Verificar la fiabilidad de una fuente de información ya no se limita a identificar al autor o la fecha de publicación. Desde la entrada en vigor del AI Act europeo y la actualización del Código europeo de buenas prácticas contra la desinformación, el marco regulatorio impone nuevas obligaciones de transparencia a las plataformas y a los proveedores de sistemas de IA.
Estos cambios modifican lo que un lector puede exigir a un contenido digital, pero también crean nuevos puntos ciegos: un artículo correctamente atribuido y publicado por un medio reconocido puede difundirse masivamente gracias a un sistema de recomendación financiado por la publicidad, sin que nadie cuestione el contexto de su difusión.
Transparencia de los contenidos de IA y obligaciones de etiquetado: qué establecen los textos europeos
El artículo 50 del Reglamento europeo de inteligencia artificial, cuyas directrices publicó la Comisión Europea el 12 de noviembre de 2026, establece una obligación de etiquetado para determinados contenidos generados o manipulados por IA. Los ultrafalsos (deepfakes) y los textos de interés público deben llevar una etiqueta visible cuando se publiquen.
Existe una excepción: si el contenido ha sido objeto de revisión humana o control editorial y una persona asume la responsabilidad editorial, puede no ser necesario etiquetarlo. Este matiz cambia la forma de interpretar un contenido en línea.
En realidad, las normas europeas distinguen dos niveles de etiquetado. El marcado detectable por máquinas corresponde a los proveedores de sistemas de IA. El etiquetado visible, en cambio, es responsabilidad de las personas o entidades que publican el contenido. Por tanto, la ausencia de una etiqueta visible en un texto o una imagen no demuestra que sea auténtico: simplemente puede significar que el proveedor ha añadido una marca técnica, pero el editor no ha considerado necesario incluir una etiqueta visible.
| Tipo de marcado | Responsable | Visible para el lector |
|---|---|---|
| Marcado técnico (metadatos legibles por máquinas) | Proveedor del sistema de IA | No (detectable mediante herramientas) |
| Etiquetado visible (etiqueta, mención) | Editor o persona que publica | Sí (cuando corresponda) |
| Excepción editorial | Persona que asume la responsabilidad | No se requiere ningún marcado |
Esta tabla ilustra una brecha que las guías de verificación tradicionales no contemplan. Cuando un lector intenta determinar si un contenido ha sido generado por IA, debe tener en cuenta que la ausencia de una mención no demuestra su autenticidad. Las herramientas para detectar metadatos pueden complementar la revisión visual, pero siguen siendo poco accesibles para el público general.

Los recursos dedicados a comprender los flujos de información recopilan estas distinciones normativas y sus implicaciones prácticas: https://www.informationinflux.org documenta, en particular, los mecanismos que influyen en la circulación de la información en línea.
Verificar la fiabilidad de una fuente más allá del autor: el circuito de difusión
Los métodos tradicionales de verificación se centran en tres aspectos: identificar al autor, fechar la información y contrastarla con otras fuentes. Estos hábitos siguen siendo válidos. Sin embargo, resultan insuficientes cuando el problema no está en el contenido en sí, sino en el motivo por el que aparece en un feed de noticias.
El Código europeo de buenas prácticas contra la desinformación, actualizado el 10 de noviembre de 2026, incluye compromisos sobre la desmonetización de la desinformación y la transparencia de los sistemas de recomendación. Los firmantes se comprometen a reducir los ingresos publicitarios asociados a los contenidos desinformativos y a explicar con mayor claridad los criterios que determinan qué contenidos se destacan.
En la práctica, estos compromisos varían de un firmante a otro. Un contenido puede ser objetivamente correcto y, aun así, aparecer destacado por un algoritmo porque genera interacción, no porque sea pertinente. Por eso, conviene incorporar dos preguntas más a cualquier guía de verificación:
- ¿Por qué canal me ha llegado este contenido y tiene ese canal un interés comercial en destacarlo?
- ¿El contenido está patrocinado, lo recomienda un algoritmo o lo ha compartido de forma orgánica una fuente que conozco?
- ¿La plataforma que difunde este contenido ha suscrito compromisos de transparencia sobre sus sistemas de recomendación?
Estas preguntas no sustituyen la verificación del autor ni el contraste de la información. Añaden una capa de análisis sobre el circuito de difusión, un aspecto que la mayoría de las guías educativas todavía no incluye.
Guía para verificar fuentes de información en línea: criterios cruzados
Combinar los criterios tradicionales con los nuevos indicadores normativos permite elaborar una guía más completa. La verificación es más rigurosa cuando distingue entre lo que corresponde al contenido, al editor y al modo de difusión.
- Contenido: ¿la información está fechada, atribuida a un autor identificable y contrastada con al menos otra fuente independiente?
- Editor: ¿el sitio o medio publica una línea editorial, informa sobre sus fuentes de financiación y señala los contenidos patrocinados?
- Difusión: ¿un algoritmo ha recomendado el contenido, lo ha compartido una cuenta verificada o lo ha promocionado una campaña publicitaria?
- Marcado de IA: ¿el contenido indica que se ha generado con IA o es posible verificar sus metadatos técnicos con una herramienta específica?

Un contenido que supera los tres primeros filtros, pero no el cuarto, no es necesariamente falso. Simplemente requiere un examen más atento. La fiabilidad de una información depende tanto de su contenido como del contexto en el que circula.
Educación en medios digitales: ir más allá del reflejo autor-fecha
La educación mediática e informacional (EMI) enseña a los alumnos y a la ciudadanía a identificar sesgos habituales: fuentes anónimas, sitios paródicos e imágenes sacadas de contexto. Estas competencias siguen siendo la base de cualquier enfoque crítico.
El marco regulatorio europeo añade un nuevo nivel a esta formación. Los docentes y formadores que abordan la verificación de fuentes pueden apoyarse ahora en obligaciones legales concretas para explicar qué puede esperar legítimamente un lector. Un contenido generado por IA sin una etiqueta visible y difundido en una plataforma que no cumple sus compromisos de transparencia constituye un ejemplo pedagógico más ilustrativo que un simple recordatorio de las «cinco W» del periodismo.
La búsqueda en línea y la evaluación crítica de las fuentes digitales ya no se limitan a una competencia documental. También requieren comprender los mecanismos económicos y algorítmicos que determinan qué contenidos ve primero un lector. Un artículo fiable con poca visibilidad puede pasar desapercibido, mientras que un contenido engañoso bien financiado ocupa los primeros puestos de un feed de noticias.
Hoy, el hábito de verificación más útil no consiste en preguntarse qué dice un contenido, sino por qué nos lo muestran.



