Cuando se habla de IA en los medios, la respuesta tranquilizadora es siempre la misma: habrá una persona en el bucle que lo revise todo. Con sistemas automáticos, y cada vez más agentes, que generan, resumen, traducen y publican a un ritmo que ninguna redacción puede seguir, esa respuesta se queda corta. Creo que la pregunta útil es otra: quién revisa, qué revisa y en qué momento.
El reparto que parecía razonable
Durante un tiempo, el reparto parecía claro. Lo rutinario y de bajo riesgo, para las máquinas: transcripciones, resúmenes, variantes de titular, cambios de formato. Lo delicado, para las personas: política, investigación, cualquier cosa donde un error tenga consecuencias.
Es, en buena medida, el consenso del sector. En un reportaje publicado en agosto de 2026 por el Instituto Reuters, basado en conversaciones con veinte responsables de redacciones, expertos y académicos de trece países, casi todos coinciden en que la supervisión humana sigue siendo la principal salvaguarda frente al contenido generado por IA (Sharma, 2026). El propio reportaje advierte, sin embargo, de que ese modelo empieza a mostrar grietas.
Los agentes cambian el riesgo de lo rutinario
El problema es que un agente puede convertir un contenido de poco riesgo en uno de mucho riesgo sin que nadie lo decida. Un resultado electoral de un municipio pequeño parece información rutinaria. Multiplicado por miles de municipios y publicado en directo, es información electoral a gran escala, y un error se repite miles de veces antes de que alguien lo vea.
Lo vivimos de cerca en 2023 con la prueba de concepto de RTVE Elecciones. El sistema de Narrativa generaba noticias automáticas con los datos del recuento, pensando sobre todo en los municipios pequeños que casi nunca tienen cobertura, y nosotros pusimos la voz sintética y la experiencia conversacional. En la noche de las elecciones generales se produjeron unas 1.000 horas de audio en tres horas. Ninguna redacción puede escuchar eso antes de publicarlo. En un sistema automático como este, y más aún en un agente, la garantía tiene que estar en otro sitio. En RTVE estaba en los datos oficiales de origen, en la supervisión periodística del sistema que generaba las noticias, en un diccionario de pronunciación de municipios y partidos, y en los meses de pruebas previas.
Revisarlo todo no escala
La objeción evidente es que basta con poner más personas a revisar. El reportaje del Instituto Reuters apunta a por qué no basta: la supervisión recae en editores y mandos intermedios que ya estaban al límite, y Scroll, en la India, ha tenido que limitar cuánto contenido asistido por IA se pide revisar a cada persona porque la revisión estaba causando fatiga (Sharma, 2026). Se produce más de lo que se puede revisar. Una persona cansada que revisa cientos de textos parecidos acaba aprobándolos sin leerlos.
No es solo cansancio. Un estudio de 2026 de Steven Shaw y Gideon Nave, de la Wharton School, describe lo que llaman «rendición cognitiva»: la tendencia a delegar el juicio en la IA cuando sus respuestas suenan fluidas y seguras. En tres experimentos con 1.372 participantes, la gente aceptó resultados de la IA incluso cuando eran erróneos a propósito (Shaw y Nave, 2026, citado en Sharma, 2026). La revisión existe en el papel, pero no protege a nadie.
La normativa europea añade presión. El Reglamento de IA obliga, desde agosto de 2026, a indicar que un texto sobre asuntos de interés público ha sido generado por IA, salvo que haya pasado por una revisión humana y alguien asuma la responsabilidad editorial (Reglamento (UE) 2024/1689, artículo 50, apartado 4). Esa excepción solo tiene sentido si la revisión es real.
De humano en el bucle a experto en el bucle
El propio reportaje del Instituto Reuters llega a una conclusión parecida: la supervisión humana sigue siendo necesaria, pero hay que asumir sus límites y diseñar sistemas que no dependan de que una persona detecte cada error (Sharma, 2026).
Mi propuesta es pasar de una persona que revisa cada pieza a alguien que sabe del tema y supervisa el sistema. Algunas ideas concretas:
- Revisar antes lo que se va a repetir. Las plantillas, las instrucciones del agente, las fuentes de datos y las reglas se revisan con más cuidado que cada pieza, porque un fallo ahí se multiplica.
- Poner a la persona adecuada. Un resultado electoral lo tiene que supervisar alguien que conozca el sistema electoral; una noticia médica, alguien que sepa de medicina. Un revisor genérico no detecta los errores que importan.
- Revisar por muestreo y con alertas. En vez de leerlo todo, leer una muestra y marcar automáticamente lo que se sale de lo normal: cifras extrañas, nombres desconocidos, cambios bruscos.
- Buscar patrones, no solo errores sueltos. Hay sesgos que no se ven en una pieza y sí en mil. Como explica James Fletcher, responsable de IA responsable de la BBC, en un texto traducido no se puede saber si se usan más pronombres masculinos que femeninos; en diez mil, sí (Sharma, 2026).
- Decidir qué no se automatiza. Hay contenidos donde el riesgo no compensa la velocidad, y conviene dejarlo escrito antes de que un agente empiece a producirlos.
- Poder corregir rápido. Si algo sale mal, hay que saber qué se publicó, dónde y cómo retirarlo o corregirlo.
Lo que queda para las personas
Automatizar la parte rutinaria puede liberar tiempo para lo que solo hacen bien las personas: decidir qué es noticia, contrastar, contar las cosas con contexto. Pero solo pasa si la supervisión se diseña desde el principio y la hace quien sabe del tema. El experto pone el criterio, y esa es la clave. Si se añade al final como una casilla que marcar, la redacción acaba trabajando para el agente.
Si trabajas en un medio y estás pensando en cómo supervisar un sistema así, es el tipo de reto que abordamos en evaluación de asistentes y agentes y en nuestros proyectos de investigación aplicada.
Referencias
