No basta con abrir el modelo. El sistema que se construye a su alrededor tambi\u00e9n tiene que poder verificarse.<\/p>\n\n\n\n
Empec\u00e9 mi carrera en el mundo de la inform\u00e1tica cuando internet todav\u00eda no era un conjunto de plataformas en las que pasar el rato, sino una infraestructura por explorar, entender y ayudar a construir. No hab\u00eda cursos en v\u00eddeo que se vendieran con una cuenta atr\u00e1s, ni influencers tecnol\u00f3gicos, ni asistentes de IA que respondieran con seguridad a preguntas sobre las que no ten\u00edan ni idea. Hab\u00eda documentaci\u00f3n t\u00e9cnica, listas de correo, grupos de noticias, preguntas frecuentes, repositorios y gente que compart\u00eda libremente lo que hab\u00eda aprendido.<\/p>\n\n\n\n
Como gran parte de mi formaci\u00f3n fue autodidacta, ese conocimiento compartido no solo me ayud\u00f3 a adquirir nuevas habilidades, sino que tambi\u00e9n marc\u00f3 mi identidad profesional. Con los a\u00f1os, intent\u00e9 devolver algo de lo que hab\u00eda recibido: escribiendo gu\u00edas sobre internet y realidad virtual, cuando ambos mundos todav\u00eda parec\u00edan territorios por explorar; manteniendo preguntas frecuentes sobre Linux; colaborando en proyectos de c\u00f3digo abierto y dedic\u00e1ndome al periodismo tecnol\u00f3gico. Durante un tiempo, incluso fui lo que entonces se llamaba, sin ning\u00fan tipo de iron\u00eda, un evangelista del c\u00f3digo abierto.<\/p>\n\n\n\n
Mirar atr\u00e1s ahora me produce cierta nostalgia. No por los m\u00f3dems ruidosos ni por tener que compilar configuraciones a mano, sino por la idea de que el conocimiento t\u00e9cnico pod\u00eda ser un bien compartido: algo que cualquiera pod\u00eda recibir, mejorar y volver a poner en circulaci\u00f3n. Aquella idea no era solo un gesto generoso. Era uno de los mecanismos que hac\u00edan posible la innovaci\u00f3n.<\/p>\n\n\n\n
Este art\u00edculo recorre el camino desde el internet abierto en el que crec\u00ed, pasando por los algoritmos cerrados de las grandes plataformas, hasta llegar a los modelos de IA con pesos abiertos de hoy. A partir de ah\u00ed, quiero cambiar el enfoque de la pregunta: no se trata solo de saber hasta qu\u00e9 punto es abierto un modelo, sino de comprobar hasta qu\u00e9 punto se puede verificar el sistema que se construye a su alrededor. Utilizar\u00e9 la IA en la educaci\u00f3n y un marco de trabajo llamado L\u00d7M\u00d7C como ejemplos concretos, para terminar con una propuesta m\u00e1s amplia sobre c\u00f3mo aplicar la gobernanza de c\u00f3digo abierto a los sistemas de IA.<\/p>\n\n\n\n
Internet creci\u00f3 gracias a protocolos p\u00fablicos, est\u00e1ndares interoperables, software abierto y comunidades distribuidas. Nadie necesitaba el permiso de un propietario central para crear un nuevo servicio basado en HTTP, TCP\/IP, SMTP o DNS. Y no solo eran abiertos los protocolos: tambi\u00e9n lo era el software que los implementaba.<\/p>\n\n\n\n
La apertura no elimin\u00f3 los conflictos ni impidi\u00f3 que aparecieran grandes actores dominantes, pero evit\u00f3 que una sola organizaci\u00f3n pudiera decidir unilateralmente c\u00f3mo deb\u00eda evolucionar toda la red.<\/p>\n\n\n\n
Con la llegada de las grandes plataformas sociales, las cosas cambiaron. Los fundamentos t\u00e9cnicos de internet siguieron siendo, en gran medida, abiertos, mientras que los sistemas que decid\u00edan qu\u00e9 ve\u00edamos, qu\u00e9 contenidos ganaban visibilidad, qu\u00e9 relaciones se nos suger\u00edan y qu\u00e9 comportamientos se premiaban se volvieron propietarios, opacos y cambiantes.<\/p>\n\n\n\n
Una red construida sobre protocolos abiertos acab\u00f3 gobernada por sistemas de decisi\u00f3n cerrados. Y esos sistemas no se limitaban a organizar informaci\u00f3n: tambi\u00e9n moldeaban el entorno cognitivo y social en el que millones de personas pasan cada vez m\u00e1s tiempo.<\/p>\n\n\n\n
El caso de Cambridge Analytica hizo visible una parte de este problema para el gran p\u00fablico. No fue simplemente una consecuencia del c\u00f3digo cerrado, sino una demostraci\u00f3n de c\u00f3mo los datos personales, los sistemas de elaboraci\u00f3n de perfiles, la publicidad y la l\u00f3gica opaca de las plataformas pod\u00edan combinarse para influir a gran escala en la pol\u00edtica y la sociedad.<\/p>\n\n\n\n
Desde entonces, se han acumulado pruebas sobre los efectos negativos que ciertos patrones de uso de las redes sociales pueden tener en los j\u00f3venes. El director general de Salud P\u00fablica de Estados Unidos ha citado datos que indican que los adolescentes que pasan m\u00e1s de tres horas al d\u00eda en redes sociales tienen aproximadamente el doble de riesgo de sufrir problemas de salud mental. Estudios m\u00e1s recientes tambi\u00e9n apuntan a efectos importantes sobre la ansiedad, la depresi\u00f3n y el bienestar, especialmente entre las chicas.<\/p>\n\n\n\n
El problema ya no se limita al \u00e1mbito de la investigaci\u00f3n. En 2026, jurados estadounidenses declararon responsables a Meta y a Google\/YouTube en casos relacionados con la protecci\u00f3n de menores, reconociendo su responsabilidad por elementos de dise\u00f1o como el desplazamiento infinito, la reproducci\u00f3n autom\u00e1tica, las notificaciones y los algoritmos de recomendaci\u00f3n.<\/p>\n\n\n\n
Ya hemos visto qu\u00e9 ocurre cuando los sistemas algor\u00edtmicos opacos se optimizan para maximizar la interacci\u00f3n de millones de menores. Repetir ese experimento con la IA, una tecnolog\u00eda todav\u00eda m\u00e1s presente y capaz de interactuar directamente con ellos, ser\u00eda una decisi\u00f3n poco sensata.<\/p>\n\n\n\n
Los legisladores europeos han empezado a centrarse en la arquitectura de las plataformas, no solo en sus contenidos. El Reglamento de Servicios Digitales (DSA) exige que las plataformas accesibles a menores protejan su bienestar, privacidad y seguridad, y proh\u00edbe la publicidad personalizada dirigida a ni\u00f1os. En julio de 2025, la Comisi\u00f3n Europea public\u00f3 directrices espec\u00edficas para la protecci\u00f3n de menores que tambi\u00e9n abordan los sistemas de recomendaci\u00f3n y el dise\u00f1o de las plataformas.<\/p>\n\n\n\n
La cuesti\u00f3n no es que los algoritmos cerrados sean necesariamente perjudiciales y los abiertos, autom\u00e1ticamente \u00e9ticos. Esa conclusi\u00f3n ser\u00eda tranquilizadora, sencilla y falsa. El verdadero problema es que llevamos a\u00f1os permitiendo que sistemas dise\u00f1ados para maximizar la atenci\u00f3n y la interacci\u00f3n influyan en el comportamiento de los menores sin que se pueda comprobar p\u00fablicamente qu\u00e9 beneficios han generado, qu\u00e9 riesgos implican o qu\u00e9 m\u00e9tricas han guiado su evoluci\u00f3n.<\/p>\n\n\n\n
En el software tradicional, el c\u00f3digo fuente describe de forma bastante directa c\u00f3mo se comporta un programa. No siempre es sencillo de entender, pero al menos las instrucciones est\u00e1n disponibles.<\/p>\n\n\n\n
Con el aprendizaje autom\u00e1tico, esa relaci\u00f3n se debilita. El comportamiento ya no depende \u00fanicamente del c\u00f3digo, sino tambi\u00e9n de los datos de entrenamiento, la arquitectura del modelo, los procedimientos de entrenamiento, los pesos aprendidos, los criterios de selecci\u00f3n de datos, el ajuste fino, las m\u00e9tricas de evaluaci\u00f3n y un sinf\u00edn de decisiones tomadas durante el desarrollo.<\/p>\n\n\n\n
Con los grandes modelos de lenguaje, el sistema se vuelve todav\u00eda m\u00e1s complejo. Su comportamiento puede depender de los datos y procedimientos de preentrenamiento, la arquitectura y los pesos del modelo, las instrucciones del sistema, las t\u00e9cnicas de alineamiento, los filtros de moderaci\u00f3n, las herramientas externas a las que puede acceder, la l\u00f3gica que coordina sus componentes, los criterios de evaluaci\u00f3n y las actualizaciones continuas del proveedor.<\/p>\n\n\n\n
Publicar el c\u00f3digo de la aplicaci\u00f3n que llama al modelo solo permite ver una peque\u00f1a parte del sistema. Es como publicar el panel de control de un coche y afirmar que con eso ya se ha documentado su motor, su transmisi\u00f3n y sus sistemas de control.<\/p>\n\n\n\n
Publicar \u00fanicamente el c\u00f3digo fuente ya no es suficiente.<\/p>\n\n\n\n
La popularidad de los modelos de pesos abiertos ha generado cierta confusi\u00f3n. Publicar los pesos de un modelo es importante: permite ejecutarlo en una infraestructura propia, analizarlo, ajustarlo y desarrollar nuevas soluciones a partir de \u00e9l sin depender de la API de un proveedor.<\/p>\n\n\n\n
Pero poder descargar los pesos no significa que puedas entender c\u00f3mo se ha construido el modelo. Puede que no est\u00e9n disponibles los datos de entrenamiento, los criterios de selecci\u00f3n, el c\u00f3digo utilizado para entrenarlo, los procedimientos de alineamiento o los resultados de las evaluaciones. Adem\u00e1s, las licencias suelen incluir restricciones de uso.<\/p>\n\n\n\n
La Open Source Initiative (OSI) abord\u00f3 esta cuesti\u00f3n con la definici\u00f3n de IA de c\u00f3digo abierto 1.0 (Open Source AI Definition 1.0). Seg\u00fan esta definici\u00f3n, un sistema solo puede considerarse de c\u00f3digo abierto si garantiza la libertad de utilizarlo, estudiarlo, modificarlo y compartirlo. Para ello, es necesario acceder a los materiales y recursos realmente utilizados para poder introducir cambios en el sistema.<\/p>\n\n\n\n
Disponer de los pesos puede ser parte de esa apertura, pero no basta por s\u00ed solo.<\/p>\n\n\n\n
Una comparaci\u00f3n concreta ayuda a entenderlo. Meta publica los pesos de sus modelos Llama, pero no el c\u00f3digo de entrenamiento ni los datos de preentrenamiento. Adem\u00e1s, su licencia restringe determinados usos cuando se superan los 700 millones de usuarios activos mensuales, una condici\u00f3n que la definici\u00f3n de IA de c\u00f3digo abierto excluye expresamente de su primera libertad.<\/p>\n\n\n\n
OLMo 3, del Allen Institute for AI, sigue un camino diferente: publica los pesos, el c\u00f3digo completo de entrenamiento, los puntos de control intermedios y el conjunto de datos de preentrenamiento Dolma 3, con aproximadamente seis billones de tokens, todo ello bajo la licencia Apache 2.0.<\/p>\n\n\n\n
Con Llama, un investigador independiente puede ejecutar el modelo, pero no reproducirlo ni verificar c\u00f3mo se construy\u00f3. Con OLMo, puede hacer ambas cosas.<\/p>\n\n\n\n
La contradicci\u00f3n se hace todav\u00eda m\u00e1s evidente al observar los modelos de pesos abiertos m\u00e1s competitivos del momento. Kimi, de Moonshot AI; GLM, de Z.ai; y Qwen, de Alibaba, se han acercado mucho a los modelos propietarios en tareas de programaci\u00f3n y razonamiento en 2026.<\/p>\n\n\n\n
Est\u00e1n disponibles gratuitamente, pero ninguno publica de forma sistem\u00e1tica el c\u00f3digo de entrenamiento y los detalles de los datos en el formato que exige la definici\u00f3n de la OSI. Mientras tanto, OLMo, que s\u00ed cumple esos requisitos, sigue siendo un producto de nicho.<\/p>\n\n\n\n
Parece que el ecosistema recompensa mucho m\u00e1s el \u00abgratis como una cerveza\u00bb (free as in beer) que el \u00ablibre como en libertad\u00bb (free as in speech).<\/p>\n\n\n\n
Incluso un modelo de c\u00f3digo abierto de verdad no garantiza que la aplicaci\u00f3n construida sobre \u00e9l sea transparente, segura o est\u00e9 alineada con los intereses de sus usuarios.<\/p>\n\n\n\n
Un sistema de IA se compone de muchas capas: el modelo base; los datos y procedimientos utilizados para adaptarlo; las instrucciones que determinan su comportamiento; la aplicaci\u00f3n en la que se integra; los objetivos que se le asignan; las m\u00e9tricas con las que se eval\u00faa; los procesos para detectar errores y sus consecuencias; y la gobernanza que determina los cambios, las prioridades y las decisiones de compromiso entre distintos objetivos.<\/p>\n\n\n\n
Un modelo abierto puede formar parte de un sistema que optimice criterios completamente opacos. Del mismo modo, un modelo propietario puede impulsar una aplicaci\u00f3n que explique con claridad sus objetivos, limitaciones, m\u00e9tricas y resultados de evaluaci\u00f3n.<\/p>\n\n\n\n
La apertura debe abarcar todo el sistema sociot\u00e9cnico, no solo uno de sus componentes.<\/p>\n\n\n\n
Aqu\u00ed es donde el c\u00f3digo abierto se encuentra con la gobernanza. Ya no basta con preguntar: \u00ab\u00bfPuedo ver el c\u00f3digo?\u00bb. Tambi\u00e9n debemos plantearnos otras cuestiones:<\/p>\n\n\n\n
Estas preguntas son todav\u00eda m\u00e1s importantes en \u00e1mbitos como la sanidad, el empleo, el cr\u00e9dito, la justicia y la educaci\u00f3n.<\/p>\n\n\n\n
En las escuelas es donde la diferencia entre \u00abrendimiento\u00bb y \u00abbeneficio\u00bb se hace m\u00e1s evidente.<\/p>\n\n\n\n
Un sistema de IA generativa puede ser muy eficaz a la hora de dar respuestas correctas, resumir textos, resolver problemas o producir textos bien redactados. Pero el objetivo de la educaci\u00f3n no es simplemente obtener una respuesta correcta.<\/p>\n\n\n\n
Un estudiante puede entregar un trabajo excelente sin haber desarrollado ninguna comprensi\u00f3n real del tema. Obtiene el resultado intelectual sin recorrer el proceso que deber\u00eda haberle permitido alcanzarlo.<\/p>\n\n\n\n
Esto no es un efecto secundario. Es una consecuencia directa del objetivo para el que se dise\u00f1a buena parte de la IA de prop\u00f3sito general: ser \u00fatil, responder r\u00e1pido y reducir el esfuerzo.<\/p>\n\n\n\n
En el trabajo profesional, esto puede aumentar la productividad. En el aprendizaje, eliminar sistem\u00e1ticamente el esfuerzo puede acabar eliminando el propio mecanismo mediante el cual se desarrollan la comprensi\u00f3n, la autonom\u00eda y la capacidad de aplicar lo aprendido a situaciones nuevas.<\/p>\n\n\n\n
Por eso, la verdadera pregunta no es solo qu\u00e9 modelo utilizar en las escuelas, sino qu\u00e9 idea del aprendizaje lleva incorporada el sistema.<\/p>\n\n\n\n
Si esa idea permanece impl\u00edcita y es propiedad exclusiva del proveedor, docentes, familias e instituciones solo pueden valorar lo que ven en la superficie: la facilidad de uso, la rapidez de respuesta, el dise\u00f1o de la interfaz o, quiz\u00e1, la precisi\u00f3n de la informaci\u00f3n.<\/p>\n\n\n\n
No pueden comprobar qu\u00e9 est\u00e1 intentando optimizar realmente el sistema desde el punto de vista cognitivo.<\/p>\n\n\n\n
Este es el problema que aborda L\u00d7M\u00d7C, un marco de trabajo que desarroll\u00e9 como base te\u00f3rica de Proxima ZSP, un sistema de tutor\u00eda socr\u00e1tica basado en IA.<\/p>\n\n\n\n
El marco, su manifiesto y su prepublicaci\u00f3n acad\u00e9mica est\u00e1n disponibles p\u00fablicamente bajo la licencia CC BY 4.0 en lmc.proxima-zsp.it.<\/p>\n\n\n\n
En lugar de evaluar la calidad de una interacci\u00f3n \u00fanicamente por la correcci\u00f3n de la respuesta final, el marco tiene en cuenta tres dimensiones:<\/p>\n\n\n\n
El objetivo de Proxima ZSP no es responder por el estudiante, sino intervenir mediante preguntas, peticiones de explicaci\u00f3n y reformulaciones que le ayuden a construir su propio camino hacia la soluci\u00f3n.<\/p>\n\n\n\n
La cuesti\u00f3n no es afirmar que este marco sea la respuesta definitiva. Esa afirmaci\u00f3n encajar\u00eda bastante mal con la propia l\u00f3gica de la apertura. Lo importante es que es p\u00fablico, se puede criticar y se puede modificar.<\/p>\n\n\n\n
Un docente puede cuestionar c\u00f3mo se define la profundidad del razonamiento. Un investigador puede proponer m\u00e9tricas mejores. Un desarrollador puede crear una implementaci\u00f3n diferente. Un centro educativo puede decidir que algunos criterios no encajan con las necesidades de sus estudiantes.<\/p>\n\n\n\n
La apertura no garantiza que el marco sea correcto. Garantiza algo m\u00e1s importante: que nadie tenga que aceptar su validez por fe.<\/p>\n\n\n\n
En mi propio caso, esta apertura ya ha tenido una consecuencia concreta. Al analizar la m\u00e9trica de metacognici\u00f3n, descubr\u00ed que mezclaba dos cosas distintas: la reflexi\u00f3n espont\u00e1nea y la capacidad de reflexionar cuando alguien te lo pide. Por eso, estoy redefiniendo la m\u00e9trica antes de comenzar el ensayo controlado.<\/p>\n\n\n\n
Ese es precisamente el tipo de proceso que deber\u00eda aplicarse a todos los sistemas de IA: sacar los problemas a la luz, corregir las m\u00e9tricas que no funcionan y permitir que otras personas verifiquen los resultados.<\/p>\n\n\n\n
La transparencia algor\u00edtmica suele tratarse como una cuesti\u00f3n t\u00e9cnica: documentaci\u00f3n, auditor\u00edas, acceso al c\u00f3digo y explicabilidad. Pero la transparencia real empieza con una pregunta anterior: \u00bfqu\u00e9 beneficio afirma generar el sistema?<\/p>\n\n\n\n
Como m\u00ednimo, cualquier sistema algor\u00edtmico dirigido a menores deber\u00eda hacer p\u00fablicos los siguientes aspectos:<\/p>\n\n\n\n
No deber\u00eda bastar con demostrar que una tecnolog\u00eda no incumple formalmente una norma. Quien introduzca un sistema en la vida de los ni\u00f1os deber\u00eda tener que explicar qu\u00e9 beneficio pretende generar y demostrar c\u00f3mo va a medirlo a lo largo del tiempo.<\/p>\n\n\n\n
El Reglamento de IA de la UE ya exige transparencia, gesti\u00f3n de riesgos y documentaci\u00f3n para determinadas categor\u00edas de alto riesgo. Por su parte, el Reglamento de Servicios Digitales obliga a las grandes plataformas a evaluar y mitigar los riesgos sist\u00e9micos, incluidos los que afectan a los menores.<\/p>\n\n\n\n
Son pasos importantes, pero el debate debe ir m\u00e1s all\u00e1 de \u00abevitar da\u00f1os demostrables\u00bb y avanzar hacia los \u00abbeneficios demostrables\u00bb.<\/p>\n\n\n\n
Entre no causar un da\u00f1o evidente y producir un beneficio real hay un espacio enorme. Y es precisamente en ese espacio donde opera hoy gran parte de la tecnolog\u00eda educativa.<\/p>\n\n\n\n
La gobernanza de c\u00f3digo abierto aplicada a la IA no significa obligar a todas las empresas a publicar indiscriminadamente sus datos, secretos comerciales y propiedad intelectual.<\/p>\n\n\n\n
Significa construir sistemas en los que los objetivos, los criterios de evaluaci\u00f3n, las limitaciones y los procesos de toma de decisiones puedan examinarse. Y permitir que la comunidad participe no solo en la escritura del software, sino tambi\u00e9n en la definici\u00f3n de lo que ese software deber\u00eda hacer.<\/p>\n\n\n\n
No partimos de cero.<\/p>\n\n\n\n
Las Model Cards, propuestas en 2019, establecen una forma estandarizada de documentar los datos, las limitaciones y los usos previstos de un modelo. La definici\u00f3n de IA de c\u00f3digo abierto de la OSI, mencionada anteriormente, persigue un objetivo similar.<\/p>\n\n\n\n
Desde 2023, el Foundation Model Transparency Index de Stanford eval\u00faa la transparencia de los principales desarrolladores de modelos. Los resultados de 2025 son reveladores: la puntuaci\u00f3n media cay\u00f3 de 58 a 40 sobre 100 en un solo a\u00f1o, revirtiendo los avances anteriores. Meta pas\u00f3 de 60 a 31 puntos y Mistral, de 55 a 18. Las empresas chinas, evaluadas por primera vez en 2025, quedaron en la mitad inferior de la clasificaci\u00f3n.<\/p>\n\n\n\n
Las herramientas para medir la transparencia ya existen y est\u00e1n dando resultados. Sin embargo, la transparencia de la industria est\u00e1 empeorando, no mejorando.<\/p>\n\n\n\n
El problema no es que falten m\u00e9tricas, sino que nadie est\u00e1 obligado a obtener una buena puntuaci\u00f3n para seguir operando.<\/p>\n\n\n\n
Adem\u00e1s, necesitamos protocolos p\u00fablicos de evaluaci\u00f3n, pruebas de referencia (benchmarks) que midan algo m\u00e1s que el rendimiento bruto, conjuntos de datos documentados y verificables, herramientas de auditor\u00eda independientes, especificaciones abiertas para sistemas de gran impacto, comunidades multidisciplinares en las que participen desarrolladores, investigadores, docentes, abogados y usuarios, y mecanismos de gobernanza que permitan sacar a la luz los conflictos de intereses y las decisiones tomadas.<\/p>\n\n\n\n
La comunidad del c\u00f3digo abierto no necesita entrenar en un garaje el pr\u00f3ximo modelo fundacional de cien mil millones de par\u00e1metros. Para eso har\u00edan falta cantidades poco habituales de GPU, energ\u00eda y capital.<\/p>\n\n\n\n
Pero s\u00ed puede abrir la capa en la que los modelos se convierten en sistemas sociales, educativos y de toma de decisiones. Puede crear herramientas para comprobar lo que estos sistemas afirman hacer. Puede definir m\u00e9tricas alternativas a las elegidas por los proveedores. Puede desarrollar implementaciones que no est\u00e9n subordinadas a maximizar la interacci\u00f3n, recopilar datos o depender de una \u00fanica plataforma.<\/p>\n\n\n\n
Y, sobre todo, puede evitar que la complejidad t\u00e9cnica se utilice como excusa para mantener las decisiones fuera del alcance del p\u00fablico.<\/p>\n\n\n\n
El c\u00f3digo abierto naci\u00f3 de una idea sencilla: cualquiera que utilice un programa deber\u00eda poder estudiarlo, modificarlo y compartirlo.<\/p>\n\n\n\n
Hoy, el software no se limita a ejecutar instrucciones. Selecciona informaci\u00f3n, predice comportamientos, orienta decisiones, personaliza entornos y media en una parte cada vez mayor de nuestra experiencia de la realidad.<\/p>\n\n\n\n
Por eso, abrir el c\u00f3digo ya no es suficiente. Cuando un sistema ejerce poder sobre las personas, necesitamos entender qu\u00e9 objetivos persigue, qu\u00e9 supuestos incorpora, c\u00f3mo se eval\u00faa y qui\u00e9n puede cambiar su comportamiento.<\/p>\n\n\n\n
Por eso, el marco L\u00d7M\u00d7C es abierto. No porque sea perfecto, sino para que otras personas puedan verificarlo, criticarlo, adoptarlo, transformarlo o demostrar en qu\u00e9 falla.<\/p>\n\n\n\n
Es una invitaci\u00f3n real a la comunidad t\u00e9cnica, cient\u00edfica y educativa: el marco est\u00e1 publicado bajo la licencia CC BY 4.0 en lmc.proxima-zsp.it.<\/p>\n\n\n\n
L\u00e9elo, ponlo a prueba y busca sus puntos d\u00e9biles. Desarrolla una implementaci\u00f3n diferente o ampl\u00edalo a otro \u00e1mbito o grupo de edad.<\/p>\n\n\n\n
Contribuir a modelos de gobernanza en los que la apertura sea una propiedad verificable, y no una simple frase de marketing, empieza con un enlace que cualquiera puede abrir hoy mismo.<\/p>\n\n\n\n
Y tambi\u00e9n es una invitaci\u00f3n a los legisladores: cuando un sistema algor\u00edtmico se dirige a menores, la transparencia deber\u00eda ser obligatoria no solo sobre c\u00f3mo funciona, sino tambi\u00e9n sobre el beneficio que afirma producir y las pruebas que respaldan esa afirmaci\u00f3n.<\/p>\n\n\n\n
Internet demostr\u00f3 que una infraestructura abierta puede generar una innovaci\u00f3n que va mucho m\u00e1s all\u00e1 de lo que imaginaron sus creadores. Ahora la IA nos plantea un reto parecido, con consecuencias todav\u00eda mayores. No basta con abrir las tecnolog\u00edas. Tenemos que abrir tambi\u00e9n las decisiones que convierten esas tecnolog\u00edas en una fuente de poder.<\/p>\n","protected":false},"excerpt":{"rendered":"