AI Literacy
La alfabetización en IA es el conocimiento y el criterio necesarios para comprender, cuestionar y utilizar bien la IA. Competencias básicas, marcos educativos y artículo 4 del Reglamento de IA de la UE.
La alfabetización en IA es el conocimiento y el criterio que necesitas para utilizar bien la inteligencia artificial: comprender de forma práctica cómo generan sus resultados los sistemas de IA, adquirir el hábito de evaluar esos resultados de forma crítica y saber cuándo confiar en ellos. Al igual que la lectura o el cálculo, es una competencia general para cualquiera que encuentre IA en el trabajo, en el centro educativo o en casa, y no requiere saber crear ni programar modelos. El artículo de CHI de 2020 de Duri Long y Brian Magerko ofreció una definición muy citada: las competencias que permiten evaluar la IA de forma crítica, comunicarse y colaborar con ella y utilizarla como herramienta.
Una persona alfabetizada en IA sabe que una respuesta fluida de un chatbot puede seguir siendo incorrecta, que un sistema de reconocimiento facial puede rendir peor con unos grupos que con otros, que un vídeo realista puede ser un deepfake y que compartir documentos confidenciales con un asistente en línea puede exponerlos. Estos conocimientos se basan en un pequeño conjunto de ideas aplicables a distintas herramientas.
Qué abarca la alfabetización en IA#
La mayoría de los marcos organizan la alfabetización en IA en torno a tres capacidades. Comprender significa saber que los sistemas de aprendizaje automático aprenden patrones a partir de los datos de entrenamiento, por lo que su comportamiento refleja la cobertura y las carencias de esos datos, y que la IA generativa produce textos o imágenes plausibles a partir de patrones aprendidos sin verificar los hechos. Evaluar significa contrastar los resultados con fuentes independientes, reconocer las alucinaciones y los sesgos en la IA, y entender que la puntuación de confianza de un modelo es una estimación propia que puede estar mal calibrada. El uso responsable consiste en decidir qué datos compartir, quién revisa las decisiones importantes, cuándo declarar que se ha recibido ayuda de la IA y cuándo no se debe delegar una tarea en la IA.
Para los centros educativos, el Marco de competencias en IA para estudiantes de la UNESCO, publicado en 2024, establece 12 competencias en cuatro dimensiones: mentalidad centrada en el ser humano, ética de la IA, técnicas y aplicaciones de IA, y diseño de sistemas de IA. Cada dimensión progresa desde la comprensión de la IA hasta su aplicación y la creación con ella. El Marco de alfabetización en IA de la OCDE y la Comisión Europea, cuya versión definitiva se publicó en 2026 tras un borrador de 2025, agrupa las competencias en cuatro ámbitos: interactuar con la IA, crear con ella, gestionarla y darle forma. Además, sirve de base para la primera evaluación PISA de alfabetización mediática y en IA de 2029. Hay conceptos relacionados que se solapan: la alfabetización en datos abarca la interpretación de datos y estadísticas, la alfabetización digital abarca el uso general de la tecnología, y la ingeniería de prompts es una competencia práctica dentro de la alfabetización en IA.
Alfabetización en IA en el trabajo y Reglamento de IA de la UE#
La alfabetización en IA en el lugar de trabajo pasó a ser una cuestión jurídica en la Unión Europea cuando el artículo 4 del Reglamento de IA de la UE empezó a aplicarse el 2 de febrero de 2025. El Reglamento define la alfabetización en IA como las competencias, los conocimientos y la comprensión que permiten a los proveedores, los responsables del despliegue y las personas afectadas tomar decisiones informadas sobre el despliegue de sistemas de IA y conocer sus oportunidades, riesgos y posibles daños. Según la modificación introducida por el Digital Omnibus sobre IA en julio de 2026, el artículo 4 exige que las organizaciones que proporcionen o desplieguen sistemas de IA adopten medidas para fomentar la alfabetización en IA del personal y de otras personas que operen esos sistemas en su nombre, teniendo en cuenta sus conocimientos técnicos, experiencia y formación, así como el contexto de uso del sistema, sin tener que garantizar un nivel específico de alfabetización para ninguna persona. La obligación abarca todos los sistemas de IA, independientemente de su categoría de riesgo, lo que la convierte en uno de los requisitos más amplios del Reglamento.
El artículo 4 no prescribe ningún plan de estudios ni certificado, así que las organizaciones suelen adaptar la formación a cada puesto, llevar un registro e integrarla en su programa de gobernanza de IA. Un agente de soporte que usa un chatbot necesita saber detectar respuestas inventadas y qué datos de clientes deben mantenerse fuera de los prompts, lo que también reduce la IA en la sombra. Un ingeniero de calidad que trabaja con una línea de inspección automatizada necesita comprender los falsos positivos, los falsos negativos y cómo los ajustes de umbral determinan el equilibrio entre ambos. Los responsables que aprueban despliegues de IA necesitan conocimientos suficientes para preguntar cómo se ha evaluado un sistema y con qué datos.
Desarrolla la alfabetización en IA con prácticas#
La alfabetización se desarrolla más deprisa cuando se experimenta directamente con un modelo que acierta, se equivoca y duda. Ejecutar un modelo Ultralytics YOLO26 preentrenado de detección de objetos en una foto con dos umbrales de confianza hace tangible el equilibrio entre precisión y recall:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")Con un umbral de 0,1, el modelo detecta cinco personas, incluida una segunda caja de baja confianza sobre el mismo peatón parcialmente visible, además de una «señal de stop» que en realidad es una señal de prohibido aparcar. Con 0,7, conserva el autobús y las tres personas claramente visibles, pero omite al peatón cortado por el borde izquierdo. Comparar las dos imágenes guardadas muestra que el umbral determina el tipo de error del sistema —las falsas alarmas y las omisiones que contabiliza una matriz de confusión— y que el ajuste adecuado depende de si, en una aplicación concreta, cuesta más omitir un objeto o generar una falsa alarma.
El mismo ejercicio puede realizarse sin código con alumnos más jóvenes en la educación en IA: clasificar las fotos que el modelo ha etiquetado correctamente y separarlas de las que ha etiquetado mal, y luego hablar de los motivos, fomenta el hábito de preguntar en qué pruebas se basa un resultado de IA.










