La cadena invisible: cómo viaja la información sobre IA
Gran parte de lo que lees sobre inteligencia artificial te llega de segunda o de tercera mano. Alguien publica un paper o un anuncio, una universidad o una empresa lo resume en un comunicado, un medio lo cuenta, un creador lo comenta y tú lo ves en un video corto. En cada paso el dato puede recortarse, exagerarse o repetirse sin que nadie abra la fuente.
A mí me pasó con la INC. Leí en el correo de un bloguero de SEO que una Corp tenía ventajas fiscales que una LLC no te daba — y meses después escuché exactamente lo contrario. Las dos versiones eran ciertas: lo que se perdió en el camino fue para quién aplicaba cada una. Lo conté en mi artículo sobre la INC. Con la IA pasa lo mismo — pero más rápido y a más escala.
Y si tienes un negocio, con esa misma información decides qué herramienta de IA pagas y qué le prometes a tus clientes. En esta guía te muestro, con estudios en la mano, dónde se deforma la información sobre IA y cómo rastrearla hasta el original antes de creerla o compartirla.
¿Cómo viaja la información hasta tu pantalla?
Por una cadena de intermediarios, y eso se estudia desde hace más de ochenta años. El llamado flujo en dos pasos salió de un estudio sobre la elección presidencial de 1940 en EE. UU. Paul Lazarsfeld, Bernard Berelson y Hazel Gaudet lo plantearon en 1944 en The People’s Choice, y Elihu Katz y Lazarsfeld lo desarrollaron en 1955 en Personal Influence. Según esa teoría, los mensajes iban primero de los medios a unos líderes de opinión, que consumían más medios que el resto, y de ellos a su círculo.
Hoy esos líderes de opinión se llaman influencers, y las redes multiplicaron a los intermediarios. Para ordenarlos, piensa la información sobre IA como una cadena de cuatro eslabones, definidos por lo que hace cada uno con la fuente, no importa dónde publique:
Origen. Produce el dato: un paper, un repositorio de código, un anuncio o tu propio experimento. Vive en arXiv o en el blog oficial de la empresa.
Intérprete directo. Leyó o probó la fuente y la explica con criterio. Lo encuentras en X, Reddit, YouTube o newsletters de investigadores.
Retransmisor. Resume lo que dijeron otros, sin abrir la fuente. Abunda en newsletters generalistas y medios tech.
Amplificador. Repite sin haber consultado la fuente, aunque la mencione. Está en cualquier red, de los hilos virales al contenido en masa.
La cadena de la información sobre IA: cuatro eslabones definidos por función
Un referente que leyó el paper está en el eslabón 2 aunque publique en X o en YouTube. Quien repite un dato sin abrir la fuente está en el 4, en cualquier red. Y la cadena no siempre va hacia abajo: a veces una historia nace abajo y sube.
¿Mencionar un paper significa que lo leyeron?
No siempre. Muchos referentes en X sí leen y discuten papers, y esos están cerca de la fuente. Pero que alguien enlace un estudio no garantiza que lo haya abierto. Tres estudios lo muestran desde ángulos distintos:
| Estudio | Qué encontró | Límite |
|---|---|---|
| Robinson-Garcia y otrosPLOS ONE, 2017 | De 8.206 tuits que enlazaban papers de odontología, menos del 10 % venía de cuentas que curan o explican la investigación | Otro campo, con tuits de 2011 a 2016 |
| UNESCOBehind the screens, 2024 | El 62 % de 500 creadores de 45 países y territorios admitió no verificar la exactitud de la información antes de compartirla | Es lo que ellos declaran en una encuesta |
| Gabielkov y otrosSocial Clicks, 2016 | En un mes se compartieron 2,8 millones de veces en Twitter enlaces a BBC, CNN, Fox News, The New York Times y HuffPost, y el 59 % de los enlaces distintos nunca recibió un clic | Mide enlaces, con datos de 2015 |
La misma encuesta de la UNESCO trae otro dato: el 41,6 % de esos creadores usa los «me gusta» y las reproducciones como criterio principal para decidir si una fuente es creíble.
¿Y cómo se difundió ese 59 %? Sin leer, y muchas veces contando lo que no decía. The Washington Post lo tituló así en junio de 2016: «6 de cada 10 de ustedes compartirán este enlace sin leerlo». El estudio contaba enlaces sin clics y no dice si quien los compartió primero leyó la nota. Thomas Lumley lo explicó en StatsChat en 2018: lo más probable es que la mayoría de esos enlaces ni siquiera se haya retuiteado.
¿De dónde sacan la información los creadores?
Los creadores de opinión la sacan, en buena parte, de los medios tradicionales. Nic Newman, del Reuters Institute, lo explicó al presentar el Digital News Report 2026: esos creadores comentan sobre todo noticias que ya reunieron los medios.
Casi nadie depende únicamente de ellos: según el resumen del informe, solo el 3 % de la gente en los 48 mercados que cubre lo hace.
En Estados Unidos, el 21 % de los adultos se informa con regularidad con influencers de noticias en redes sociales, según el Pew Research Center (noviembre de 2024).
El mismo estudio encontró que el 77 % de esos influencers no tiene ni ha tenido vínculo con un medio. En la mayoría de los casos, no hay una redacción detrás que revise lo que publican.
Con la IA hay una capa más: muchas veces el origen de la noticia es la empresa que vende el producto. Un estudio de 2018, cuatro años antes de ChatGPT, ya lo mostraba: el Reuters Institute revisó 760 artículos sobre IA publicados en seis medios británicos durante los primeros ocho meses de ese año, y casi el 60 % giraba alrededor de productos, anuncios o iniciativas de la industria.
De las fuentes citadas en esos artículos, un tercio venía de la industria, casi siempre directivos: casi el doble que las académicas y seis veces más que las del gobierno. Antes de pagar una herramienta por lo que leíste de ella, busca quién la evaluó aparte de quien la vende.
¿La distorsión empieza abajo o arriba?
Muchas veces, arriba. Solemos culpar al influencer por el titular exagerado, pero en 2014 el equipo de Petroc Sumner, de la Universidad de Cardiff, rastreó en un estudio publicado en el BMJ de dónde salían las exageraciones en noticias de salud. Revisó 462 comunicados de prensa de 20 universidades británicas, todos de 2011, junto con los papers que resumían y las 668 noticias que salieron de ellos.
Esto es lo que encontró en los comunicados:
| Tipo de exageración | Comunicados que la tenían |
|---|---|
| Consejos al lector que van más allá del paper | 40 % |
| Una correlación presentada como causa | 33 % |
| Conclusiones para humanos a partir de estudios en animales | 36 % |
Y cuando el comunicado exageraba, la mayoría de las veces la noticia lo repetía:
Sumner y otros, BMJ 2014: 462 comunicados y 668 noticias de universidades británicas, 2011
Si el comunicado era prudente al pasar de animales a humanos, solo el 10 % de las noticias exageraba; si exageraba, el 86 %: casi nueve veces más.
Y si creas contenido, fíjate en otro hallazgo del mismo estudio: encontró poca evidencia de que exagerar ayudara a que un comunicado saliera en las noticias.
Ni siquiera el eslabón más alto es garantía. arXiv, donde se publica buena parte de la investigación en IA, tiene moderadores que filtran lo que llega, sin revisión por pares. En octubre de 2025, arXiv avisó en su blog que, en su sección de computación, los artículos de revisión (los que resumen un campo) y los de posición (los que defienden una postura) tendrían que haber pasado antes por revisión por pares en una revista o una conferencia; sin esa prueba, lo más probable es que los rechace. El motivo: una avalancha de esos textos, inflada en buena parte por los modelos de lenguaje, según arXiv.
Y los papers también se equivocan. Sayash Kapoor y Arvind Narayanan, de Princeton, recopilaron en un artículo publicado en Patterns en 2023 casos de data leakage en al menos 294 estudios de 17 campos que usaban machine learning, o aprendizaje automático, algunos con conclusiones demasiado optimistas. Data leakage, o filtración de datos, es cuando se cuela en el entrenamiento información que el modelo no debería tener, y el resultado parece mejor de lo que es.
¿Por qué diez cuentas no son diez fuentes?
Porque muchas veces todas repiten lo mismo desde un solo origen. En análisis de inteligencia y en periodismo esto tiene nombre: reporte circular. Pasa cuando una información parece venir de varias fuentes independientes, pero todas dependen de una sola.
El caso de la bixonimania: una mentira que llegó a una revista médica
El ejemplo más claro de reporte circular con IA de por medio pasó en 2024. La investigadora Almira Osmanovic Thunström, de la Universidad de Gotemburgo, inventó una enfermedad para ver hasta dónde llega la cadena cuando nadie abre la fuente: la bixonimania, una supuesta afección de párpados y ojos por la luz azul de las pantallas.
La sembró en preprints y blogs con pistas que cualquier persona notaría al instante. El autor era un tal «Lazljiv Izgubljenovic», de una universidad ficticia — el nombre viene del serbocroata y significa algo así como «mentiroso perdedor». La financiación citaba a la Fundación Profesor Sideshow Bob (el personaje de Los Simpson), a la Universidad de la Comunidad del Anillo (de El Señor de los Anillos) y a la Academia de la Flota Estelar (de Star Trek). Y adentro del texto escribió: «This entire paper is made up» — todo este artículo está inventado.
No importó. Los rastreadores de ChatGPT, Copilot, Perplexity y Gemini indexaron los preprints igual, y al poco tiempo Copilot describía la bixonimania como «una afección ocular intrigante y relativamente rara». Otros chatbots explicaban los síntomas y mandaban a la gente al oftalmólogo.
Lo peor vino después. Un equipo real del Maharishi Markandeshwar Institute of Medical Sciences and Research, en India, preparaba una revisión sobre melanosis periorbitaria (ojeras y pigmentación de párpados). Al usar IA para recopilar literatura, el modelo les presentó la bixonimania como una afección emergente real. Nadie abrió el enlace primario — nadie vio a Sideshow Bob en los agradecimientos — y el artículo se publicó citándola en Cureus, una revista revisada por pares del grupo Springer Nature. La retiraron en marzo de 2026.
Chris Stokel-Walker lo contó en Nature, con un título que lo resume todo: «Scientists invented a fake disease. AI told people it was real». También lo cubrió Smithsonian Magazine.
La cadena tampoco va siempre de arriba hacia abajo. El estratega de medios Ryan Holiday describió en 2012, en su libro Trust Me, I’m Lying, lo que llamó trading up the chain: plantar una historia en un blog pequeño para que medios con más autoridad la citen y, con cada cita, gane credibilidad. Una historia puede nacer en el eslabón 4 y terminar pareciendo del 1.
Y ahora la IA también escribe parte de lo que circula. Según Graphite, una agencia de SEO, en el primer trimestre de 2026 el 49,9 % de los artículos que analizó estaba escrito con IA, medido con detectores automáticos.
En otro análisis de Graphite, de octubre de 2025, el 82 % de los artículos que citaban ChatGPT y Perplexity estaba escrito por personas, con el mismo tipo de detector.
¿Cómo verificar una noticia de IA antes de creerla o compartirla?
Con un método de cuatro pasos que no exige ser experto. Se llama SIFT y lo presentó en 2019 Mike Caulfield, investigador en alfabetización digital. Se apoya en la lectura lateral que Sam Wineburg y Sarah McGrew, de Stanford, observaron en verificadores profesionales: salir de la página y ver qué dicen otras fuentes sobre ella. Caulfield y Wineburg lo explican en su libro Verified, de 2023. Así se aplica a una noticia de IA:
Para (Stop). Si el titular te emociona o te asusta, es justo el momento de no compartir todavía.
Investiga la fuente. ¿Quién lo dice y en qué eslabón está? Si es la empresa que vende el producto, todavía no tienes una evaluación.
Busca mejor cobertura. ¿Lo cuenta alguien independiente de la empresa? Revisa que esas fuentes no estén copiando el mismo comunicado.
Rastrea hasta el original. Abre el paper o el anuncio y compara: ¿coinciden los resultados, la muestra y las limitaciones con lo que dice el post?
Me pasó a mí: papers falsos con sello de Anthropic. En X me crucé más de una vez con cuentas que publican a diario supuestos papers de investigación, con el sello de Anthropic o de Karpathy, imitando el formato de los papers de Google. Se ven oficiales, y como publican decenas de artículos al día, el feed las premia.
La primera vez estuve a punto de compartir uno. Me detuve a abrirlo, y ahí estaba el truco: abría un PDF, pero el logo no era el oficial y el contenido era una compilación reciclada — texto genérico de otros lados, sin un solo experimento ni dato propio.
Lo busqué en la fuente — en el blog oficial de Anthropic o en el trabajo real de Karpathy — y no existía. Era una cuenta genérica que recicla contenido y lo maquilla de paper para ganar alcance y meter ruido, apostando a que en el feed nadie abre el enlace.
No es deformar una fuente real, como la bixonimania. Es fabricar una fuente falsa y ponerle un sello que suena a autoridad: el eslabón 4 disfrazado de eslabón 1.
Si no tienes tiempo para los cuatro pasos, quédate con una pregunta: ¿esto enlaza a la fuente original y dice lo mismo que ella?
¿Qué significa esto si creas contenido?
Que te conviene estar lo más cerca posible del eslabón 1. Si todos retransmiten el mismo comunicado, lo que te diferencia es un dato propio, una prueba o un caso real, contado con su fuente.
GEO, por generative engine optimization, es optimizar un texto para que aparezca en las respuestas de los buscadores con IA. En el estudio que acuñó el término, presentado en la conferencia KDD en 2024, añadir citas textuales subió alrededor de 41 % la visibilidad de un texto en esas respuestas, medida con modelos de 2023 y 2024. Si escribes para tu negocio, eso significa citar dentro del texto, con nombre y año.
En Colombia, buena parte de esa cadena pasa por WhatsApp: según el informe Digital 2025 de DataReportal, citado por Portafolio en 2025, lo usa el 92,4 % de los internautas de 16 a 64 años. Ahí los mensajes muchas veces se reenvían sin enlace ni autor, así que rastrear el original es todavía más difícil. Si compartes ahí algo tuyo, manda el enlace junto con la captura.
Errores comunes al informarte sobre IA
Compartir por el titular, sin abrir el enlace.
Juzgar una fuente por sus «me gusta» o sus reproducciones.
Tomar el comunicado de la empresa como si fuera una evaluación. Lo escribió quien vende.
Contar diez cuentas como diez fuentes cuando todas citan el mismo comunicado.
Dar por revisado un paper solo porque está en arXiv: ahí se publica sin revisión por pares.
Preguntas frecuentes
¿Qué es el reporte circular?
Es cuando una información parece confirmada por varias fuentes, pero todas dependen de una sola. En redes pasa mucho: decenas de cuentas repiten el mismo comunicado y parece consenso.
¿Qué es el flujo en dos pasos?
Una teoría que Paul Lazarsfeld, Bernard Berelson y Hazel Gaudet plantearon en 1944 y que Elihu Katz y Lazarsfeld desarrollaron en 1955: los medios influyen primero en líderes de opinión, que luego interpretan y retransmiten la información a su círculo. Los influencers son su versión actual.
¿Cómo sé si un influencer leyó el paper que menciona?
Revisa si enlaza el paper y si lo que dice coincide con sus resultados, su muestra y sus limitaciones. Si solo repite el titular del comunicado, probablemente no lo leyó.
¿Las fuentes primarias siempre son confiables?
No. Un paper puede tener errores, y el anuncio de una empresa lo escribe quien vende. Que una fuente sea primaria significa que está cerca del dato; para saber si es correcta, busca también una evaluación independiente.
¿Qué es el método SIFT?
Cuatro pasos para verificar información en línea: parar, investigar la fuente, buscar mejor cobertura y rastrear el original. Lo presentó en 2019 el investigador Mike Caulfield.
Conclusiones
Si una noticia de IA te va a hacer gastar plata o cambiar cómo trabajas, decide con el original en la mano. En la encuesta de la UNESCO, el 62 % de los creadores admitió no verificar la exactitud de la información antes de compartirla.
El primer paso: la próxima noticia de IA que te emocione, ábrela en la fuente y compara resultados, muestra y limitaciones antes de reenviarla.
Si el original es un PDF y solo necesitas unas páginas, como los resultados o las limitaciones, TokDown, la herramienta gratuita que hicimos con dos colegas, te lo pasa a Markdown para que lo leas o se lo des a la IA sin pagar por el documento entero.
Última actualización: octubre de 2026. Las cifras corresponden al año de cada estudio, y las políticas de plataformas como arXiv pueden cambiar.
