19/10/2026

Inteligencia artificial generativa y deepfakes: reforzar la alfabetización política dentro de la alfabetización mediática

La inteligencia artificial (IA), en particular en su vertiente generativa, está transformando el ecosistema mediático de forma estructural. Acelera dinámicas de viralidad digital ya existentes e introduce nuevas capas de opacidad en los procesos de producción de información, participación cívica y deliberación democrática.

La alfabetización mediática se ha entendido como la capacidad crítica de acceder a la información, analizarla, utilizarla y producirla. Esta definición, consolidada por organismos internacionales como la UNESCO, sigue siendo fundamental. Sin embargo, debe reforzarse para afrontar los desafíos de un ecosistema comunicativo digital marcado por la centralidad de los algoritmos y por la creciente presencia de contenidos generados total o parcialmente por IA. En este contexto, la circulación de la información suele orientarse por lógicas de viralidad e interacción, en detrimento del conocimiento y de la validación de las fuentes.

Estas transformaciones tienen implicaciones directas en el ámbito de la comunicación política. Permiten a los actores políticos utilizar las plataformas digitales como canales privilegiados para difundir sus mensajes, eludiendo el escrutinio periodístico y la réplica democrática de sus oponentes. La alfabetización mediática permite comprender los intereses, ideologías y relaciones de poder que subyacen a esos mensajes políticos, así como evaluar el papel de los medios en la esfera pública y en la democracia. Por ello, resulta cada vez más relevante articular la alfabetización mediática con la alfabetización política, entendida como el conjunto de conocimientos sobre el proceso político que hace posible una ciudadanía activa (Denver & Hands, 1990).

Desde la aparición de las redes sociales, diversos académicos (Bucher, 2018; Gillespie, 2018) han demostrado que los sistemas algorítmicos han pasado a desempeñar un papel central en la mediación de la esfera pública y en la formación de la opinión política. En las redes sociales, los sistemas algorítmicos promueven los contenidos que generan más atención y reacciones. Por eso favorecen determinados encuadres o actores políticos y reequilibran la visibilidad del discurso público a favor de quienes privilegian la apelación a la emoción o la dicotomía populista del «nosotros vs. ellos» (Gerbaudo, 2018).

Los modelos más recientes de IA generativa, al igual que los algoritmos de recomendación o de personalización de contenidos, no son neutrales. Se diseñan con objetivos específicos, incorporan valores sociales y operan según lógicas de optimización que privilegian determinados temas y formatos. Así reproducen sesgos de género, clase, cultura o ideología, especialmente notorios en el caso de las imágenes (Messingschlager & Appel, 2026; Thomas & Thomson, 2025). Además, los modelos generativos, como ChatGPT, presentan en sí mismos sesgos políticos (Motoki et al., 2024).

La multiplicación de herramientas de IA generativa permite a cualquier persona crear contenidos sintéticos realistas y sofisticados con pocos recursos. Por tanto, resulta cada vez más difícil saber quién es el autor de los contenidos, con qué intenciones y a través de qué mecanismos llegan al espacio público.

Ante este panorama, el reto actual para periodistas, jóvenes o estudiantes no consiste solo en identificar la desinformación en una publicación que se ha hecho viral. Exige, más bien, comprender cómo se organiza el propio ecosistema informativo a través de sistemas algorítmicos capaces de amplificar ciertas narrativas y simular consensos sin intervención humana directa. El concepto de «opinión pública algorítmica» describe precisamente cómo las opiniones pasan a construirse a través de la interacción de la ciudadanía con sistemas algorítmicos, ya sean los de las redes sociales (Gandini et al., 2026) o los de la IA generativa (Kant, 2026).

La desinformación siempre ha explotado emociones como el miedo, la indignación o el sentimiento de pertenencia. La diferencia que introduce la IA generativa está en la escala, la velocidad y el realismo de los contenidos desinformativos. La producción automática de textos, imágenes, audios o vídeos verosímiles, incluidos los deepfakes, hace que la desinformación sea más barata, más rápida y más difícil de detectar. La investigación empírica demuestra que la mayoría de las personas no es capaz de identificar deepfakes de forma fiable (Köbis et al., 2021; Frank et al., 2024), incluso cuando están etiquetados como falsos (Clark & Lewandowsky, 2026).

Ante la generalización de los deepfakes, Nadia Naffi (2025) defiende que la alfabetización en IA debe ir más allá de la simple detección técnica de la «falsedad» e incorporar una reflexión epistemológica sobre la verdad y el conocimiento. La producción automática de contenidos sintéticos verosímiles cuestiona presupuestos fundamentales de la comunicación y debilita la autenticidad y la confianza. Por ello, la alfabetización mediática debe entenderse de forma amplia. Debe incluir la capacidad de comprender el mundo y ejercer una ciudadanía crítica en una realidad informativa mediada por sistemas algorítmicos, en la que ver y oír han dejado de ser garantías suficientes de verdad.

Cuando imágenes, voces y discursos pueden generarse o manipularse con un alto grado de realismo, creamos un entorno de incertidumbre estructural en el que la duda puede explotarse como estrategia política. Así, para responder a la pregunta «¿esto es IA?», no basta con comprobar la fuente, la fecha, el autor o el contexto. También es necesario comprender las capacidades y los límites de la IA generativa y reconocer posibles motivaciones políticas o económicas que pueden disfrazarse de sátira, humor o entretenimiento. Esto significa que la cuestión central deja de ser solo saber si un contenido es verdadero o falso y pasa a ser, sobre todo, qué tipo de realidad intenta construir ese contenido.

Existe un movimiento creciente para hacer visible el origen de los contenidos generados por IA mediante labels o disclaimers. Aun así, la presencia cada vez mayor de bots, cuentas automatizadas e interacciones sintéticas plantea dudas sobre quién participa realmente en el debate público. Los likes, comentarios y tendencias en línea pueden reflejar no solo actividad humana genuina, sino también campañas de comportamiento inauténtico coordinado. Un ejemplo es el astroturfing, en el que se genera artificialmente una impresión de apoyo a un producto, una política o una idea muy superior a la que realmente existe (Chan, 2024). Esta ambigüedad hace más compleja la lectura de la opinión pública y pone en entredicho las métricas digitales como representativas del apoyo o el rechazo popular.

A estas dinámicas se suma el refuerzo de las relaciones parasociales. Horton y Wohl (1956) introdujeron este concepto para describir las relaciones ilusorias y unilaterales que los miembros de la audiencia establecen con figuras influyentes o personajes de ficción en la radio, la televisión o el cine. En la política digital contemporánea, estas relaciones ilusorias de cercanía, familiaridad o intimidad se ven intensificadas por influencers, lenguajes afectivos, la personalización algorítmica y, cada vez más, por chatbots y avatares digitales. Diversos estudios demuestran que estas relaciones parasociales pueden influir en la intención de compartir contenidos desinformativos en redes sociales (Mulcahy et al., 2024). Esto refuerza la importancia de que la verificación de datos (fact-checking) y los comentarios críticos de denuncia se produzcan lo antes posible.

El refuerzo de la alfabetización política dentro de la alfabetización mediática surge, así, como una respuesta necesaria a las nuevas formas de mediación del espacio público. Hay que comprender cómo se orientan políticamente las imágenes, los discursos y las interacciones digitales, cómo pueden simularse artificialmente los consensos y cómo puede explotarse estratégicamente la incertidumbre. Para ello se necesitan competencias que articulen el análisis mediático, la comprensión de los procesos políticos y la reflexión crítica sobre el poder tecnológico. La alfabetización política no sustituye a la alfabetización mediática, pero hace explícita su dimensión cívica y democrática.

Reforzar la alfabetización política en la alfabetización mediática significa, por tanto, capacitar a la ciudadanía, a periodistas y a estudiantes para interpretar críticamente un espacio público híbrido, en el que humanos y máquinas coproducen la realidad informativa. Más que distinguir entre lo verdadero y lo falso, se trata de comprender qué realidades políticas se están construyendo, por quién y con qué efectos, en un entorno informativo marcado por la automatización, la personalización algorítmica y la erosión de los marcadores tradicionales de autenticidad.

Referencias

Bucher, T. (2018). If … then: Algorithmic power and politics. Oxford University Press. https://doi.org/10.1093/oso/9780190493028.001.0001

Chan, J. (2024). Online astroturfing: A problem beyond disinformation. Philosophy & Social Criticism, 50(3), 507–528. https://doi.org/10.1177/01914537221108467

Clark, S., & Lewandowsky, S. (2026). The continued influence of AI-generated deepfake videos despite transparency warnings. Communications Psychology, 4(1), 13. https://doi.org/10.1038/s44271-025-00381-9

Denver, D., & Hands, G. (1990). Does studying politics make a difference? The political knowledge, attitudes and perceptions of school students. British Journal of Political Science, 20(2), 263–279. https://doi.org/10.1017/S0007123400005809

Frank, J., Herbert, F., Ricker, J., Schönherr, L., Eisenhofer, T., Fischer, A., Dürmuth, M., & Holz, T. (2024). A representative study on human detection of artificially generated media across countries. En 2024 IEEE Symposium on Security and Privacy (SP) (pp. 55–73). https://doi.org/10.1109/SP54263.2024.00159

Gandini, A., Keeling, S., & Reviglio, U. (2026). Conceptualising the ‘algorithmic public opinion’: Public opinion formation in the digital age. Dialogues on Digital Society, 2(1), 46–61. https://doi.org/10.1177/29768640251323147

Gerbaudo, P. (2018). Social media and populism: An elective affinity? Media, Culture & Society, 40(5), 745–753. https://doi.org/10.1177/0163443718772192

Gillespie, T. (2018). Custodians of the internet: Platforms, content moderation, and the hidden decisions that shape social media. Yale University Press.

Horton, D., & Wohl, R. R. (1956). Mass communication and para-social interaction: Observations on intimacy at a distance. Psychiatry, 19(3), 215–229. https://doi.org/10.1080/00332747.1956.11023049

Kant, T. (2026). Algorithmic public opinion in the age of generative AI. Dialogues on Digital Society, 2(1), 62–66. https://doi.org/10.1177/29768640251377160

Köbis, N. C., Doležalová, B., & Soraperra, I. (2021). Fooled twice: People cannot detect deepfakes but think they can. iScience, 24(11), 103364. https://doi.org/10.1016/j.isci.2021.103364

Messingschlager, T. V., & Appel, M. (2026). Algorithmic bias in image-generating artificial intelligence: Prevalence and user perceptions. Information, Communication & Society, 29(5), 1656–1678. https://doi.org/10.1080/1369118X.2025.2584146

Motoki, F., Pinho Neto, V., & Rodrigues, V. (2024). More human than human: Measuring ChatGPT political bias. Public Choice, 198(1), 3–23. https://doi.org/10.1007/s11127-023-01097-2

Mulcahy, R., Barnes, R., Scheepers, R., Kay, S., & List, E. (2024). Going viral: Sharing of misinformation by social media influencers. Australasian Marketing Journal, 33. https://doi.org/10.1177/14413582241273987

Naffi, N. (2025, 27 de octubre). Deepfakes and the crisis of knowing. UNESCO. https://www.unesco.org/en/articles/deepfakes-and-crisis-knowing

Thomas, R. J., & Thomson, T. J. (2025). What does a journalist look like? Visualizing journalistic roles through AI. Digital Journalism, 13(4), 631–653. https://doi.org/10.1080/21670811.2023.2229883