Aplicaciones de IA en la gestión de procesos editoriales

Ponencia presentada el 3 de octubre de 2025 en el Tercer Encuentro de la Red de Editores y Revistas Científicas Ecuatorianas (RERCIE), en Guayaquil, Ecuador.

1. Aplicaciones de IA
en la gestión
de procesos editoriales
Dr. Juan D. Machin- Mastromatteo
Universidad Autónoma de Chihuahua
Guayaquil, Ecuador, 3 de octubre de 2025
Tercer Encuentro de la Red de Editores y Revistas Científicas Ecuatorianas
*Imágenes
complementarias
generadasporIA

2. Dr. Juan D. Machin- Mastromatteo
@Juantífico
Profesor de la Universidad Autónoma de Chihuahua (UACH). Miembro del Sistema Nacional de
Investigadores (Nivel II) y del Cuerpo Académico Estudios de la Información.
Doctor en Ciencias de la Información y Comunicación (Tallinn University), Magíster en Bibliotecas
Digitales y Aprendizaje (Oslo University College; Tallinn University; y Parma University) y Licenciado en
Bibliotecología (Universidad Central de Venezuela). Especialista en alfabetización informacional,
bibliometría, bibliotecas digitales y en la edición de publicaciones científicas.
Más de 150 publicaciones científicas. Más de 60 cursos y más de 140 eventos internacionales como
ponente, panelista, organizador o moderador.
Editor de Information Development (SAGE) y Editor Asociado de Revista Estudios de la Información (UACH).
Comités: Journal of Academic Librarianship (Elsevier), IE Revista de Investigación Educativa (REDIECH).
Publicó la sección Desarrollando América Latina en Information Development (2015- 2020)
Creó el Proyecto Juantífico (2019) | Coanfitrión de InfoTecarios podcast (2022- )
Publica la sección Escuela de editores en la Revista Estudios de la Información (2023- )
Sígueme en @Juantífico | youtube.com/juantifico | facebook.com/machinmastromatteo |
instagram.com/juantifico | juantifico.com | patreon.com/juantifico | 0000- 0003- 4884- 0474

3. ¿Deberíamosusar la IA para la gestión de procesos editoriales?

4. ¡NO!

5. ¡Gracias por su atención!
Dr. Juan D. Machin-Mastromatteo @Juantífico
Si te gustó esta presentación, visita mi canal y
suscríbete
YouTube.com/
Juantifico
Videos sobre información, investigación y publicación
científica, con un toque de tecnología, humor y cultura pop.
Es Juan, es científico, ¡es Juantífico!
También estoy en:
@juantifico
| facebook.com/machinmastromatteo
es.slideshare.net/judamasmas | tiktok.com/@juantifico
instagram.com/juantifico | juantifico.com
Apóyame en:
Patreon | PayPal | Membresía en YouTube

6. Aplicaciones de IA
en la gestión
de procesos editoriales
Dr. Juan D. Machin- Mastromatteo
Universidad Autónoma de Chihuahua
Guayaquil, Ecuador, 3 de octubre de 2025
Tercer Encuentro de la Red de Editores y Revistas Científicas Ecuatorianas
*Imágenes
complementarias
generadasporIA

7. ¿Como responsable de unarevistaenrealidadquierousar la IA ? ¿Para qué ?

8. ¿Queremos usarla como editores, pero permitiríamos que los autores la usen?

9. Problemas con la IA
en la investigación
y publicación científica
Pretender que pueden ser coautores
En publicaciones han aparecido textos e imágenes
generados por IA (huellas de IA, explosión de adjetivos).
¡También en revisiones por pares!
Maneja bastante mal la citación y referenciado.
Genera referencias falsas.
Muy difícil asegurar que sea exhaustiva y que trabaje la
intertextualidad.
Tiene cierta relación con el plagio
Las editoriales científicas comerciales prácticamente la
prohíben.
Urgencia de reglamentar su uso en instituciones y
seguir buenas prácticas.

10. Políticas editoriales sobre el uso de IA
Algunas políticas prohíben completamente su uso
Declarar uso, contenido generado, propósito y cuál se usó
Incluir las fuentes empleadas y declarar sus limitaciones, como sesgos,
errores y vacíos de conocimiento.
Los autores son responsables sobre la exactitud, integridad y originalidad
de sus documentos.
No se permite a editores o revisores subir manuscritos a una IA
Pueden usarse para mejorar el lenguaje y redacción, no para analizar
datos o extraer conclusiones.
Cumplir con las políticas puede resultar más difícil que usarla

11. Políticas editoriales
sobre el uso de IA
Podemos contemplar tres escenarios:
Política prohibitiva del uso de IA
Política restrictiva: permite usos limitados (corrección de estilo)
Política permisiva: admite usos más amplios o experimentales

12. ¿Qué hacer si la queremos usar? Generación de asistentes
¿Por qué desarrollar un asistente
y no preguntarle directamente?

13. Funciones de los asistentes
para supervisar envíos a revistas
Comparación de artículos para determinar editores/revisores
Determinar la revista más idónea entre varias de una familia
Comprobar el cumplimiento de las normas de la revista
Analizar las características de las referencias
Comprobar el estilo de las referencias
Mejora de resúmenes, títulos y palabras clave
Confirmar la pertinencia temática
Difusión y
divulgación
científica

14. Este asistente debe apoyar en la revisión de manuscritos enviados a la Revista XX ,
considerando los parámetros de envío y evaluación.
Descripción (límite 300 caracteres)
Serás un experto en edición editorial científica, con una experiencia de 10 años
en la revisión de propuestas de artículos científicos que sean enviados a la Revista
XX. Tu trabajo será analizar todos los manuscritos que se carguen bajo los
parámetros que a continuación se te dan y presentar resultados de tus análisis
en formato de tabla. [agregar procesos y parámetros]
Instrucciones: contexto y actividades (límite 8000 caracteres)
Code interpreter activo
 Definición de los objetivos y alcances temáticos de la revista
Directrices para presentar un resumen, títulos y palabras clave (tesauros)
Evaluación formato de citas y referencias
Parámetros para el análisis de las referencias; listas de revistas indizadas
Normas de la revista
Datos de artículos y sus revisores
Datos de las revistas de una misma familia (institución, país)
Base de conocimiento, procedimientos para:
Diseño del asistente de la revista

15. Convertir cada instrucción en declaraciones lógicas
Evitar ambigüedad o expresiones vagas y usar
umbrales claros para que evalúe.
Usar ventanas relativas, no fijas, para evitar
actualizar continuamente.
Separar instrucciones en módulos y en la base de
conocimiento.
Trabajo incremental: empezar con normas básicas
y luego agregar módulos más complejos.
Mantener tono narrativo, pero preciso, lógico y
paso a paso.
Cada regla debería terminar con una instrucción
clara de qué hacer.
Poner entre comillas expresiones más importantes.
Utilizar un vocabulario controlado.
Hacer pruebas
Consejos para redactar instrucciones

16. Demostraciónde un asistentecon GPT

17. Generado con Chat GPT-5,
28 de septiembre de 2025

18. Generado con Chat GPT-5,
28 de septiembre de 2025

19. Estructura del prompt de objetivo y alcance
Objetivo: evaluar la pertinencia temática y
formal de manuscritos enviados a la Revista
Procedimiento
1.Analizar el manuscrito completo
2.Identificar temas, enfoque y aportes
3.Comparar con alcance de la revista
4.Verificar causas de rechazo (A–D)
5.Emitir veredicto binario
6.Redactar justificación breve, clara y específica
Definición del alcance temático
Tipos de contribuciones aceptadas
Causas comunes de rechazo
Fuera de alcance temático
Manuscrito descriptivo, sin rigor o profundidad
Problemas de redacción, referencias, extensión
Temas sobrepublicados, modas metodológicas
sin aporte y retóricas vacías.
Formato de salida
Respuesta binaria: “el manuscrito cumple” o “el
manuscrito no cumple”.
Justificación obligatoria: breve, clara, específica,
basada en el análisis completo.
Si “el manuscrito no cumple”, mencionar
explícitamente la causa.

20. Generado con Chat GPT-5,
28 de septiembre de 2025

21. Generado con Chat GPT-5,
28 de septiembre de 2025

22. ¡Pero hay problemas con todo esto!
Los manuscritos son documentos inéditos,
entonces son confidenciales.
Usando las soluciones big tech, arriesgamos que se
utilicen para entrenar las IA.
Necesidad de configurar el asistente para cada
revista individual.
Falta de exhaustividad de la IA y es muy
políticamente correcta para ser crítica.
Necesidad de obtener el consentimiento de los
autores para usarla con sus manuscritos.

23. Aspecto Modelos comerciales Modelos libres
Confidencialidad de manuscritos
Riesgo alto: los textos viajan a servidores
externos; posible exposición a terceros.
Riesgo bajo: los datos permanecen dentro de la
infraestructura de la revista/institución.
Consentimiento de autores
Difícil de garantizar; muchos autores podrían
rechazar su uso.
Más viable: se puede informar claramente que
los textos no salen del entorno institucional.
Uso de datos para entrenamiento
Posible reutilización por las empresas (aunque
lo nieguen, hay desconfianza).
Control total: la institución decide y audita qué
se hace con los datos.
Auditoría y trazabilidad Limitada o nula; los sistemas son cajas negras.
Alta: se pueden implementar registros internos
y verificar accesos.
Facilidad de uso
Muy alta: no requiere infraestructura local,
basta una conexión a internet.
Media/Baja: requiere servidores potentes,
instalación y mantenimiento.
Costos iniciales Bajos o nulos (modelo SaaS por suscripción).
Altos: hardware especializado, personal técnico
y actualizaciones.
Costos a largo plazo
Variables, pueden crecer con el uso intensivo
(pago por tokens/usuarios).
Más estables si ya se tiene infraestructura;
escalabilidad limitada sin inversión.
Rendimiento y escalabilidad
Elevados, con acceso a modelos de última
generación y multicliente.
Limitado al hardware disponible; escalar
requiere más inversión.
Control de versiones y dependencia
Dependencia de la política y ritmo de las big
tech.
Independencia: se eligen los modelos,
versiones y se ajustan a necesidades locales.
Seguridad y privacidad en la operación
No controlable: no hay forma de impedir que el
sistema envíe datos o telemetría.
Control local: se puede correr totalmente
offline, bloquear telemetría en firewall y
mantener logs internos para auditoría.
Comparativa de modelos comerciales vs. libres para revistas

24. Solución: LM Studio, manejador de modelos en local

25. Categoría del modelo Rango de parámetros Ejemplos
Muy pequeños < 1B (millardo) TinyLlama-1.1B, Phi-2 (2.7B)
Pequeños 3B – 7B
LLaMA-2-7B, Mistral-7B,
Gemma-7B
Medianos 13B – 20B LLaMA-2-13B, Falcon-18B
Grandes 30B – 70B LLaMA-2-70B, Falcon-40B
Muy grandes / experimentales > 100B
GPT-OSS-120B, modelos
comparables a GPT-3/4 a gran
escala
Los parámetros no necesariamente indican que los modelos sean “más inteligentes” en todas las tareas, también tiene
que ver la calidad del entrenamiento, los datos y las optimizaciones arquitectónicas
Categoría del modelo y sus parámetros

26. Categoría
Nº de parámetros
aprox.
Ejemplos de modelos Requisitos mínimos (cuantizado) Requisitos recomendados
Muy
pequeños
< 1B – 3B
TinyLlama-1.1B, Phi-2
(2.7B)
CPU con AVX2 o Apple Silicon RAM: 8 GB
GPU: opcional (CPU-only posible)
Almacenamiento: ~2–4 GB
RAM:16 GB GPU:4 GB VRAM (para acelerar)
Pequeños 7B
LLaMA-2-7B, Mistral-
7B, Gemma-7B
RAM:8–16 GB GPU:4–6 GB VRAM
Almacenamiento:4–8 GB
RAM: 16 GB GPU: 8 GB VRAM (ej. RTX 3060/3070
o M1 Pro/Max)
Medianos 13B – 20B
LLaMA-2-13B, Falcon-
18B
RAM:16 GB GPU:8–12 GB VRAM
Almacenamiento:8–15 GB
RAM: 32 GB GPU: 12–16 GB VRAM (ej. RTX
3090/4080, M2 Ultra)
Grandes 30B – 70B
LLaMA-2-70B, Falcon-
40B
RAM: 32 GB GPU: ≥ 24 GB VRAM (ej. RTX
4090, A100 40GB) Almacenamiento: 20–
40 GB
RAM:64 GB+ GPU:48 GB VRAM o multi- GPU
Muy grandes > 100B
GPT-OSS-120B,
modelos tipo GPT- 3
RAM: 64 GB+ GPU: ≥ 80 GB VRAM o multi-
GPU Almacenamiento: > 80 GB
Infraestructurade servidor/HPC: multi-GPU
A100/H100 o clústerdedicado
Requisitos de sistema para usar modelos en local

27. Modelo Parámetros aprox. (B = mil millones)Notas
Modelos libres
TinyLlama 1B Ultra ligero
Mistral / LLaMA-2-7B 7B “pequeños”
LLaMA-2-13B, Falcon- 18B13–18B “medianos”
LLaMA-2-70B 70B “grandes”
GPT-OSS-120B 120B frontera open source
Modelos comerciales
GPT-4o ~200B Estimación externa; cifra no oficial
GPT-5 330B – 635B
Según predicciones no
confirmadas
Claude 3 Opus (Anthropic)~2000B (≈ 2T)
Basado en reportes/filtraciones; no
oficial
Gemini Ultra (Google) ~1560B (≈ 1.56T) Filtración no confirmada
Comparativa de modelos (libres vs. comerciales)

28. Escuela de editores
Revista Estudios de la Información
Así que quieren crear una nueva revista científica, ¿para qué?
Implicaciones y políticas editoriales de la inteligencia artificial
¿Qué ganan los evaluadores si realizan una revisión por pares?
Revisiones y decisiones iniciales de los editores de revistas
científicas sobre los manuscritos recibidos.
Una discusión crítica de las convocatorias (calls for papers) de
revistas científicas: Usos, excesos y riesgos editoriales
Próximamente: Recomendaciones para desarrollar políticas de uso de la inteligencia artificial en revistas científicas
Otras publicaciones de posible interés:

La influencia disruptiva de la inteligencia artificial generativa en la academia y la
investigación
Artificial intelligence encounters of the generative kind: Rethinking knowledge, ethics, and research

29. El futuro editorial será tan humano como decidamos que lo sea.
La IA puede asistirnos, pero solo nosotros le daremos sentido e integridad.

30. ¡Gracias por su atención!
Dr. Juan D. Machin-Mastromatteo @Juantífico
Si te gustó esta presentación, visita mi canal y
suscríbete
YouTube.com/
Juantifico
Videos sobre información, investigación y publicación
científica, con un toque de tecnología, humor y cultura pop.
Es Juan, es científico, ¡es Juantífico!
También estoy en:
@juantifico
| facebook.com/machinmastromatteo
es.slideshare.net/judamasmas | tiktok.com/@juantifico
instagram.com/juantifico | juantifico.com
Apóyame en:
Patreon | PayPal | Membresía en YouTube