No es casualidad que ahora Undermind AI se presente como «co-investigador de IA» (Your AI co-researcher). No es solamente un buscador. Ahora es, además, un colaborador de investigación.
La cuestión es que después de poner a prueba las nuevas funciones de Undermind he llegado a la conclusión que da título a este artículo, y que podemos parafrasear así:
Ha cambiado para siempre la forma de llevar a cabo la búsqueda de información y de escritura académica. Sin duda, para bien, pero también para mal. Está por ver qué prevalecerá.
Cabe decir que Undermind no es la única IA que está produciendo este cambio, sino que se trata de la acción, no coordinada, pero coincidente, de diversas IA académicas, entre las que podemos citar Consensus, Elicit, LeapSpace (Scopus), Research Assistant (WoS) y otras (de todas nos hemos ocupado en entradas anteriores -ver Para saber más en este artículo-).
Para entender algo de todo esto, nada mejor que presentar la guía de uso de las nuevas funcionalidades de búsqueda y escritura de Undermind agrupadas bajo el concepto de Workspaces.
UNDERMIND AI WORKSPACES
GUÍA DE UTILIZACIÓN
Acceso
El acceso al modo de trabajo principal de Undermind, es poco intuitivo. Por eso lo mostramos en esta captura. Se puede acceder de dos formas (ver la captura) pero ninguna anticipa bien que va a pasar el hacer clic en ellas. Con ambas vamos a la misma pantalla: My Workspaces.
Crear un espacio de trabajo
Una vez en My Workspaces, tenemos el enlace para crear un workspace nuevo, + New workspace, pero por alguna razón este no aparece en un lugar destacado (en mi opinión, un fallo de usabilidad).
Nombrar el espacio de trabajo
Al hacer clic en + New workspace aparece la ventana emergente que nos pide un nombre. Aconsejo usar uno corto y lo más significativo posible. Hay que contar con que, con el tiempo, podemos acumular varios proyectos y agradeceremos poder diferenciarlos con facilidad con un golpe de vista.
Iniciar la búsqueda con Deep search
Una vez creado el nuevo espacio de trabajo, el primer paso que propone Undermind es lanzar una búsqueda con Deep Search a fin de compilar una base de la evidencia para las siguientes fases.
Para nuestras pruebas hemos usado este prompt > Journalism and news quality: concepts, dimensions, indicators, and metrics.
Interacción dialógica con Undermind
Algo que, al menos en los primeros usos, sorprende es que Undermind interacciona mucho con el usuario (comparado con otras IA) mediante preguntas de clarificación en casi cada fase. A veces con más de una ronda de preguntas. Por eso, la reacción a lanzar una búsqueda, no consiste en iniciar la búsqueda, sino en abrir un diálogo basado en preguntas.
Se trata de preguntas fundamentales que pueden condicionar decisivamente el resultado de la búsqueda y, por ello, el del informe. Por eso hay que tomarlas en serio.
Ante estas interacciones, mi consejo es leer con calma el enunciado que aparece previamente a las preguntas, porque nos permite asegurarnos de que ha entendido nuestra necesidad de información. Después, corresponde considerar con atención cada una de sus preguntas.
Responder a Undermind
Hemos mostrado una forma de responder a Undermind. En concreto, con la numeración que Undermind asigna a cada pregunta, y las respondemos en una misma línea.
Hemos comprobado que podemos ser parcos en las respuestas, y Undermind las interpreta bien.
Construcción del prompt
Solamente a partir de una o más rondas de preguntas, Undermind considera que ya puede generar un prompt que, pondrá a nuestra consideración. Podemos aceptarlo o editarlo. En nuestra experiencia, a veces ha requerido pequeñas ediciones. No en este caso.
Para que puedan apreciar el acierto de Undermind en la generación del prompt lo reproduzco a continuación:
Survey the scholarly literature on journalism and news quality across journalism broadly, with two linked aims: first, to synthesize how news quality is conceptualized and which dimensions are proposed; second, to identify how those dimensions have been operationalized through indicators, measurement frameworks, scales, and other metrics. The search should support both a conceptual map of the field and comparison of existing approaches to measuring news quality
Consejo: obviamente, podemos tomar este prompt tal cual, o editarlo a conveniencias, así como usarlo en otra IA si queremos hacer una triangulación.
Lanzar la búsqueda
Ya hemos advertido de las continuas interacciones de Undermind. Al hacer clic en el botón Launch para lanzar la búsqueda, nos va a pedir confirmación.
¿Es necesaria esta reiteración? Ya decimos que la interfaz de Undermind seguramente se beneficiaría de un buen estudio de usabilidad. No descarto que lo estén haciendo y que tengamos novedades pronto.
Seguimiento de las fases de búsqueda
Una vez lanzada, la búsqueda puede tardar unos minutos en completarse. Mientras tanto, podemos ver el progreso de la misma y los pasos que ejecuta Undermind.
Hemos destacado algunas fases muy tranquilizadoras gracias a expresiones como:
- «Searching for the most promising papers» o como
- «Identify the best candidate papers».
¿Qué sigue tras la búsqueda?
Ya hemos señalado que la filosofía de los workspaces es que la búsqueda es solo el primer paso. Una vez finalizada, Undermind sugiere dos acciones posibles:
- Generate Report
- Organize papers
Nosotros, vamos a usar la primera opción que es, con mucho la de mayor calado e importancia académica.
Generar un informe
Para iniciar la generación del informe hacemos clic en Generate Report, pero el resultado, de nuevo, seguramente no es lo que espera el usuario de otras IA.
Prompt para generar el informe
En concreto, algo que puede confundir es que, tras elegir Generate Report, lo que aparece a continuación es una propuesta de prompt, en lugar de lanzar directamente el proceso. De nuevo, pura filosofía Undermind, muy acertada en este caso.
La propuesta que Undermind nos pide que validemos (ver captura) tiene dos partes:
- el prompt propiamente dicho (I’d like to write a report…) pero antes,
- la petición de una breve discusión para perfilar el proceso (Let’s briefly discuss…).
Lo que nos va a mostrar Undermind al hacer clic en la flecha para lanzar este prompt, lo mostramos a continuación.
Perfilar el alcance y el enfoque del informe
La preparación para la generación del informe sigue el procedimiento de trabajo habitual de Undermind. No lo lanzará sin antes de discutir con el usuario algunas posibilidades.
En la captura, no vemos la consideración inicial del tema de investigación, por su calidad altamente incisiva la reproduzco a continuación:
The search suggests a central tension: news quality is a contested, multidimensional construct, while measurement varies by perspective—content, audiences, journalistic production, institutions, and democratic outcomes. The main problem is comparability: the same terms can reflect different theories and units of analysis.
En la captura de este apartado vemos las dos preguntas que nos ha hecho y la forma de responder que hemos elegido.
Fases y enlace al informe
Situémonos: hemos respondido las preguntas de Undermind (ver captura anterior) y ahora, una vez completado el, tampoco aparece el informe de manera directa.
En su lugar, debemos hacer clic en el enlace que mostramos que, si no me equivoco, a veces queda por debajo de la línea visible de pantalla. Esto me despistó en ocasiones cuando era usuarios primerizo de Undermind. A veces pensaba que estaba haciendo mal las cosas porque no veía el informe directamente y, por alguna razón, el enlace para abrir el informe me había pasado desapercibido.
Espacio de trabajo con la ventana dividida
Ahora sí. Una vez hacemos clic en el enlace que hemos visto antes, el espacio de trabajo se divide en dos partes:
- Lado izquierdo, o lado 1 contiene el historial de órdenes y la caja del chat
- Lado derecho, o lado 2, contiene el informe recién generado.
Hemos destacado en la captura el lado derecho con la cabecera del informe y dos acciones básicas: exportar o editar. Las veremos, pero antes, algo sobre el contenido del informe.
Detalle del contenido del informe
Esta captura tiene como objetivo mostrar parte de la riqueza del contenido del informe. Hemos elegido esta tabla para mostrar así algo de la calidad del resultado. El informe global tiene el equivalente a unas 15 páginas y está adecuadamente estructurado.
Pero veamos el índice de contenidos del informe y juzguen ustedes mismos:
- The conceptual problem
- The main traditions in the literature
- A practical taxonomy of quality dimensions
- Measurement approaches and their limits
- Recurring measurement failures
- A proposed framework for conceptual and operational use
- A proposed framework for conceptual and operational use
- Implications for journalism and accountability practice Conclusion
- References
Consejo: háganse esta pregunta, ¿podría, un informe con esta estructura, pasar por un trabajo académico evaluativo de calidad hecho por un ser humano? Si tienen dudas razonables por no tener el informe completo, más abajo tienen un enlace de descarga.
Opciones de exportación
Los informes se pueden exportar mediante una ventana emergente que permite elegir el formato de archivo (word, pdf, texto markdown), el estilo de citación (APA entre ellos), si queremos tener una tabla de contenidos y si deseamos compartir el informe con un colaborador.
Informe en PDF
Vista de la cabecera del informe de Undermind en formato PDF, abierto con el lector de Adobe.
Referencias incluídas en el informe
Podemos ver aquí la lista final y el formato de las referencias, en teoría según la norma APA (no lo hemos verificado si lo cumple con detalle).
Edición asistida
Lo llamamos edición asistida por darle un nombre que «suene» técnico. Pero en mis pruebas, Undermind genera los nuevos contenidos sin necesidad de intervención del usuario, más allá de la mera petición, que puede ser inteligente o naif. Esto dependerá de las competencias reales del usuario.
Los ejemplos de peticiones de edición que sugiere Undermind son muy significativos:
- Añadir nuevas secciones: lo he comprobado y lo hace de forma eficiente.
- Añadir elementos concretos como tablas: también lo he comprobado y funciona bien.
- Reescribir secciones siguiendo indicaciones del usuario.
- Añadir citaciones
Pero lo importante es que la lista anterior no está cerrada. Podemos pedir, p.e., reestructurar el informe con el modelo IMRyD, en la medida en que se pueda adaptar, etc.
Cómo ver la lista completa de referencias
Volvamos a los resultados de la búsqueda.
Hasta ahora hemos visto las referencias que incorpora el informe, pero la deep research ha encontrado muchas más referencias (252 en este caso).
Para verlas y manejarlas, tenemos el enlace, que aparece si hacemos scroll, en lo que hemos llamado ventana 1 (lado izquierdo).
Lista de referencias
Hemos destacado en la captura las funciones principales con las que podemos operar la lista de referencias.
Filtrar las referencias
En este caso, mostramos las opciones de filtro. Véase que podemos seleccionar las referencias de las que Undermind ha obtenido el PDF, en la segunda fila de filtros con Has PDF.
En TAL caso, cuando, de una referencia, Undermind ha encontrado el PDF, al hacer clic en el título, Undermind abre el artículo completo, junto con diversas opciones:
Vemos en la captura las opciones de lectura y de descarga del PDF.
Chat knowledge
Undermind, además de un buscador y un generador de informes, mantiene su categoría de IA conversacional. Para ello, disponemos en la ventana 1 de una caja para chatear con los resultados. Para testarlo, le hemos pedido que destaque cinco elementos clave (ver prompt exacto en la captura).
Respuesta del chat
En esta captura nuestro propósito es la calidad de la incisiva respuesta al chat.
Organize papers: sistema de categorías (carpetas)
Hemos hecho el siguiente test: ahora tomamos las dimensiones que ha detectado Undermind, y que nos han parecido sumamente acertadas para pedirle que, en base a ellas, distribuya las referencias en sendas categorías. Técnicamente, ahora cada categoría será una carpeta.
Diálogo para generar las categorías
Vemos la filosofía de Undermind en acción: las preguntas que nos hace antes de crear las categorías y distribuir las referencias en ellas.
Vita y gestión de las categorías
Ahora la ventana 1 dispone de un sistema de carpetas o categorías, además de los informes producidos. Desde esta ventana lo podemos gestionar todo.
Explorar las referencias por categorías
Vista del contenido de una de las categorías.
Exploración de resultados
Para la exploración de las referencias, Undermind aporta un buen número de funciones que hemos destacado en la captura.
Añadir documentos
Una función que me llamó la atención, una de las secciones de la ventana 1 en la que Undermind pide que le subamos algunos PDF con los artículos que, por alguna razón no ha podido descargar pero que, intuye, disponer de ellos puede mejorar su informe.
Documento completo en la revista
Al hacer clic en la sugerencia de descarga de PDF de la lista, aparece esta referencias que, solo a la vista del título, puede estimarse su gran relevancia para nuestro estudio.
Generar informes adicionales
La opción Write report puede reiterarse para cada workspace según nuestras necesidades. De nuevo, aprovechamos las categorías detectadas por Undermind para pedirle un segundo informe.
Nuevos informes
En este caso, Undermind entendió que, para satisfacer nuestra petición, debía crear dos informes.
Gestionar el espacio de trabajo y sus archivos
Ventana de órdenes y archivos
Ventana de visualización de resultados
Exploración de referencias
Volvamos a las referencias para mostrar opciones de exploración adicionales.
Análisis comparativo de prestaciones de Undermind
Es interesante añadir este gráfico que corresponde a un benchmarking de Undermind y algunas IA generativas generalistas. Cabe señalar que el estudio corre a cargo de la empresa productora de Undermind. Pero no deja ser interesante. El estudio comparativo completo se puede descargar aquí.
Preguntas más frecuentes: fuentes
También recomendamos examinar la sección de Preguntas más frecuentes en la página principal de Undermind (hay que hacer un poco de scroll) para entender mejor a esta IA.
Por ejemplo, hemos destacado la pregunta en la cual precisa cuáles son sus fuentes mediante esta fórmula: «Semantic Scholar database of over 200 million articles, which contains PubMed, ArXiv, and many other databases».
Aunque la parte «many other databases» no es muy afortunada, en la página hay un enlace a Semantic Scholar, donde se mejora la explicación y vemos que esas otras bases de datos son varios cientos de proveedores de información, editoriales académicas la mayoría.
Esto es importante tenerlo en cuenta: las limitaciones de Semantic Scholar son las limitaciones de la base de la evidencia a la hora la recuperación de información de Undermind. ¿Son limitaciones importantes? Con una base de más de 200 millones de referencias, no debería serlo. De hecho es una de las bases de datos con mayor número de registros. Lo podemos comparar con bases de datos como Web of Science y Scopus, con 100 millones de registros cada una.
A los efectos de una exploración inicial de un área de conocimiento utilizar los registros de Semantic Scholar debería ser más que suficiente. No siempre podemos estar seguros de que hemos recuperado todos los trabajos relevantes en un área. Ni lo necesitamos (en general). Pero siempre debemos trabajar con muestras amplias y representativas como la que es capaz de proporcionar una base de datos con más de 200 millones de referencias.
Alternativas a Undermind
Otra cuestión es que hay una diferencia importante en el tipo de fuentes de Web of Science y de Scopus, por un lado, y de todas las demás bases de datos por otro. La razón es que WoS y Scopus evalúan las revistas que indexan, por tanto, tienen menos referencias (¡la mitad de Semantic Scholar!) pero tienen en teoría mayores garantías de calidad.
La cosa es complicada, igualmente, porque con 200 millones de artículos, probablemente, los 100 millones de estas bases de datos deben formar parte, si no en su totalidad, en la mayoría de los registros de Semantic Scholar. En fin no es fácil esta clase de comparativas, pero queríamos señalar algo al respecto.
Nos queda por aclarar lo siguiente: siendo como hemos dicho, ¿porqué no utilizar directamente Semantic Scholar? Podemos hacerlo, claro, pero la búsqueda en Semantic Scholar es sencillamente atroz. Además, no proporciona las funciones de IA que sí aporta Undermind, por tanto, la comparación carece de sentido.
Tiene más sentido comparar Undermind con Asta AI, la IA de Semantic Scholar que, además es gratuita.
Asta AI es muy eficiente. El lector interesado tiene aquí un análisis. En este caso, la ventaja comparativa de Undermind son las numerosas funciones adicionales, como el asistente de escritura, que añade Undermind, Pero no solamente, porque Undermind añade su propia capa de inteligencia artificial generativa, que ya hemos visto que es de una capacidad asombrosa a la hora de analizar la información y de sintetizarla.
Cómo cambian el panorama sistemas como Undermind
Sistemas de IA especializados en la academia, tan eficaces como Undermind, están a punto de cambiar, si no han cambiado ya las reglas de la escritura, de la lectura y, de paso, de los trabajos académicos evaluativos.
El disparador de todo es el mal uso. Esto es, usar los excelentes informes que generan estos sistemas como si fueran propios. En otras palabras, el plagio por IA.
Para poner las cosas un poco en orden, podemos comenzar por señalar que hay, al menos, tres problemas graves con el mal uso de estos sistemas:
1. El plagio, por lo que implica de fraude y deshonestidad en sí mismo. Usar un contenido de terceros, sea de la wikipedia, de otro autor, de tu gato o de la IA es plagio.
Pero a partir del punto anterior tenemos otros dos problemas:
2. La privación epistémica. Ya no podemos inferir las verdaderas capacidades de un autor a partir de las cualidades de su obra, cuando utiliza la IA en funciones de escritura. Cuando no sabemos cómo ha utilizado un autor la IA, la privación epistémica se activa. Incluso se activa cuando un autor declara el uso de la IA. Salvo que ofrezca un nivel de detalle poco esperable, declarar el uso de la IA, en principio, no soluciona este problema.
3. La delegación cognitiva. Las habilidades cognitivas de orden superior que se delegan, se degradan. Si delegamos la escritura, delegamos la lectura, dos usos cognitivos de alto nivel. Nuestras capacidades cognitivas se degradan progresivamente. Igual que nuestra salud física se degrada si nos quedamos en el sofá en lugar de caminar y cada vez tenemos más enfermedades, la idea de que la IA nos puede volver cada vez más idiotas.
Cómo debería utilizarse la IA: el muro de la escritura
Hay un cambio legítimo y muy positivo en el uso de sistemas de IA académicos como Undermind (o Consensus, LeapSpace y tantos otros). La primera condición para tal uso es establecer lo que llamo el muro de la escritura.
Entonces, podemos usar la IA para acelerar nuestra formación como investigadores o para acelerar procesos de exploración y descubrimiento de información. Para estos usos, la IA es impagable y espero que haya venido para quedarse.
Pero al llegar el momento de la escritura, la IA sale de la ecuación. Ni una línea de un trabajo académico evaluativo debería ser escrita por una IA.
Lo cierto es que hay muchas formas de usar la IA en investigación y en trabajos académicos, sin necesidad de usar la IA de modos ilegítimos. Yo mismo uso la IA constantemente para formarme y para acelerar la exploración de temas de mi interés. Pero ni una sola línea de mis trabajos han sido generadas por la IA. Mis capacidades cognitivas se van degradando solas solo por el paso de la edad, no necesito el empujón de la IA.
Esquemas de uso productivo y legítimo de sistemas de IA académicos: ICE y Veritas
Para lo que sigue, reutilizo contenidos de mi autoría previamente publicados en la revista académica BiD (ver la sección Para saber más).
La función de Veritas es aportar un marco de trabajo que permita utilizar contenidos generados por una IA generativa en trabajos académicos que sea compatible con la ética de l IA en la academia. Veritas se compone de cuatro acciones que, si las miramos bien, en realidad son características del buen hacer académico habitual. Son las siguientes:
- Verificar
- Evaluar
- Atribuir
- Editar
El desarrollo de los elementos de Veritas es como sigue:
- Verificar las fuentes. Debe comprobarse cualquier fuente candidata a ser usada y citada, si se reputa de interés para el trabajo académico. Esta verificación incluye la totalidad de las referencias de interés, ya sea para apoyar ideas o alguna clase de datos que pensemos manejar en nuestro trabajo.
- Evaluar los constructos (ideas, conceptos, modelos, explicaciones, etc.) presentados por la IA, mediante pensamiento crítico. En esta evaluación, el autor (el doctorando, p.e.) no solo debe asegurarse de captar la esencia de los mismo, sino que debe ponerlos en relación con los conocimientos previos del investigador en su materia, así como con otros elementos de su marco teórico o conceptual.
- Atribuir las ideas de terceros. Cualquier idea o contenido valioso que el investigador consiga de las dos operaciones previas, deben ser atribuidos a las fuentes originales (a los autores humanos, no a la IA) en la medida que considere incorporarlos a su trabajo. Las atribuciones se harán o bien por explicación o parafraseo (más la cita parentética adecuada) o bien por cita literal (marcando y delimitando el fragmento literal más la cita parentética).
- Editar el contenido para garantizar su coherencia. Cualquier contenido producido con asistencia de una IA, salvo las citas literales, debe ser editado por el autor para generar un discurso coherente, unificar la escritura y dotar a toda la narrativa de su trabajo de una voz propia. Esto, además de dotar a la tesis de un estilo coherente, garantiza que el autor ha asumido su responsabilidad y está en condiciones de explicar todos los conceptos que ha manejado en su trabajo.
La filosofía que sustenta Veritas la denomino interacción crítica escalonada (ICE). Es equivalente al importante principio denominado HITL, por la expresión human-in-the-loop, pero creo que más expresiva. HITL es un concepto procedente de la ingeniería de la IA, y sostiene que la persona interviene activamente siempre en el ciclo de funcionamiento de un sistema de IA para supervisar, corregir y tomar las decisiones clave.
ICE implica que el autor no se limita a usar contenidos generados por una IA de forma pasiva, o “por copiar y pegar”. De hecho, es lo diametralmente opuesto a estas dos cosas. Es también la única forma segura de mitigar o incluso anular la deuda cognitiva. Recordemos que se genera deuda cognitiva cuando una persona humana delega funciones intelectuales o cognitivas avanzadas a una IA. El problema principal es que, de la deuda cognitiva pasamos a la atrofia cognitiva. No parece algo que pueda desear un investigador en formación (ni tampoco un senior).
La relación entre la ICE y Veritas es como sigue: la primera (ICE) es la filosofía general que debe presidir el uso de la IA en la academia (tal vez el uso de la IA en general); la segunda (Veritas) es una de las formas operativas en las cuales se puede concretar. Un desarrollo comprensivo del significado y las implicaciones de ICE es como sigue:
- Interacción. Implica que el investigador no toma los resultados de una IA de forma pasiva. Por el contrario, interactúa tanto con la IA como con sus resultados. Con la IA cuestionando sus resultados y repreguntando, redirigiendo sus respuestas, etc. Con los resultados usando el escrutinio.
- Crítica. La interacción anterior debe estar guiada por el pensamiento crítico, lo que obliga al investigador a aplicar, entre otras cosas, marcos de actuación como Veritas.
- Escalonada. Es escalonada porque procede por fases, en función de las necesidades de uso de la IA y de las acciones de verificación, etc., que se deben realizar, de las repreguntas, etc. También implica que el investigador está dispuesto a invertir esfuerzo intelectual en procesos de verificación, etc.
Por otro lado, el uso significativo de la IA en un trabajo académico, debe ser declarado tanto de forma transparente como trazable. Aquí corresponde señalar que este punto no procede del uso de la IA, sino de la buena práctica habitual de cualquier trabajo académico, más aún de trabajos evaluativos donde los autores deben declarar los métodos por los cuales han obtenido sus resultados. Pero esta declaración en sí misma, responde al principio de la transparencia, necesario pero no suficiente. Cuando usamos una metodología de forma significativa debemos aportar además datos de trazabilidad.
En este punto, lo que corresponde al autor es aplicar la normativa de declaración que le afecte. En el caso de las universidades, en concreto, pueden tener guías y normativas al respecto en, p.e., sus programas de doctorado o de máster. En cambio, si se trata de un artículo científico, lo razonable es atender a las guías que proporciona cada revista.
Un procedimiento general puede consistir en declarar el uso de la IA en el apartado de metodología o en una sección específica de “Uso de la IA” (a) detallando el uso concreto, (b) explicando como se aplicó la supervisión por parte del autor (p.e., con Veritas), y (c) facilitando datos de la IA, y si se juzga conveniente (d) complementando la declaración con datos de trazabilidad tales como reproducir los prompts y las respuestas literales de la IA en un anexo o como parte del data set. El lector interesado tiene algunas fuentes en las referencias de esta Tribuna.
¿Cómo he usado la IA en este artículo?
Ni una línea de este artículo la ha escrito una IA. Ni una línea. Y he disfrutado de cada línea que he escrito, buena o mala, con mi esfuerzo intelectual.
Uso la IA sistemáticamente para aprender y entrenar mis pobres capacidades cognitivas. Pero levanto un muro cuando llega el momento de la escritura.
Conclusiones
Hemos mostrado la forma de utilizar los espacios de trabajo o Workspaces en Undermind. Se trata de una de las IA académicas más eficientes que conozco tanto en la búsqueda como en la generación de informes como en la asistencia a la escritura.
Tiene un modo de trabajo basado en la interacción dialógica, lo que no gustará a quienes persiguen resultados rápidos y que no les pidan pensar. Pero sin duda esta es una de sus mayores fortalezas, a juzgar por la calidad de sus resultados.
Pese al uso dialógico al que me he referido, el 99% del resultado corresponde a Undermind, al menos en mi experiencia de uso. Es por tanto, un arma de doble filo. Bien usado, Undermind acelera procesos. Mal usado es una oportunidad de plagio y de degradación cognitiva (sin duda, a pesar de Undermind).
Cabe señalar que Undermind es una IA simplemente formidable. Si no es la mejor, es una de las mejores. He disfrutado de cada minuto de uso de esta IA. Pero también creo que necesita mejoras de usabilidad. No dudo que las implantarán. Han demostrado su capacidad para ello.
Lo que es seguro es que los trabajos académicos evaluativos basados en la producción de textos e informes están en crisis. Ahora es previsible que una fracción cada vez mayor de esta clase de trabajos se harán mediante IA y esto tiene el potencial de cambiarlo todo.
Esto no implica que los profesores ya no puedan evaluar en base a informes, sino que deberán asegurar que el uso de la IA no ha interferido en la adquisición de habilidades y competencias de los estudiantes. Hay formas de hacerlo, pero la escritura académica ha cambiado para siempre.
Anexo: informe de Undermind sobre calidad periodística
Dado que no puedo compartir la página web con el informe de Undermind, subo el PDF generado a partir de su informe, para los interesados ya sea en el tema de la calidad periodística, ya sea para testar la calidad de esta IA.
Precauciones:
- Los contenidos generados por una IA pueden contener errores.
- No recomiendo citar estos informes de modo directo. En su lugar, se pueden usar para explorar y aprender sobre un tema. Si el usuario luego quiere reutilizar algo en un escrito propio debe buscar las referencias originales, verificarlas, y citar la fuente original (no a la IA). Debe explicar que se basó inicialmente en un informe de una IA si tal uso ha sido significativo.
- No se deben copiar y pegar partes de este informe en otros trabajos como si fueran contenidos propios. Sería plagio.
- No se puede copiar y pegar las referencias de este informe por IA, en otro informe. No se debe citar ni una sola referencia sin antes acceder a la misma y verificarla.
Para saber más
Referencia utilizada para el apartado ICE y Veritas
- Codina, Lluís (2025). «Uso ético y eficiente de la inteligencia artificial en trabajos académicos: Veritas e interacción crítica escalonada». BiD, 55. https://doi.org/10.1344/BID2025.55.01
Otras entradas relacionadas
- IA y escritura en la academia: deja que la IA escriba por ti si quieres arruinar tus capacidades cognitivas
- Entradas sobre inteligencia artificial en la academia
- LeapSpace: la nueva IA académica de Elsevier que lo puede cambiar todo
- Consensus AI para investigadores: de la exploración a la gestión del conocimiento [guía de uso]
- Smart Search: la nueva opción de búsqueda con IA de Web of Science