Imagina escuchar un podcast sobre una noticia que vos mismo escribiste y darte cuenta, de a poco, de que la inteligencia artificial está contando una historia diferente a la tuya.
Es exactamente lo que pasó cuando algunos periodistas probaron NotebookLM, la herramienta de Google que transforma artículos escritos en episodios de podcast generados por IA. La propuesta es interesante: hacer que el consumo de noticias sea más accesible para quienes aprenden mejor escuchando que leyendo. Pero lo que los reporteros encontraron en la práctica fue una mezcla curiosa de impresionante, desconcertante y, en algunos momentos, preocupante.
La IA sonó demasiado humana en los primeros minutos, después empezó a inventar detalles, dramatizar historias tranquilas, ignorar partes enteras de los reportajes y hasta cambiar el tono de notas que tenían un humor muy específico. Todo esto plantea una cuestión que va más allá de la tecnología en sí: cuando una herramienta decide qué es importante en una noticia, arrastra consigo sus propios criterios, limitaciones y, claro, los sesgos integrados en el modelo. Y ahí la cosa es más complicada de lo que parece. 🎙️
Cuando la IA decide contar la historia a su manera
NotebookLM fue desarrollado para ser una especie de asistente inteligente de lectura y organización de contenido. Entre sus funciones está la capacidad de tomar un texto, ya sea un artículo de diario, un reportaje investigativo o una nota corta, y transformar todo eso en un episodio de podcast con dos presentadores virtuales conversando sobre el tema. La voz es fluida, el ritmo es dinámico, y en los primeros minutos casi te olvidás de que estás escuchando una máquina. Es técnicamente impresionante, no hay forma de negarlo.
Vale recordar que esta no es la primera experiencia de este tipo. Recientemente, Google ya había puesto a prueba la conversión de reportajes escritos en videos al estilo TikTok, y la nueva ronda de pruebas con podcasts de NotebookLM solo confirma un patrón. Los periodistas describieron los resultados con palabras como sorprendente, aburrido y explicativo. Es decir: la tecnología entrega un envoltorio seductor, pero el contenido de adentro no siempre se corresponde con lo que fue reportado originalmente.
El problema empieza cuando la herramienta va más allá de simplemente narrar lo que está escrito. Periodistas que probaron el sistema relataron situaciones en las que la inteligencia artificial agregó información que no estaba en el texto original, creó contextos que no existían en el reportaje y, en algunos casos, alteró completamente el tono de la nota. Una noticia escrita con ironía se convirtió en un análisis serio y denso. Un reportaje equilibrado sobre un tema delicado ganó un drama que el reportero nunca quiso ponerle. Y lo más curioso: la IA hizo todo esto con una confianza narrativa que hacía muy difícil percibir dónde terminaba el contenido original y dónde empezaba la invención.
Esto no es un error aislado. Es una característica estructural de cómo funcionan los grandes modelos de lenguaje. No leen un texto de la misma forma que lo lee un humano. Identifican patrones, asocian conceptos y reconstruyen una versión del contenido basada en lo que aprendieron durante el entrenamiento. Cuando ese proceso encuentra un vacío, el modelo lo rellena con lo que estadísticamente tiene más sentido, aunque eso signifique inventar un detalle o reinterpretar una intención editorial que al periodista le llevó horas construir con cuidado.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Cómo la IA decide qué entra en el podcast
Según Parsa Hejabi, doctorando en ciencias de la computación en el laboratorio de moralidad y lenguaje de la Universidad del Sur de California, el audio puede ser una herramienta bastante útil. Pero transformar un artículo en otro formato usando inteligencia artificial puede introducir sesgo, emoción o fallas de comunicación. Y esto sucede porque todo ese proceso es lo que él llama pipeline, una secuencia de etapas en la que cada fase tiene su propia forma de fallar.
De manera general, la IA empieza extrayendo la información principal del material original. Después filtra los datos y prioriza los puntos que considera más relevantes. En la tercera etapa entra la construcción de la narrativa, cuando los fragmentos seleccionados se convierten en guion, con transiciones, explicaciones y conclusiones. Por último, la tecnología de conversión de texto a voz produce la voz del presentador o narrador.
El detalle es que cada etapa puede generar distorsiones. La extracción puede perder información importante. La priorización puede darle peso excesivo a una perspectiva o destacar detalles equivocados. Y la fase de construcción de la narrativa puede inventar conexiones nuevas o metáforas irrelevantes. Como resumió Hejabi, la voz, la música, el ritmo o los elementos visuales pueden introducir una carga emocional que simplemente no existía en el material original. Y esa dimensión extra es justamente lo que abre espacio para el sesgo y para la pérdida de precisión.
Lo que los periodistas encontraron en la práctica
Los relatos de los reporteros que probaron NotebookLM ilustran muy bien estos problemas. Gabriela Flores, reportera freelance del medio The Wave, contó que al principio se asustó de lo humana que sonaba la voz, con pausas y risitas repartidas a lo largo de la conversación. Pero bastaron unos minutos para que se diera cuenta de que se trataba de una máquina. El podcast explicó bien la primera mitad de su reportaje, sobre el enfoque del alcalde de Nueva York respecto a dos grandes proyectos de infraestructura, pero terminó enfocándose en solo uno de ellos y adoptando la perspectiva de los manifestantes.
Peor aún: la IA afirmó que una nueva línea de tren conectaría una zona geográficamente aislada, algo que no es cierto, ya que la zona de Queens está bastante conectada. La herramienta también usó expresiones exageradas, como describir la decisión del alcalde como echar concreto sobre una cápsula del tiempo, inventando motivaciones que no estaban en ninguna parte de la nota. Para Flores, es una situación resbaladiza y peligrosa dejar que la IA dé opiniones propias sobre las intenciones de alguien.
Miranda Dunlap, reportera de educación de Open Campus, tuvo una experiencia parecida. Su reportaje sobre una comunidad afectada por inundaciones ganó un tono de asombro constante a lo largo de los 18 minutos de audio, además de digresiones que ella nunca escribió, como una sobre que los seguros contra desastres son una estafa. La IA incluso agregó información sobre mecánica de inundaciones y desarrollo urbano que venía de fuera del texto original. Lo que más le molestó, según ella, es que el tiempo ahorrado es ilusorio, porque necesita revisar todo de nuevo para verificar si cada afirmación es correcta.
Por su parte, Emanuel Maiburg, del 404 Media, criticó principalmente la demora del podcast para ir al grano. En el periodismo escrito, el lector entiende la esencia de la historia desde el título, pero el audio recién llegaba al tema principal después de cuatro minutos de comentarios vacíos y explicaciones que daban vueltas. Él cree que esto pasa porque la herramienta está entrenada con podcasts populares llenos de charla, algo que no tiene sentido desde el punto de vista de la eficiencia informativa. Y su reportaje, que tenía un humor específico sobre una mascota del Vaticano, se convirtió en una pieza que ridiculizaba a la iglesia, cambiando completamente el tono original.
No todo es problema: cuando la IA acierta
Curiosamente, no todas las experiencias fueron negativas. Jessica Craig, epidemióloga y reportera de salud, quedó impresionada con la forma en que el podcast resumió un tema científico complejo sobre cómo los padres toman decisiones de vacunación para sus hijos. Según ella, la herramienta no simplificó de más ni intentó empujar al oyente hacia una conclusión específica, respetando las diferentes perspectivas que ella había incluido a propósito en el reportaje.
Craig incluso elogió algunas metáforas creadas por la IA para explicar conceptos técnicos, como la comparación del sistema inmunológico con un guardia de seguridad somnoliento que puede ser despertado por una sirena presente en las vacunas. Fue una forma creativa y didáctica de traducir algo complicado. Aun así, admitió que la sensación de escuchar a alguien que no existe hablando con tanta intimidad sobre tu propio trabajo es extraña y difícil de procesar.
Precisión y sesgo: las dos caras de un mismo problema
La cuestión de la precisión en los contenidos generados por inteligencia artificial ya es un debate viejo en el sector tecnológico, pero adquiere una dimensión nueva cuando hablamos de periodismo. En otras áreas, un dato inventado por una IA puede corregirse antes de causar daño. En el periodismo, una información errónea distribuida en formato de podcast, con una voz agradable y una narrativa envolvente, tiene un poder de persuasión enorme. Las personas tienden a confiar más en lo que escuchan que en lo que leen, especialmente cuando el audio suena natural y bien producido.
Pero la imprecisión factual es solo la mitad del problema. La otra mitad se llama sesgo. Todo modelo de lenguaje se entrena con una enorme cantidad de datos, y esos datos reflejan los prejuicios, preferencias y vacíos del mundo real. Cuando la IA decide que una parte de un reportaje es menos importante que otra, no lo está haciendo con base en criterios editoriales humanos conscientes. Lo está haciendo con base en los patrones que aprendió, que muchas veces priorizan contenido dramático, conflictivo o emocionalmente cargado, simplemente porque ese tipo de contenido aparece más en los datos de entrenamiento.
El resultado práctico de esto es que la narrativa generada por la IA puede distorsionar la realidad de un reportaje de maneras sutiles pero significativas. Una nota sobre una política pública exitosa puede convertirse en una historia sobre burocracia y obstáculos, porque el conflicto vende más que el éxito. Una entrevista cuidadosa con múltiples perspectivas puede resumirse en una sola visión, porque el modelo entendió esa como la perspectiva dominante. Estos deslices no son intencionales, pero sí son sistemáticos. Y lo sistemático es mucho más difícil de detectar y corregir que lo accidental. 🤖
Qué significa esto para quien consume noticias en podcast
Para el oyente común, que quizás no sepa que ese episodio fue generado por inteligencia artificial, la experiencia puede ser bastante engañosa. La voz suena humana, el contenido parece organizado y bien fundamentado, y no hay ninguna indicación clara de que partes de esa conversación fueron literalmente inventadas por el modelo. Esto coloca al consumidor en una posición vulnerable, especialmente en un momento en que la desinformación ya es un problema gigantesco en el ecosistema de medios digitales.
La transparencia sobre el uso de IA en la producción de contenido periodístico es un punto que todavía se está negociando entre medios, plataformas y reguladores en todo el mundo. Algunas publicaciones ya adoptaron políticas de divulgación obligatoria cada vez que un texto o audio pasó por generación automatizada. Otras todavía operan en una zona gris, donde la IA se usa como herramienta de apoyo, pero la línea entre asistencia y autoría se vuelve cada vez más difusa. El podcast generado automáticamente es un ejemplo claro de dónde esa línea puede desaparecer por completo si no hay criterios bien definidos.
Herramientas que usamos a diario
Además, existe el impacto directo sobre los propios periodistas. Cuando una IA toma tu trabajo y lo presenta de una forma diferente, con detalles que no escribiste y un tono que no elegiste, eso plantea cuestiones serias sobre autoría, integridad editorial y responsabilidad. Si alguien escucha ese podcast y toma una decisión con base en una información que la IA inventó, ¿quién responde por eso? ¿El periodista cuyo texto sirvió de base? ¿La empresa que hizo la herramienta? ¿La plataforma que alojó el contenido? Estas preguntas todavía no tienen respuestas claras, y mientras el debate no avanza, la tecnología sigue usándose a gran escala. 🎧
La narrativa automática y los límites de lo que la IA entiende
Uno de los puntos más fascinantes, y al mismo tiempo más problemáticos, de esta discusión es lo que la inteligencia artificial simplemente no logra capturar en una narrativa. El periodismo de calidad se construye con capas: lo que está escrito, lo que está entre líneas, el contexto cultural, el timing de la publicación, la intención del reportero al elegir determinadas palabras. Un buen texto periodístico lleva decisiones editoriales en cada coma. La IA, por más sofisticada que sea, no tiene acceso a esas capas. Ve la superficie e trata de reconstruir lo que imagina que hay debajo.
Esto se vuelve aún más evidente en notas que dependen del humor, la ironía o el sarcasmo. Esos recursos son profundamente culturales y contextuales. Un chiste que tiene sentido para un público específico puede sonar ofensivo o simplemente sin gracia para otro. Una IA entrenada principalmente en inglés, por ejemplo, tiene dificultades reales para capturar los matices del humor latinoamericano, que es extremadamente regional, histórico y cargado de referencias que no existen en otros idiomas. Cuando NotebookLM toma un reportaje con humor y lo transforma en un episodio serio de podcast, no es un descuido, es una limitación estructural del modelo.
Y la precisión de la narrativa también sufre cuando el modelo intenta simplificar contenidos complejos para un formato de audio más dinámico. Explicaciones técnicas, datos estadísticos y argumentaciones con múltiples variables frecuentemente se aplanan en frases simples que pierden buena parte de la profundidad original. Para un oyente que ya conoce el tema, esto puede parecer superficial. Para alguien que está teniendo su primer contacto con ese asunto, puede crear una comprensión incompleta o incluso equivocada de la realidad, sin que tenga ninguna forma de darse cuenta. Ese es tal vez el sesgo más silencioso de todos: el de la simplificación que parece claridad, pero esconde complejidad. 🔍
Lo que el oyente debe tener presente
Al final de cuentas, el consejo más importante de quienes estudian estos sistemas es simple y vale oro. Según Hejabi, es fundamental recordar la primera etapa del proceso, aquella en la que el modelo elige lo que considera importante. Esos puntos pueden no ser tan relevantes como parecen, porque cada modelo carga pesos, valores y prioridades propios, que varían entre empresas, áreas de conocimiento y productos.
También refuerza que los contenidos generados pueden sonar plausibles en general, pero aun así contener imprecisiones. Por eso, la verificación es la fase más importante que cualquier usuario debería adoptar, sin importar cuánto confíe en el sistema o cuánta prisa tenga. Aceptar la salida de una IA de forma ciega es justamente lo que no debe pasar. Es decir: usá la herramienta como punto de partida, pero nunca como punto final. La curiosidad crítica sigue siendo la mejor defensa que tenemos contra la desinformación, incluso cuando llega con una voz simpática y un guion bien cuidado. 😉
