apropiarse de lo que escribimos».
No tenemos evidencia para sostener eso. La cuestión interesante es bastante más sofisticada:
Anthropic puede introducir una señal técnica permanente o semipermanente que permita vincular un contenido con el uso de su sistema, aunque los derechos sobre ese contenido pertenezcan al usuario.
Propiedad y procedencia vuelven a separarse. Y precisamente por eso el problema resulta interesante.
Ejemplo 2: ahora, destrocemos la marca
Tomemos el texto anterior. Claude produce:
Los sistemas de inteligencia artificial generativa están transformando profundamente la manera en que producimos información, aunque el uso de estas herramientas no elimina necesariamente la intervención intelectual humana.
Supongamos que contiene watermark. Ahora cambio «transformando profundamente» por «alterando de forma sustancial». Después intercambio las dos proposiciones. Luego elimino seis palabras. Después lo traduzco al inglés. Lo vuelvo a traducir al español.
Finalmente se lo paso a otro modelo y le digo:
«Conserva exactamente el significado, pero cambia por completo la estructura».
Acabo obteniendo:
La participación humana continúa siendo esencial en la creación intelectual, incluso cuando herramientas generativas intervienen intensamente en la producción y revisión del contenido.
Semánticamente estamos cerca. Lexicalmente estamos lejísimos.
¿Qué queda del watermark?
Depende del algoritmo.
Anthropic reconoce que la edición intensa, el parafraseo, la traducción o la mezcla con otros textos pueden provocar que la marca deje de ser detectable. También advierte que los textos demasiado cortos pueden contener una señal insuficiente.
La literatura científica lleva años encontrándose precisamente con este problema. Los trabajos sobre watermarking han mostrado que determinadas marcas pueden sobrevivir parcialmente a transformaciones, especialmente cuando permanecen suficientes fragmentos o n-grams del original; otros trabajos han demostrado que ataques de parafraseo recursivo pueden reducir sustancialmente la capacidad de detección.
Tenemos entonces una paradoja.
Cuanto más robusta queramos hacer la marca, mayor influencia debemos ejercer potencialmente sobre la generación.
Cuanto menos queramos alterar la distribución natural del modelo, más débil puede resultar la señal.
Calidad, invisibilidad y robustez forman un triángulo bastante incómodo.
El hash no resuelve el problema
Un hash criptográfico convencional es extraordinariamente útil para comprobar identidad exacta.
H("Hola mundo") = A42F...
Cambia una sola coma:
H("Hola, mundo") = 19C7...
El resultado será completamente distinto. Es precisamente lo que queremos de una buena función hash. Pero es exactamente lo contrario de lo que queremos si pretendemos reconocer un texto después de:
- corregirlo;
- resumirlo;
- parafrasearlo;
- traducirlo;
- fragmentarlo;
- mezclarlo con contenido humano.
El efecto avalancha, virtud esencial del hashing criptográfico, se convierte aquí en inconveniente. Podríamos intentar canonicalizar:
Texto
↓
minúsculas
↓
sin espacios redundantes
↓
Unicode normalizado
↓
puntuación normalizada
↓
HASH
Eso resolvería cambios triviales. No resolvería:
«El coche es rápido»
frente a
«El vehículo alcanza una gran velocidad».
Misma idea. Distinto texto. Distinto hash. Por eso un watermark robusto para lenguaje necesita mecanismos bastante más sofisticados que simplemente:
hash(texto)
¿Y si el hash utiliza una clave secreta?
Supongamos, repito: hipótesis técnica, no implementación confirmada de Claude, que el sistema utiliza una clave privada o secreto interno para determinar qué patrones deben considerarse válidos.
Conceptualmente:
contexto + K
│
▼
PRF / HASH CON CLAVE
│
▼
patrón esperado
│
▼
selección de tokens
Posteriormente:
TEXTO SOSPECHOSO
│
▼
MISMA K
│
▼
RECONSTRUCCIÓN DEL PATRÓN
│
▼
TEST ESTADÍSTICO
La clave evita que cualquiera pueda conocer fácilmente qué tokens o patrones producen la marca. Muy bien. Es buena idea. Pero aparece inmediatamente otra pregunta.
¿Quién puede verificar?
Un HMAC clásico es un mecanismo de autenticación basado en una función hash y un secreto compartido. Las partes que pueden calcular y verificar correctamente el MAC necesitan conocer el secreto correspondiente. Esto plantea un problema evidente para un sistema de procedencia público. Si Anthropic publica el secreto, la verificación puede independizarse…pero potencialmente también facilitamos que terceros fabriquen marcas. Si Anthropic conserva el secreto, puede ofrecer:
texto
│
▼
API DE ANTHROPIC
│
▼
positivo / negativo
Eso es operativo. Pero no es lo mismo que:
texto
│
▼
VERIFICADOR INDEPENDIENTE
│
▼
prueba reproducible
Y aquí entramos en terreno casi epistemológico: ¿quién controla la verdad técnica de la atribución?
Ahora resulta que la IA tiene notario
Imaginemos dentro de cinco años un procedimiento judicial. Y ojo, que esto sirve para mi asignatura de Ingeniería Inversa y Análisis Forense Digital.
Una parte presenta un documento.La otra sostiene: Este texto fue generado mediante Claude. Entonces, se ejecuta un detector.
Resultado:
CLAUDE WATERMARK DETECTEConfidence: 99,2 %
Ahora el abogado pregunta:
Abogado: ¿Cómo se calcula?
Perito: El algoritmo es propietario.
Abogado: ¿Qué clave se utiliza?
Perito: Es confidencial.
Abogado: ¿Podemos reproducir independientemente la prueba?
Perito: No completamente.
Abogado: ¿Podemos conocer la tasa real de falsos positivos para esta versión?
Perito: Depende.
Abogado: ¿Puede demostrar que Claude creó el texto y no simplemente que corrigió tres párrafos?
Perito: No.
Abogado: Entonces quizá no tenemos una prueba de autoría.
Tenemos una declaración técnica producida por la infraestructura de la misma empresa cuya intervención estamos intentando demostrar.
Esto no invalida automáticamente el sistema. Pero sí afecta al valor probatorio que racionalmente deberíamos concederle. Anthropic afirma que permitirá a usuarios y terceros detectar sus marcas y que publicará documentación técnica adicional. Es una buena noticia. La cuestión decisiva será cómo permitirá esa verificación. Porque «terceros pueden consultar nuestro detector» no equivale necesariamente a «terceros pueden verificar independientemente nuestra afirmación».
Falsos negativos
Anthropic reconoce varias situaciones en las que la ausencia de watermark no permite concluir que Claude no intervino, ojo al dato:
- modelos anteriores al soporte del mecanismo;
- edición intensa;
- parafraseo;
- traducción;
- mezcla con otros contenidos;
- fragmentos demasiado breves;
- plataformas o formatos sin soporte;
- metadatos eliminados en el caso de ficheros.
Esto significa que:
NO WATERMARK ≠NO CLAUDE
Importantísimo. Porque el detector no puede utilizarse como prueba exculpatoria absoluta.
Falsos positivos
El problema contrario me preocupa todavía más.
WATERMARK ≠AUTORÍA DE CLAUDE
Pero existe además un tercer escenario:
WATERMARK DETECTADO ≠ necesariamenteCLAUDE REAL
La investigación académica ha demostrado que algunos detectores y sistemas de watermark pueden ser objeto de ataques de spoofing: un adversario intenta inferir características de la marca y producir textos humanos o de otro modelo que activen el detector. Las consecuencias de un falso positivo no son simplemente técnicas.
Imagine a:
- estudiante acusado de fraude académico (uy que raro);
- periodista acusado de fabricar un artículo;
- investigador cuestionado por una revista (uy que raro);
- escritor acusado de incumplir un contrato editorial;
- opositor al que invalidan una prueba;
- trabajador sancionado porque un informe «parece generado por IA» (uy que raro).
Un falso negativo es un fallo tecnológico. Un falso positivo puede convertirse en una acusación.
Por eso la tasa de falsos positivos, los intervalos de confianza, la longitud mínima necesaria, las condiciones de funcionamiento y la reproducibilidad deberían ser información esencial, no un detalle del manual.
Frankensteins
Hay además un caso que probablemente será mucho más habitual que el texto puramente humano o puramente artificial.
Supongamos:
Documento final███████████████ 30 % autor humano██████████ 20 % Claude██████████ 20 % ChatGPT███████████████ 30 % edición humanaPorque no es extraño mezclar modelos para que se validen entre ellos.
¿De quién es el texto?
- Puede haber decisiones intelectuales humanas en todo el documento.
- Puede haber frases propuestas por varios modelos.
- Puede haber fragmentos originales posteriormente corregidos.
- Puede haber estructura humana con redacción artificial.
- Puede haber redacción humana basada en un esquema generado.
- Puede haber veinte iteraciones.
El propio AI Act reconoce esta complejidad al diferenciar la generación sustancial del mero apoyo editorial y, para determinados textos de interés público, contempla expresamente la existencia de revisión humana y responsabilidad editorial. Estamos entrando en una época de autoría híbrida en el proceso, aunque jurídicamente sigamos necesitando identificar qué creación intelectual humana merece protección.
Estados Unidos llega a una conclusión parecida por otro camino
El Copyright Office estadounidense ha adoptado hasta ahora una posición bastante razonable.
El material puramente generado por IA no recibe protección simplemente porque alguien haya escrito un prompt. Pero pueden protegerse elementos humanos perceptibles en una obra asistida por IA, así como selecciones, coordinaciones, arreglos y modificaciones creativas realizadas por una persona.
Es decir: usar inteligencia artificial no expulsa automáticamente al ser humano de la autoría.
Exactamente el mismo principio que deberíamos aplicar cuando aparezca un detector.
Firma digital: parece la solución…
Podemos preguntarnos entonces: ¿Por qué no utilizar criptografía asimétrica?
Anthropic podría disponer de:
CLAVE PRIVADA
│
▼
firma(documento)
│
▼
DOCUMENTO + FIRMA
Y cualquiera podría verificar:
DOCUMENTO + FIRMA
│
▼
CLAVE PÚBLICA ANTHROPIC
│
▼
VÁLIDO
Esta es precisamente una de las grandes propiedades de las firmas digitales: la generación utiliza una clave privada y la verificación puede realizarse públicamente sin revelar esa clave. Los estándares modernos de firma digital formalizan precisamente esa separación.
Y algo muy parecido ocurre ya en C2PA.
Aprovecho para invitaros a leer un paper desarrollado en conjunto UAL – UGR:
Una claim C2PA se firma utilizando la clave privada del firmante, y los verificadores pueden validar la firma mediante la correspondiente infraestructura de confianza.
¿Por qué no hacemos eso con todo el texto? Porque tenemos otra vez un pequeño problema. Cambio una coma. La firma deja de corresponder al documento. Traduzco una frase. La firma deja de corresponder. Copio solo tres párrafos. Ya no tengo el mismo objeto firmado. La criptografía clásica proporciona una excelente prueba de integridad de un objeto concreto. El watermarking estadístico intenta resolver una pregunta distinta:
¿puedo seguir reconociendo cierta señal después de modificar el objeto?
Son problemas relacionados. No idénticos.
C2PA es mejor para unas cosas y peor para otras
Para ficheros, Anthropic ha elegido C2PA. C2PA está concebido precisamente como una infraestructura de procedencia y autenticidad digital. Sus Content Credentials pueden incorporar información sobre la historia de un activo y utilizar firmas criptográficas para proporcionar evidencia resistente a manipulación sobre las afirmaciones incluidas en el manifiesto.
Pero tampoco debemos convertir C2PA en magia.
Si eliminamos los metadatos al transformar el fichero, hacer una captura de pantalla o pasar por una plataforma que no los preserve, la información puede desaparecer. Anthropic reconoce expresamente esta limitación.
Y hay una distinción todavía más importante:
C2PA puede ayudarnos a comprobar que una determinada entidad firmó una afirmación sobre la procedencia. No demuestra que esa afirmación equivalga a autoría intelectual.
Una cámara puede firmar una fotografía. La cámara no es el fotógrafo. Claude puede firmar o marcar que procesó un documento. Claude no se convierte automáticamente en su autor.
Me temo que tendremos que repetirlo muchas veces durante los próximos años.
El problema de la clave
Llegamos finalmente al escenario que considero más interesante desde el punto de vista criptográfico.Supongamos un watermark robusto cuyo detector dependa de secretos controlados por Anthropic.
¿Qué ocurre si la clave se filtra? Podrían aparecer intentos de fabricar textos capaces de activar la detección.
¿Qué ocurre si rota? Necesitamos identificar qué versión de la clave corresponde a cada generación histórica.
¿Qué ocurre dentro de diez años? Anthropic deberá conservar mecanismos de verificación para contenido producido con decenas o centenares de generaciones de modelos y claves.
¿Qué ocurre si desaparece el servicio? La procedencia histórica de millones de textos podría depender de infraestructura que ya no existe.
¿Qué ocurre si Anthropic cambia el detector? Una prueba realizada en 2027 podría no ser reproducible en 2032.
¿Qué ocurre si existe un procedimiento judicial?
Será necesario conservar:
- versión del detector;
- parámetros;
- claves o identificadores de clave;
- modelo;
- fecha;
- umbrales estadísticos;
- tasa de falsos positivos;
- metodología;
- logs de verificación.
Acabamos de convertir un watermark destinado a aumentar la transparencia en un problema de cadena de custodia digital a escala planetaria.
Como profesor de informática forense, admito que la ironía me resulta maravillosa.
El modelo que yo preferiría
No creo que la respuesta sea eliminar cualquier sistema de procedencia. Sería una reacción demasiado sencilla.
Los contenidos sintéticos plantean problemas reales de desinformación, fraude y manipulación, y el artículo 50 del AI Act responde precisamente a esa preocupación. Pero un buen sistema debería combinar varias capas.
1. Watermark robusto
Una señal integrada en la generación que permita detectar razonablemente contenido incluso después de pequeñas transformaciones.
2. Especificación pública
El mecanismo debería estar suficientemente documentado para permitir evaluación científica independiente. No necesariamente hay que publicar secretos de generación si ello destruye la seguridad del sistema. Sí hay que publicar metodología, propiedades, métricas y modelo de amenazas.
3. Verificación reproducible
Cuando técnicamente sea posible, la comprobación no debería depender exclusivamente de una respuesta opaca:
anthropic.com dice: SÍ
4. Firmas y C2PA cuando exista un contenedor
Para imágenes, documentos y otros formatos capaces de conservar manifestaciones criptográficas, las firmas digitales ofrecen una capa de procedencia mucho más explícita.
5. Registro de transparencia
Las claves públicas, versiones de modelos y periodos de validez podrían mantenerse en registros auditables. No se porqué, durante la redacción de este artículo no dejo de pensar en los árboles de Merkle.
Algo conceptualmente parecido a:
Modelo Claude X
│
├── watermark v3
├── detector v3.2
├── clave ID 0x4831
├── vigente: 2026-08-02 → 2027-01-15
└── parámetros publicados
6. Resultado expresado correctamente
Algo del tipo:
«Se ha detectado con una determinada probabilidad una señal compatible con procesamiento mediante un modelo Claude compatible con este esquema de marcado».
Creo que este tipo de mensajes serían científicamente mucho más decentes.
Y ahora la pregunta incómoda
¿Quién dispone de la infraestructura necesaria para demostrar que determinada inteligencia artificial participó en su producción?
Y aquí es donde debemos ser especialmente cuidadosos. Porque procedencia no es autoría. Procesamiento no es creación. Una corrección no convierte al corrector en escritor. Una traducción automática no borra al autor de la obra original. Una herramienta no adquiere derechos porque podamos demostrar criptográficamente que fue utilizada. Y una marca generada por Claude tampoco modifica por sí sola la propiedad intelectual del contenido.
La Ley de Propiedad Intelectual española continúa diciendo algo bastante más sencillo: autor es la persona natural que crea la obra.
Por cierto, Anthropic sabe perfectamente que su detector no puede responder a la pregunta de la autoría.
Lo dice en su propia documentación. Detectar la marca significa que el contenido puede haber sido procesado por Claude. Me parece una formulación extraordinariamente importante. Quizá universidades, editoriales, empresas, administraciones y tribunales deberían aprendérsela antes de instalar el detector.
Porque el verdadero peligro no está necesariamente en el watermark. Está en lo que nosotros decidamos inferir a partir de él.
Y quizá la pregunta decisiva de esta historia tampoco sea: ¿Claude ha marcado mi texto?
Sino otra bastante más incómoda:
¿quién tendrá dentro de unos años el poder de certificar qué máquinas participaron en nuestras ideas?
Y, sobre todo:
¿quién certificará al certificador?
Documentos que puedes consultar para ampliar la información
- Anthropic, How Claude marks AI-generated content: documentación oficial sobre watermarking textual, C2PA, cobertura y limitaciones.
- Reglamento (UE) 2024/1689, artículo 50: obligación de marcado legible por máquina y excepción para funciones de edición estándar que no alteren sustancialmente el contenido o su semántica.
- Comisión Europea, Code of Practice on Transparency of AI-generated Content.
- Kirchenbauer et al., A Watermark for Large Language Models: sistema estadístico de listas verdes/rojas utilizado en este artículo exclusivamente como ejemplo técnico de referencia.
- Kirchenbauer et al., On the Reliability of Watermarks for Large Language Models: análisis de robustez frente a edición, mezcla y parafraseo.
- Sadasivan et al., Can AI-Generated Text be Reliably Detected?: ataques mediante parafraseo y spoofing frente a detectores y watermarks.
- C2PA, especificación técnica y modelo de firmas de procedencia.
- Texto Refundido de la Ley de Propiedad Intelectual española, especialmente artículos 1, 5, 6, 10 y 11.
- U.S. Copyright Office, informe y posición sobre obras generadas y asistidas mediante inteligencia artificial.
La vocación no debería ser una modalidad de pago
Hay algo profundamente anómalo cuando trabajar gratis empieza a considerarse parte natural de una profesión. Hoy, aparece en EL PAÍS este artículo. Y no niego que me causa indignación, por la parte (doble) que me toca.
El artículo de El País pone cifras a una realidad bastante menos anecdótica de lo que solemos admitir: la enseñanza y las actividades vinculadas a la informática y las telecomunicaciones encabezan el porcentaje de horas extraordinarias que no se pagan. En educación, más del 80 % de las horas extra realizadas quedarían sin remunerar; una proporción similar aparece en telecomunicaciones, programación y consultoría informática. Y quizá lo más preocupante no sean siquiera los porcentajes, sino la normalización cultural que hay detrás de ellos.
En determinados trabajos parece haberse instalado la idea de que existe una parte de la jornada que no pertenece al contrato, sino a una especie de voluntariado profesional obligatorio. Y todo ello acaba envolviéndose con palabras mucho más presentables: compromiso, responsabilidad, vocación, profesionalidad, implicación.
Precisamente ahí está la trampa.
La vocación no debería ser una modalidad de pago
En la enseñanza conocemos especialmente bien ese mecanismo. Existe todavía una sorprendente tendencia a identificar el trabajo del docente con las horas durante las que está físicamente delante de sus alumnos. Como si una clase apareciese espontáneamente. Como si preparar materiales, actualizar contenidos, corregir trabajos y exámenes, atender estudiantes, dirigir TFG, TFM y tesis, participar en reuniones, cumplimentar una burocracia creciente, investigar, publicar, gestionar proyectos o preparar nuevas asignaturas no consumiera tiempo.
Y cuanto más responsable es el profesional, más fácil resulta que el sistema se aproveche precisamente de su responsabilidad.
Porque las organizaciones han aprendido algo extraordinariamente cómodo: muchos trabajadores resolverán con tiempo personal aquello que la organización no ha dimensionado correctamente con recursos y tiempo laboral.
En la Universidad ya estoy cansado de escuchar lo de «implantar a coste cero».
Y funciona. Funciona porque el profesor no quiere impartir una mala clase. Porque el informático no quiere dejar un sistema caído. Porque el investigador tiene un plazo. Porque el ingeniero quiere terminar el proyecto. Porque alguien siente que «no puede dejarlo así».
El resultado es perverso: la profesionalidad del trabajador termina subvencionando la mala planificación de la organización.
En informática ocurre lo «mesmeteco»
En nuestro sector existe además otro ingrediente peligroso: la cultura del «si te gusta la informática, esto no es trabajar». Actualizarse fuera del horario laboral, estudiar nuevas tecnologías, resolver incidencias de madrugada, desplegar sistemas durante fines de semana, responder mensajes fuera de jornada o asumir picos interminables de trabajo se presentan algunas veces como consecuencias inevitables de dedicarse a la tecnología. No deberían serlo.
Que una profesión resulte apasionante no convierte el tiempo de quien la ejerce en un recurso gratuito. Y que determinadas actuaciones deban realizarse fuera del horario habitual puede ser perfectamente razonable. Lo que no resulta razonable es que ese tiempo desaparezca mágicamente del cómputo laboral.
Hay además una cuestión económica que solemos olvidar
Una hora extraordinaria no pagada no es simplemente «na hora que el trabajador regala». Es también un coste empresarial o institucional que alguien deja de asumir. Cuando millones de horas necesarias para mantener organizaciones, empresas y administraciones funcionando no aparecen correctamente remuneradas, estamos maquillando de alguna forma su productividad.
La organización parece más eficiente de lo que realmente es porque una parte de sus costes está siendo financiada silenciosamente por sus trabajadores.
Dicho de otra manera:
si para que una organización funcione normalmente sus empleados tienen que trabajar sistemáticamente más horas de las contratadas, entonces esas horas no son extraordinarias. Son estructurales.
Y si son estructurales, hay un problema de dimensionamiento de plantilla, organización del trabajo o financiación.
Lo verdaderamente peligroso es acostumbrarnos
Porque finalmente ocurre algo todavía peor. Quien decide respetar escrupulosamente su jornada puede acabar pareciendo menos comprometido que quien trabaja gratuitamente. El comportamiento excepcional se convierte así en la referencia y quien cumple exactamente aquello para lo que fue contratado parece estar haciendo menos de lo esperado. Ese cambio cultural es muy difícil de revertir. Por eso quizá deberíamos dejar de elogiar tanto ciertas formas de «entrega profesional» y empezar a formular una pregunta bastante más incómoda:
¿cuántos servicios, empresas, universidades, centros educativos y departamentos tecnológicos podrían mantener realmente su nivel actual de funcionamiento si mañana dejásemos de contar con todas esas horas invisibles?
Probablemente la respuesta explicaría bastante bien las cifras de este artículo.
Trabajar bien merece reconocimiento. Trabajar más merece compensación. Y trabajar gratis no debería confundirse jamás con tener vocación.
Para atacar ya no hace falta saber atacar
¿De qué hablo hoy? Sobre la IA y la democratización del ciberdelito
Estos días estoy tratando de empaparme de desconexión. En la sierra, pero aquí Internet llega, y con bastante potencia. Es difícil seguir en un estado ascético. Hoy, he leído esto que os adjunto (en El Periodico), y a tenor del texto adjunto me aterra tener que poner negro sobre blanco eso de que el avance nos hace retroceder. En este caso, el avance de la IA nos complica sobremanera el anhelo de la tranquilidad.
Hay una frase que resume bastante bien una de las transformaciones que estamos viviendo con la inteligencia artificial: cada vez existe una mayor distancia entre saber hacer algo y ser capaz de hacerlo. Y cuando esto se traslade a las aulas vamos a pasarlo, como sociedad, bastante mal.
Durante décadas ambas cosas estuvieron estrechamente relacionadas. Para programar había que aprender a programar. Para montar un servidor había que conocer un sistema operativo. Para analizar un binario había que entender ensamblador, formatos ejecutables, memoria y arquitectura de computadores. Para encontrar determinadas vulnerabilidades era necesario comprender protocolos, revisar código, manejar depuradores y, sobre todo, acumular muchas horas de experiencia.
La inteligencia artificial está empezando a romper esa relación.Y eso es extraordinariamente positivo.Pero también tiene una cara bastante menos amable.
La noticia que sirve de punto de partida a esta reflexión es casi anecdótica frente al problema de fondo. El Periódico relata cómo los ciberdelincuentes están utilizando inteligencia artificial para clonar páginas legítimas de venta de entradas y construir fraudes cada vez más convincentes. El planteamiento que quiero explorar, sin embargo, va mucho más allá de copiar una página web:
¿qué ocurre cuando la IA democratiza también las capacidades necesarias para delinquir en Internet?
Esa es precisamente la cuestión que planteaba inicialmente: la IA como multiplicador de capacidades y como mecanismo que reduce las barreras de entrada al ciberdelito.
La respuesta empieza a resultar incómoda.
No, no es lo mismo sé hacerlo que sé pedir que lo hagan
Internet democratizó la publicación. Los gestores de contenidos democratizaron la creación de páginas web. La nube democratizó el acceso a infraestructuras que antes requerían servidores, administradores y una inversión considerable. Las redes sociales democratizaron la difusión.
La inteligencia artificial está democratizando algo diferente: la ejecución de tareas cognitivas y técnicas.
No necesito dominar Photoshop para retocar razonablemente una imagen. No necesito conocer HTML, CSS y JavaScript para producir una página web sencilla (e incluso relativamente compleja, con FrontEnd y BackEnd). Puedo obtener una primera implementación de un programa en un lenguaje que apenas conozco. Puedo entregar a un modelo un error de compilación y preguntarle cómo solucionarlo. Puedo darle documentación técnica, código fuente, trazas, volcados, configuraciones o fragmentos desensamblados y pedirle que me ayude a comprenderlos.
Es una transformación formidable para el aprendizaje y para la productividad. Pero la tecnología es bastante indiferente a nuestras intenciones. La misma reducción de fricción se produce cuando el objetivo no es crear, aprender o defender, sino atacar.
Ahí aparece lo que considero uno de los conceptos más interesantes de este cambio: la asimetría entre conocimiento y capacidad. Una persona puede desconocer profundamente una técnica y, sin embargo, disponer de una capacidad operativa básica para aplicarla. No porque haya adquirido el conocimiento, sino porque existe una máquina que ocupa parcialmente ese espacio cognitivo.
Lo curioso de este paradigma es que estos modelos han aprendido del conocimiento de personas que sí saben hacerlo.
Antes preguntábamos:
¿Sabe hacerlo?
Ahora tendremos que empezar a preguntarnos:
¿Puede conseguir que una IA le ayude a hacerlo?
Y no son preguntas equivalentes.
El ciberdelincuente aumentado
Conviene evitar aquí una caricatura muy extendida: la del delincuente que escribe una frase en un chatbot y obtiene inmediatamente un sofisticado ransomware, un zero-day y acceso completo a una multinacional.
No estamos ahí.
Aunque no hemos llegado aún a ese extremo, si que cabe retomar dos anuncios reveladores de MS y de NCSC que, en el momento de publicar estas notas de tranquilidad no veían posible lo que hizo realidad uno de los modelos de Meta:
Un modelo de inteligencia artificial de Meta accedió por error a internet y vulneró los sistemas de un servicio de terceros durante una prueba de ciberseguridad. Este incidente se alinea con reportes previos sobre el modelo Mythos de Anthropic y otros agentes avanzados que han mostrado comportamientos autónomos inesperados al superar entornos aislados (Fuente: La Tribuna de Ávila )
Microsoft señalaba en mayo de 2026 algo importante: incluso en las operaciones que ya incorporan IA, lo habitual continúa siendo que exista un humano en el bucle. La IA reduce fricción en distintas fases: investigación, construcción de señuelos, programación, tratamiento de datos robados, pero no estamos asistiendo todavía de forma generalizada a campañas complejas enteramente dirigidas por máquinas. (Enlace al anuncio de Microsoft) Update: ya si.
El NCSC británico llega a una conclusión parecida. Su evaluación sobre la evolución de la amenaza hasta 2027 considera improbable, en ese horizonte, la generalización de ataques avanzados completamente automatizados de extremo a extremo. Pero al mismo tiempo considera prácticamente seguro que la IA hará más eficaces y eficientes diferentes partes del proceso de intrusión y ampliará el número de actores capaces de utilizarlas. (National Cyber Security Centre) Update: ya si.
Y esa diferencia es fundamental.
La amenaza inmediata no es necesariamente el hacker autónomo artificial.
Es el hacker humano aumentado por máquinas.
Cada fase del ataque tiene sus propios ayudantes
Primera fase: el reconocimiento.
Antes de atacar una organización era necesario recopilar información: empleados, departamentos, proveedores, tecnologías, direcciones de correo, infraestructura expuesta, relaciones empresariales, repositorios públicos, documentos, metadatos… Todo eso sigue siendo OSINT. Lo que cambia es nuestra capacidad para procesarlo.
Un modelo puede leer cientos de páginas, documentos o fragmentos de información y ayudar a establecer relaciones que manualmente consumirían horas. Puede resumir la tecnología empleada por una organización, clasificar empleados, analizar ofertas de trabajo para inferir su infraestructura tecnológica, explicar documentación, transformar formatos o automatizar pequeñas tareas de recopilación.
Google Threat Intelligence ha observado precisamente este tipo de utilización. Actores asociados a distintos Estados han empleado Gemini para reconocimiento de organizaciones, investigación sobre vulnerabilidades, scripting, desarrollo de payloads, solución de problemas técnicos y actividades posteriores al compromiso. En 2025 Google advertía, con bastante prudencia, que aquello constituía fundamentalmente una mejora de productividad, no la aparición de capacidades completamente nuevas.
Pero la fotografía ha evolucionado deprisa.
En mayo de 2026, Google Threat Intelligence describía ya una transición hacia una aplicación de IA a escala mucho mayor dentro de los flujos de trabajo de los adversarios. Entre otras cosas, sus investigadores observaron actores enviando miles de consultas repetitivas para analizar CVE, validar pruebas de concepto y acelerar investigación de vulnerabilidades. Esto me parece mucho más relevante que imaginar una inteligencia artificial todopoderosa. Porque sustituye una limitación muy humana: el tiempo.
El reconocimiento es solo el principio.
Si queremos comprender realmente el efecto de la inteligencia artificial sobre la actividad ofensiva, resulta más útil recorrer, aunque sea someramente, todo el ciclo de una intrusión. Porque la IA no introduce necesariamente fases nuevas. Lo que empieza a hacer es reducir el esfuerzo humano necesario en muchas de las que ya conocíamos. Y ahí probablemente se encuentra la transformación más importante.
Tras la fase de RECON (Reconocimiento) viene una segunda etapa:
El atacante tiene que decidir dónde merece la pena invertir tiempo. Aquí los modelos pueden ayudar a interpretar configuraciones, revisar código, comprender documentación, resumir CVE, analizar fragmentos de software o explicar el comportamiento de componentes desconocidos. La diferencia no está únicamente en descubrir un fallo completamente nuevo. También está en poder evaluar con mucha mayor rapidez cientos o miles de posibles caminos y descartar los que no conducen a ninguna parte.
Después llega el acceso inicial.
Puede producirse mediante una vulnerabilidad, credenciales robadas o ingeniería social. Y esta última es probablemente una de las áreas donde la IA ha reducido de forma más visible la barrera de entrada. Preparar un correo convincente, adaptarlo al cargo de la víctima, escribirlo en su idioma, imitar el tono de una organización, construir una página fraudulenta coherente o mantener posteriormente una conversación ya no exige necesariamente las habilidades lingüísticas, gráficas y técnicas que requería hace unos años.
Pero entrar no significa controlar.
Una vez conseguido el acceso comienza la ejecución y adaptación al entorno. Un atacante tiene que comprender qué sistema tiene delante, qué restricciones existen, por qué determinada herramienta falla o qué alternativa puede emplear. Aquí la IA funciona fundamentalmente como asistente técnico: explica errores, interpreta salidas, ayuda a comprender scripts y facilita la adaptación de herramientas existentes. Es quizá uno de los mejores ejemplos de esa separación entre conocimiento y capacidad que atraviesa todo este artículo: quien opera puede no comprender completamente el mecanismo que está utilizando y, aun así, disponer de ayuda suficiente para continuar.
Después aparecen etapas tradicionalmente mucho más exigentes: persistencia y escalada de privilegios.
Mantener acceso a una máquina o incrementar los privilegios disponibles obliga a conocer el sistema y reaccionar ante circunstancias que varían mucho de una organización a otra. Aquí la experiencia humana sigue siendo decisiva. Pero nuevamente la IA puede reducir el tiempo empleado en interpretar configuraciones, permisos, servicios, registros o documentación técnica. No sustituye necesariamente al especialista; puede convertirlo en un especialista que trabaja mucho más deprisa. Y, al mismo tiempo, puede permitir que alguien menos experimentado avance algunos pasos que antes probablemente le habrían obligado a detenerse.
A continuación está el movimiento lateral.
Comprometer una máquina rara vez es el objetivo final. El atacante intenta comprender la red, localizar otros sistemas, identificar cuentas y relaciones de confianza y aproximarse progresivamente al activo que realmente le interesa. Esta fase produce enormes cantidades de información aparentemente fragmentaria. Precisamente el tipo de problema en el que los modelos pueden resultar útiles: resumir, correlacionar, clasificar y priorizar.
Una vez asentado en la infraestructura aparece otra cuestión fundamental: mando y control. ESTA FASE ES CLAVE EN EL ATAQUE.
El atacante necesita gestionar las máquinas comprometidas y decidir qué acciones realizar sobre ellas. Hasta ahora esa toma de decisiones ha sido predominantemente humana o se ha basado en automatizaciones bastante rígidas. Es aquí donde los sistemas agentic pueden introducir un cambio cualitativo. Un agente no se limita a producir texto: puede recibir un objetivo, interpretar el estado del entorno, seleccionar entre varias acciones, observar el resultado y modificar su estrategia.
No significa que hoy tengamos, de forma generalizada, inteligencias artificiales realizando intrusiones complejas completamente autónomas. Pero sí significa que debemos empezar a distinguir entre automatizar comandos y automatizar decisiones. La diferencia es enorme.
Finalmente llegan las etapas que justifican todo lo anterior: recopilación, exfiltración e impacto. Una vez localizado aquello que interesa (documentación, credenciales, información financiera, secretos empresariales o datos personales) el problema vuelve a ser uno de escala. Clasificar grandes cantidades de información robada, localizar rápidamente aquello que tiene valor, resumir documentos o establecer relaciones entre ellos son precisamente tareas en las que los modelos de IA sobresalen. El atacante ya no tiene necesariamente que revisar manualmente miles de archivos para descubrir cuáles merecen atención.
Y después puede llegar el impacto: fraude, extorsión, interrupción del servicio, publicación de información o utilización de los datos obtenidos para nuevos ataques.
Una tarea ahorrada puede parecer irrelevante. Diez tareas ahorradas empiezan a cambiar el coste de una operación. Miles de atacantes ahorrando esas mismas tareas empiezan a cambiar el panorama de amenazas. Y aquí enlazaría directamente con la tesis central de este artículo:La IA no elimina necesariamente la necesidad de conocimiento. Elimina parte del coste de no tenerlo.
Encontrar los puntos débiles es más sencillo
Hay tareas de ciberseguridad especialmente resistentes a la automatización. Encontrar vulnerabilidades interesantes es una de ellas. Un escáner identifica patrones conocidos. Un fuzzer genera entradas y busca comportamientos anómalos. Un analizador estático detecta determinadas construcciones problemáticas. Pero encontrar un fallo lógico exige a menudo comprender qué pretendía hacer el programador y descubrir que el sistema, aunque funcione aparentemente bien, viola esa intención en una circunstancia concreta. Los modelos de razonamiento son especialmente interesantes aquí. Y en 2026 hemos cruzado una línea que merece atención.
Google Threat Intelligence informó en mayo de que había identificado por primera vez a un actor ciberdelictivo utilizando un zero-day que sus investigadores creen, con alta confianza, desarrollado con asistencia de IA. Se trataba de un fallo lógico que permitía eludir un segundo factor de autenticación bajo determinadas condiciones. Google colaboró con el fabricante para corregirlo y frustrar la operación. Importante: Google no afirma que Gemini fuese utilizado ni que una IA descubriera autónomamente todo el fallo; atribuye a IA apoyo en su descubrimiento y weaponization basándose en el análisis del exploit.
Ya no estamos hablando únicamente de «la IA podría utilizarse algún día para buscar vulnerabilidades». Tenemos evidencia de actividad adversaria compatible con ello.
El NCSC considera precisamente que el vulnerability research and exploit development será probablemente uno de los terrenos donde mayor impacto tenga la IA a corto plazo. Su preocupación inmediata no se limita a los zero-days: un atacante capaz de analizar, adaptar y explotar mucho más rápidamente una vulnerabilidad recién publicada reduce todavía más el margen que tienen las organizaciones para parchearla.
La carrera entre patch y exploit acaba de recibir un acelerador.
La ingeniería social, por supuesto, también ha cambiado
Durante años hemos enseñado a reconocer el phishing mediante una serie de pistas bastante primitivas: mala ortografía, traducciones defectuosas, saludos genéricos, formatos extraños, textos poco naturales. Ese modelo de defensa está envejeciendo rápidamente. Bueno, ya ha caducado, si.
Una máquina unida a un buen modelo, puede escribir español impecable, imitar un registro profesional, traducir a decenas de idiomas, adaptar el mensaje al puesto que ocupa una persona y combinarlo con información obtenida públicamente.
Europol (enlace) dedica precisamente parte de su IOCTA 2026 a la IA como acelerador del fraude online: la automatización y la IA permiten personalizar técnicas de ingeniería social, aumentar su alcance y reducir el coste de desplegarlas. ENISA añade otro elemento. En su Threat Landscape 2025, el phishing (incluyendo vishing, malspam y malvertising) representó alrededor del 60 % de los vectores observados de acceso inicial. Y servicios de Phishing-as-a-Service proporcionan ya kits prefabricados que permiten operar a atacantes independientemente de su experiencia. Los LLM se incorporan a ese ecosistema para mejorar phishing y automatizar ingeniería social.
Ese es precisamente el problema.
La IA no aparece en un ecosistema artesanal. Aparece encima de una industria delictiva que lleva años especializándose.
- Unos venden accesos.
- Otros alquilan infraestructura.
- Otros desarrollan malware.
- Otros proporcionan phishing.
- Otros blanquean el dinero.
Ahora añadimos una capa capaz de generar contenidos, traducirlos, personalizarlos, modificarlos y ayudar a automatizar partes del proceso. El resultado no es únicamente un delincuente mejor. Es una cadena de producción delictiva más eficiente.
Clonar no es copiar
Copiar una página web no es ninguna novedad. El phishing existe prácticamente desde que existe la web. Lo nuevo es la facilidad con la que podemos construir todo el contexto que rodea al engaño. No basta con imitar el logotipo y los colores de una plataforma. Podemos generar los textos. Reproducir el tono comercial. Crear imágenes. Redactar condiciones. Traducirlas. Crear correos de confirmación. Generar respuestas para un supuesto servicio de atención al cliente. Personalizar mensajes posteriores.
Ya no estamos clonando solamente una página. Estamos en condiciones de fabricar una experiencia digital coherente. Y esto tiene una consecuencia psicológica importante: desaparecen muchas de las pequeñas incoherencias que antes despertaban sospechas.
INTERPOL (enlace) habla ya abiertamente de una «industrialización del fraude» facilitada por IA, herramientas digitales baratas y una creciente colaboración entre redes delictivas. Su evaluación global de fraude de 2026 identifica el uso de deepfakes, contenidos sintéticos y automatización como elementos que incrementan su eficacia y escala.
Tu voz, ¿te define ahora?
La suplantación añade una dimensión todavía más preocupante. En 2025 el FBI tuvo que advertir de campañas en las que actores maliciosos estaban utilizando mensajes de voz generados mediante IA para hacerse pasar por altos funcionarios estadounidenses y establecer relaciones de confianza con sus objetivos antes de intentar acceder a sus cuentas. Ya no podemos formular algunas preguntas con la misma tranquilidad que hace unos años.
La autenticidad deja progresivamente de poder establecerse mediante la apariencia del contenido.Y eso desplaza el problema desde qué parece verdadero hacia cómo verificamos criptográfica, procedimental o independientemente que algo lo es.
¿Y revelar identidades?
Hay además una vertiente menos espectacular, pero potencialmente muy importante: la capacidad de correlacionar información aparentemente inocua. Nombres de usuario reutilizados. Fotografías. Horarios. Localizaciones. Forma de escribir. Empresas mencionadas. Aficiones. Relaciones profesionales. Metadatos. Documentos históricos.
Individualmente, muchas de esas piezas dicen poco. Juntas pueden decir muchísimo.
La investigación académica empieza a demostrar hasta qué punto los modelos pueden cambiar también este terreno. Un trabajo publicado en ACL 2026 mostró que LLM podían utilizarse para desanonimizar autores a escala, relacionando documentos anónimos con posibles autores entre conjuntos de decenas de miles de textos con resultados muy superiores al azar.
Otros trabajos experimentales (se pueden ver en el repositorio de arXiv) de 2026 están estudiando incluso agentes capaces de combinar pistas débiles con información pública para reconstruir identidades. Se trata todavía de investigación controlada y no debe confundirse con evidencia de que delincuentes estén realizando rutinariamente estas operaciones a gran escala, pero demuestra que la barrera técnica está disminuyendo.
Esto es particularmente importante porque tradicionalmente parte de nuestra privacidad dependía de algo parecido a la seguridad por coste de correlación. La información estaba ahí. Pero encontrarla, relacionarla y comprenderla costaba demasiado. La IA reduce ese coste.
El malware tampoco escapa a esta innovación…
Con el malware ocurre algo parecido. No creo que la afirmación correcta sea que «cualquiera puede pedir a una IA que le fabrique malware avanzado». Es demasiado simplista.
Los grandes modelos comerciales cuentan además con salvaguardas que dificultan explícitamente determinados usos. Google, por ejemplo, documentó numerosos intentos de actores maliciosos de eludir esas restricciones que fueron bloqueados.
Pero esa no es toda la cuestión. El atacante no necesariamente necesita que la máquina construya un ransomware desde cero. Puede pedir ayuda para comprender código existente, trasladarlo a otro lenguaje, encontrar un error, modificar una función, entender una API, corregir un script o explicar por qué algo no funciona.
Google ha observado ya actores respaldados por Estados haciendo precisamente algunas de esas cosas y, desde 2025, familias experimentales de malware que consultan modelos durante su ejecución para generar u ofuscar código dinámicamente. Algunas, como PROMPTFLUX, permanecían en fases experimentales; posteriores investigaciones de GTIG en 2026 describen técnicas más avanzadas de orquestación y malware asistido por modelos.
Y aquí reaparece mi tesis inicial. La IA no necesita convertir al aprendiz en experto para cambiar el panorama. Basta con convertirlo en alguien bastante más competente de lo que sería trabajando solo.
El experto no desaparece
Existe una tentación adicional que considero equivocada: pensar que, puesto que una máquina puede explicar código, programar o encontrar vulnerabilidades, el conocimiento especializado pierde valor. Ya os garantizo que esto no es así, el experto es necesario. Y esto ha de cuidarlo la universidad (puedes ver mi artículo anterior sobre el necesario rol de la Universidad en la formación de ciudadanos)
Creo que ocurre exactamente lo contrario. El experto sabe qué preguntar. Sabe cuándo una respuesta es absurda. Sabe distinguir una vulnerabilidad interesante de un falso positivo. Entiende la arquitectura sobre la que trabaja. Puede combinar herramientas, interpretar comportamientos inesperados y reconocer oportunidades que alguien sin experiencia probablemente ni siquiera sabría formular. La IA eleva el suelo. Pero también puede elevar el techo. Por eso probablemente veremos simultáneamente dos fenómenos: principiantes considerablemente más capaces y expertos extraordinariamente más productivos.
Microsoft dio recientemente un ejemplo defensivo muy ilustrativo. Su Digital Crimes Unit utilizó IA para analizar rápidamente dos familias de malware, Amadey y StealC, preguntando cuestiones sobre el código, especialmente el código complejo mediante lenguaje natural. Según Microsoft, análisis que tradicionalmente podían consumir horas o días permitieron extraer determinadas relaciones y detalles en minutos. Es una excelente noticia para el defensor.
Pero también demuestra algo más general: hemos empezado a construir interfaces lingüísticas para acceder a conocimientos que antes exigían una barrera técnica mucho mayor.
Y entonces llegaron, para terminar de liarla, los agentes
Los agentes pueden recibir un objetivo, planificar subtareas, utilizar herramientas, consultar fuentes, escribir y ejecutar código, observar los resultados y decidir qué hacer después. Ahí la separación entre conocimiento y capacidad se vuelve todavía más pronunciada.
En mayo de 2026, Google Threat Intelligence ya hablaba de actores experimentando con flujos agentic para operacionalizar frameworks de ataque y describía malware capaz de delegar en modelos decisiones sobre el entorno comprometido.
Sin embargo, conviene mantener nuevamente el matiz. Microsoft sostiene que el panorama observado continúa estando dominado por humanos asistidos por IA, y el NCSC considera improbable que los ataques avanzados completamente autónomos de extremo a extremo sean habituales antes de 2027. INTERPOL, en cambio, utiliza en su evaluación de fraude de 2026 un lenguaje bastante más agresivo y advierte ya de sistemas agentic capaces de planificar y ejecutar partes extensas de campañas fraudulentas.
No me parecen necesariamente afirmaciones incompatibles.
Una cosa es automatizar una campaña de fraude, donde muchas tareas son comunicativas, repetitivas y estructuradas. Otra muy distinta es ejecutar autónomamente una intrusión avanzada contra una infraestructura compleja, reaccionar ante condiciones imprevistas, mantener persistencia y completar todo el ciclo ofensivo sin supervisión. Pero la dirección resulta difícil de ignorar. Estamos pasando progresivamente de generar contenido a delegar acciones.
El verdadero problema puede ser la escala
Quizá estemos mirando el fenómeno desde el lugar equivocado. Tal vez la IA no necesite inventar ninguna técnica revolucionaria para producir una transformación enorme.
- El phishing ya existía.
- El malware ya existía.
- La ingeniería social ya existía.
- OSINT ya existía.
- Los exploits ya existían.
- Las identidades falsas ya existían.
- El fraude online ya existía.
Lo que cambia es otra cosa: velocidad × escala × coste × personalización × automatización.
El cambio más inmediato de la IA no consiste tanto en inventar ataques inéditos como en hacer más rápidos, baratos y escalables los que ya conocemos. Y eso puede ser suficiente para alterar profundamente el equilibrio.
La incómoda paradoja de democratizar
Durante años hemos celebrado la democratización del conocimiento. Nunca había sido tan fácil aprender programación. Matemáticas. Idiomas. Electrónica. Economía. Derecho. Medicina. Historia. Un adolescente puede consultar gratuitamente materiales que hace treinta años solo estaban al alcance de estudiantes de determinadas universidades.
La IA lleva ese proceso todavía más lejos.Pero existe una paradoja que quizá no hemos querido mirar demasiado:
cuando democratizamos una capacidad, democratizamos también sus usos indeseables.
La IA que ayuda a un estudiante a comprender una vulnerabilidad puede ayudar a comprenderla a quien pretende explotarla. La IA que permite a un desarrollador localizar un defecto puede reducir el tiempo necesario para localizarlo a un atacante. La IA que facilita a un investigador correlacionar información puede facilitar que alguien construya el perfil de su víctima. La IA que permite analizar malware puede ayudar también a comprenderlo, modificarlo o reutilizar partes de él.
No existe una inteligencia artificial beneficiosa y otra maliciosa. Existe una capacidad tecnológica cuya utilización depende de quien la dirige, de las salvaguardas existentes y del entorno en el que se despliega.
Tendremos que cambiar una premisa de seguridad
Durante demasiado tiempo una parte de nuestra seguridad ha descansado implícitamente sobre una suposición bastante frágil: «Esto es tan complejo que cualquier atacante no podrá resolverlo«
Puede que tengamos que eliminar definitivamente esa frase de nuestro modelo de amenaza. La nueva hipótesis debería ser: debemos asumir que el atacante dispondrá de una máquina capaz de explicárselo, ayudarle a investigarlo y automatizar parte del trabajo.
Eso cambia muchas cosas. Obliga a reducir superficies de ataque. A parchear más deprisa. A diseñar servicios bajo principios de secure by design. A desplegar MFA resistente al phishing. A proteger la identidad como nuevo perímetro. A mejorar telemetría y detección de anomalías. A asumir Zero Trust no como etiqueta comercial sino como principio arquitectónico.
Y, sobre todo, obliga a abandonar una idea peligrosa: que una vulnerabilidad poco evidente está razonablemente protegida porque hace falta alguien suficientemente bueno para encontrarla.
¿Se acabo el tener que saber para poder empezar?
Creo que esa es la verdadera transformación. La IA no ha abolido el conocimiento. No ha convertido a cualquiera en ingeniero, médico, programador o hacker. Pero está reduciendo la distancia entre quien sabe y quien no sabe. Y, en determinados contextos, esa distancia era precisamente una de nuestras barreras de protección. Hasta hace relativamente poco, muchas actividades estaban limitadas no porque fueran imposibles, sino porque requerían años de experiencia, herramientas especializadas o mucho tiempo. Ahora podemos encapsular parcialmente ese conocimiento dentro de modelos y poner una interfaz extraordinariamente sencilla delante: un cuadro de texto.
Con los agentes, incluso ese cuadro de texto empieza a desaparecer.Pasaremos de decirle a una máquina cómo hacer algo a decirle simplemente qué queremos conseguir.En educación, investigación, ingeniería o medicina, las posibilidades son extraordinarias.En ciberdelincuencia, también.
Quizá dentro de unos años descubramos que el cambio más importante producido por la inteligencia artificial no fue que las máquinas aprendieran a hacer las cosas que nosotros hacíamos. Fue que permitieron hacerlas a personas que nunca habían aprendido a hacerlas. Y desde la perspectiva de la ciberseguridad, esa diferencia lo cambia casi todo.
Un profesor se dirige a su clase y recuerda que el examen parcial ofrece dos alternativas. La primera consiste en bailar durante quince segundos delante de todos. Una alumna levanta la mano, sale a la tarima, baila y regresa a su asiento. La segunda opción es redactar un trabajo de quince mil palabras sobre las implicaciones de la inteligencia artificial en la ingeniería biomédica. Las manos se alzan. El vídeo termina. La red, encantada, hace el resto.
La escena parece condensar en unos segundos varios males que algunos llevamos años observando: la sustitución del esfuerzo por el espectáculo, el profesor convertido en animador y la tentación de transformar el aula en contenido. Mi reacción fue inmediata: Y esto es a lo que estamos llegando: a convertir algo tan serio como la formación de ciudadanos (no clientes) en un circo.
Pero la indignación no exime de comprobar los hechos. Seamos honestos …
Spoiler: este profesor es famoso por «escenificar», con lo que quiero calmar a los haters y a quienes defienden este modelo, pero el sustrato está:el aula debe respetarse. Sigo con mi reflexión …
Lo que el vídeo muestra y lo que no demuestra
Antes de lanzar una crítica visceral (con el paso de los años me he vuelto más matizado y modulado, si), he encontrado que el vídeo ha sido vinculado a Matthew Pittman, profesor de Publicidad en la Universidad de Tennessee y director de un centro dedicado al estudio de las redes sociales. Su especialidad académica incluye la influencia digital, los influencers y el marketing viral. La propia universidad explica que sus estudiantes producen contenidos, los publican y analizan después sus métricas, y atribuye a esta metodología cientos de millones de visualizaciones, colaboraciones con marcas y oportunidades laborales. También aclara que la competencia por conseguir visitas no forma parte de la calificación.
He visto que mucha gente se lanza a criticar el vídeo pero no el sustrato de lo que está ocurriendo. El video es una actividad. Que quiere analizar, creo yo, la falta de critica o de pensamiento crítico de quienes andan (andamos) por redes. Pero yo, lo voy a aprovechar para remarcar una diferencia que me parece necesaria marcar : cliente o ciudadano. Esa es la cuestión que mueve este artículo. Esa misma.
CLIENTE o CIUDADANO, si alguien lee esto y se esfuerza en motejar de cliente a un alumno, entonces entenderá porqué mantengo la distancia.
Siguiendo con la defensa de este profesor: hay otro dato que impide dictar sentencia: Pittman reconoció que uno de sus vídeos virales (en el que despertaba a estudiantes supuestamente dormidos cantando a gritos) era una escena preparada para demostrar en una clase de redes sociales que podía «doblegar al algoritmo». No he encontrado una confirmación equivalente sobre el baile. Por tanto, no puede afirmarse que una alumna aprobara realmente un examen sustituyendo un trabajo por una coreografía, honestamente, en este contexto y con este profesor, lo dudo. La desproporción entre ambas opciones permite sospechar una broma o escenificación, pero eso es una inferencia, no un hecho demostrado.
Esta cautela no desactiva el debate. Lo vuelve más interesante. Quizá el problema no sea que un profesor haya cambiado un trabajo por un baile, sino que el aula se haya convertido en un lugar donde esa ficción resulta verosímil, celebrada y rentable. El vídeo funciona porque millones de personas aceptan sin dificultad que la universidad pueda operar así. Y funciona también porque la economía de la atención premia la escena mucho más que cualquier explicación pausada sobre lo que verdaderamente se aprendió.
Innovar no es montar un número
Sería intelectualmente perezoso convertir este episodio en una condena de toda metodología activa, no soy de la vieja escuela aunque llevo un cuarto de siglo en las aulas universitarias, si, veinticinco años devolviendo a la sociedad ciudadanos, de mucha calidad humana (la Universidad de Almería tiene el honor de poder formar a quienes sus familias nos confían, buenas personas). No obstante, como digo, la investigación ofrece razones sólidas para abandonar la idea de que enseñar consiste únicamente en hablar mientras el alumnado toma apuntes. El aprendizaje activo mejora el rendimiento en numerosos contextos, y los metaanálisis sobre gamificación encuentran efectos positivos, aunque variables, sobre resultados cognitivos, motivacionales y conductuales. La clave está precisamente en esa variabilidad: no basta con añadir un juego, una insignia, una canción o un baile. La actividad debe responder a objetivos de aprendizaje, estar integrada en el diseño de la asignatura y ser evaluada con criterios coherentes.
Un baile puede ser una excelente actividad en expresión corporal, artes escénicas (término de moda, ahora), comunicación no verbal o incluso en una asignatura sobre producción de contenidos virales. Puede exigir preparación, creatividad, coordinación y exposición pública. Lo que no puede aceptarse sin una explicación académica es que resulte intercambiable con un ensayo de quince mil palabras sobre inteligencia artificial e ingeniería biomédica. Ambas tareas miden cosas distintas. Si se presentan como equivalentes, la evaluación pierde validez; si la equivalencia era ficticia, entonces el vídeo no documenta una evaluación, sino una representación creada con la universidad como decorado.
No critico la cercanía, el humor ni el conocimiento de las plataformas. Critico la confusión entre conectar con el alumnado y competir por su aplauso; entre hacer comprensible una materia y convertirla en un producto de consumo rápido. Estamos de acuerdo que el docente también es parte importante de la ecuación y su responsabilidad es estar formado y transmitir conocimiento actualizado, eso es motivo de otro artículo que tengo en el horno, no se me impacienten.
El estudiante no es un cliente
La expresión puede resultar incómoda en instituciones que hablan de captación, retención, experiencia de usuario, posicionamiento y satisfacción. Pero conviene recordarlo: el estudiante no compra una calificación ni contrata el derecho a no sentirse contrariado. Se incorpora a una comunidad académica para aprender, y aprender implica ser corregido, encontrar límites, descubrir lagunas y asumir que el esfuerzo no siempre produce una recompensa inmediata.
Un estudio realizado con 608 universitarios ingleses encontró que una mayor orientación consumista hacia la educación superior estaba asociada con un menor rendimiento académico. Esto no convierte a todo estudiante que reclama en un «cliente», pero sí apunta a una incompatibilidad entre la identidad de discente (que exige responsabilidad) y la expectativa de recibir resultados a cambio de haber pagado, asistido o mostrado satisfacción (ya dije que esto es cosa de dos: docente y discente).
También debemos ser prudentes con las encuestas de evaluación docente. Son útiles para conocer experiencias, detectar abusos, localizar problemas organizativos y mejorar la enseñanza. Pero dejan de ser saludables cuando se convierten en plebiscitos de popularidad o condicionan en exceso la carrera profesional. Distintos estudios han observado asociaciones entre calificaciones más benévolas y mejores valoraciones del profesorado, aunque la literatura no es unánime y existen trabajos que discuten que esa relación sea siempre un sesgo. Lo razonable no es abolir la voz estudiantil, sino impedir que la satisfacción sustituya a la evidencia de aprendizaje.
A un cliente se le intenta dar la razón para conservarlo. A un estudiante se le escucha, se le respeta y se le protege, pero también se le dice que un razonamiento es incorrecto, que un texto está mal escrito, que una práctica no alcanza el nivel exigible o que debe volver a intentarlo. Esa diferencia no es un vestigio autoritario. Es el fundamento mismo de la educación.Y es justo lo que necesita, la corrección.
Tampoco es un discípulo 🙂 al que se le niegue la oportunidad de rebatir a su profesor/a y de discutir soluciones, propuestas, metodologías. Eso es la academia. Personalmente, no me gusta el término de discipulo.
Lo que llega a la universidad
Llevo años viendo entrar en las aulas universitarias a estudiantes inteligentes, creativos y con enormes posibilidades. También observo, en una parte creciente del alumnado, dificultades para comprender instrucciones relativamente extensas, sostener una lectura compleja, redactar con precisión, construir un argumento o distinguir una afirmación de una evidencia. Es una observación profesional, no un estudio estadístico, y no autoriza a declarar incapaz a toda una generación.
La frase más común, este año fue: «Lo he buscado en ChatGPT»
Los datos disponibles, sin embargo, impiden despachar esa percepción como simple nostalgia. En PISA 2022, España se situó cerca de la media de la OCDE, pero sus resultados en lectura descendieron respecto a 2012 y 2015. Aproximadamente una cuarta parte del alumnado de quince años no alcanzó el nivel básico de competencia lectora y solo un 5 % llegó a los niveles más altos. En la evaluación de competencias de adultos de 2022-2023, el 31 % de la población española de 16 a 65 años quedó en el nivel más bajo de lectura o por debajo de él, mientras que solo el 4 % alcanzó los niveles superiores; los jóvenes de 16 a 24 años también puntuaron por debajo de la media de la OCDE.
Estos datos no demuestran que TikTok, la gamificación o los profesores mediáticos sean responsables del deterioro. Sería una causalidad inventada. Pero sí obligan a preguntar si, ante problemas tan serios, la respuesta sensata consiste en reducir la lectura, suavizar la exigencia y ofrecer una estimulación continua para que nadie desconecte. Quizá estemos intentando curar la dificultad de concentrarse mediante una dosis todavía mayor de fragmentación.
PISA 2022 señala que alrededor del 30 % del alumnado de la OCDE declara distraerse con dispositivos digitales en la mayoría o en todas las clases de matemáticas, y quienes lo hacen obtienen resultados inferiores incluso tras ajustar por el contexto socioeconómico. La tecnología puede apoyar el aprendizaje, pero no posee por sí sola virtud pedagógica; la UNESCO recomienda emplearla cuando mejora objetivos educativos, no cuando sustituye la relación humana o desvía la atención.
Corregir, en rojo, no es agresión.
Entre las pequeñas supersticiones pedagógicas de nuestro tiempo ocupa un lugar destacado la idea de que corregir en rojo puede «traumatizar» al estudiante. La realidad es bastante menos espectacular. Algunos estudios han encontrado que las anotaciones rojas pueden percibirse como más negativas o provocar una reacción emocional inicial menos favorable. Pero la evidencia es limitada, depende del contexto y no permite concluir que señalar errores sea perjudicial o que cambiar de color resuelva el problema. Otros trabajos muestran preferencias distintas entre estudiantes y subrayan que importa mucho más la intención, la claridad y la utilidad de la retroalimentación. Ojo, que los sobresalientes también se ponen en rojo.
La cuestión relevante no es si la tinta es roja, verde o violeta. Es si el comentario explica qué falla, por qué falla y cómo puede mejorarse. Un metaanálisis de cientos de estudios encontró un efecto medio positivo de la retroalimentación sobre el aprendizaje, pero también una gran heterogeneidad: no toda corrección sirve, y su eficacia depende del contenido informativo que aporte. Corregir sin orientar puede ser inútil; evitar la corrección para preservar una comodidad momentánea es una renuncia profesional.
El error no es una agresión que el sistema deba esconder. Es información. La investigación educativa contemporánea considera los errores y los fracasos componentes indispensables del aprendizaje, siempre que exista apoyo para interpretarlos y convertirlos en mejora. Las llamadas «dificultades deseables» pueden entorpecer el desempeño inmediato y, al mismo tiempo, favorecer la retención y la transferencia a largo plazo. No toda dificultad educa, desde luego; una tarea arbitraria o desproporcionada solo genera desgaste. Pero tampoco educa un itinerario donde toda incomodidad se elimina antes de que el alumno aprenda a gestionarla.
Sobre la pérdida de autoridad. Autoridad no es autoritarismo
La pérdida de autoridad docente no se corrige recuperando humillaciones, castigos absurdos ni obediencias ciegas. La autoridad legítima se construye con conocimiento, preparación, coherencia, justicia y responsabilidad. Precisamente por eso incluye la capacidad de establecer límites, exigir estándares y evaluar sin pedir disculpas por hacerlo.
Un profesor no debe disfrutar suspendiendo ni convertir la dureza en una marca personal. Tampoco debe temer suspender cuando el aprendizaje no se ha producido. Si cada decisión queda subordinada a una queja, una mala encuesta o un vídeo recortado, termina administrando emociones en lugar de enseñar.
Escuchar al alumnado es una obligación. Entregarle la soberanía sobre el criterio académico es una irresponsabilidad. El respeto es recíproco, pero las funciones no son intercambiables: el estudiante participa en el aprendizaje; el profesor diseña, orienta y acredita que ese aprendizaje se ha producido.
Del aula a la plataforma
Existe, además, una frontera ética que no deberíamos cruzar con tanta ligereza: el alumnado no es atrezo. Cuando un docente convierte sistemáticamente su clase en material para sus perfiles personales, aparecen preguntas sobre consentimiento, privacidad, presión implícita y uso de la posición de autoridad. En el caso del vídeo analizado hablamos de universitarios adultos, pero el fenómeno alcanza también a escuelas donde aparecen menores.
La Agencia Española de Protección de Datos distingue entre grabar imágenes dentro de una actividad educativa y difundirlas públicamente con otros fines. La publicación abierta en Internet exige una base legítima y, cuando se trata de menores, garantías especialmente estrictas. Una autorización formal tampoco resuelve todos los dilemas: el consentimiento puede ser jurídicamente válido y, sin embargo, estar condicionado por la asimetría entre quien califica y quien desea no quedar señalado ante su clase.
Divulgar conocimientos en redes no convierte a nadie en mal profesor. Puede ser una magnífica labor pública. Otra cosa es utilizar el aula para alimentar una marca personal, medir el éxito docente por las visualizaciones o diseñar escenas cuya primera finalidad sea complacer al algoritmo. El algoritmo no conoce el plan de estudios, no acredita competencias y no responde por las consecuencias. Solo sabe retener miradas.
La parte que nos toca
Sería injusto cargar toda la culpa sobre el alumnado o sobre los profesores jóvenes. Los docentes no han inventado por sí solos la cultura de la inmediatez. Trabajan dentro de instituciones que necesitan matriculaciones, buena reputación, encuestas favorables, presencia digital y relatos atractivos para competir. Las familias pueden confundir protección con eliminación de obstáculos; las administraciones proclaman innovaciones antes de evaluarlas; las plataformas premian lo breve y emocional. También muchos profesores veteranos hemos aceptado que la exigencia debía justificarse mientras la banalidad se presentaba como moderna.
Tampoco sería justo convertir a Pittman en símbolo individual de una decadencia que el propio contexto desmiente parcialmente. Su universidad presenta su curso como una experiencia ligada al campo profesional de la publicidad, con análisis de métricas, campañas reales y oportunidades de empleo. Eso merece ser reconocido. Lo discutible es que la institución utilice como principal escaparate los cientos de millones de visitas y celebre unas «travesuras educativas» que hacen casi imposible distinguir desde fuera la práctica académica de la comedia viral.
Cómo recuperar la educación sin regresar al pasado
No se trata de volver a una universidad solemne, distante e incapaz de revisar sus métodos. Se trata de exigir a toda innovación la misma pregunta que hacemos a cualquier intervención responsable: ¿qué aprendizaje produce y cómo lo sabemos?
Hay que recuperar la lectura extensa, la escritura argumentativa y la exposición oral razonada. Diseñar actividades activas, pero vinculadas a competencias verificables. Valorar las encuestas sin convertirlas en un concurso de simpatía. Proteger la independencia para evaluar y establecer controles contra la arbitrariedad. Enseñar a utilizar las redes, pero también a soportar el silencio, la concentración y la demora. Y regular cuándo una clase puede convertirse en contenido.
Sobre todo, debemos devolver al error su dignidad pedagógica. Una corrección respetuosa no lesiona al estudiante: le reconoce la capacidad de mejorar. Una tarea exigente no es necesariamente elitista: puede ser la forma más honesta de tomar en serio su inteligencia. Una calificación baja no define a una persona, pero ocultar que su trabajo es insuficiente tampoco la ayuda.
La educación forma ciudadanos, no clientes. Los ciudadanos necesitan criterio, lenguaje, memoria, disciplina, imaginación y resistencia ante la frustración. Los clientes, en cambio, solo necesitan salir satisfechos de la experiencia.
Podemos convertir cada clase en un espectáculo, cada profesor en un creador de contenido y cada dificultad en una ofensa que deba retirarse. Obtendremos quizá más aplausos, mejores vídeos y usuarios temporalmente contentos. Lo que no obtendremos son adultos preparados para una realidad que no ofrece filtros, no concede aprobados por simpatía y rara vez cabe en quince segundos.
Una sociedad que educa para evitar toda incomodidad no está protegiendo a sus jóvenes: está privándolos de las herramientas con las que algún día tendrán que afrontar casi todo.
Cuando la universidad empieza a medir su éxito en aplausos y visualizaciones, corre el riesgo de olvidar que su verdadera tarea no es entretener al estudiante, sino prepararlo para comprender y transformar el mundo.
El Quijote Digital 