"Inteligencia artificial" combina dos términos que, por separado, son ya materia de debate: ¿qué es inteligencia? ¿qué hace que algo sea artificial en oposición a natural o humano? La expresión sugiere que existe algo llamado inteligencia, que sus propiedades son suficientemente conocidas, y que es posible reproducirla en un artefacto. Ninguno de estos supuestos es cierto.

En su uso más extendido, el término IA designa sistemas computacionales capaces de realizar tareas que, cuando las ejecuta un ser humano, asociamos con procesos cognitivos: reconocer una imagen, traducir un texto, responder preguntas, tomar decisiones en entornos cambiantes. La definición estándar del campo: sistemas que simulan procesos cognitivos humanos, tiene el problema de presuponer lo que intenta explicar: si no sabemos con precisión qué son los procesos cognitivos humanos, tampoco podemos saber con certeza qué significa simularlos.

La IA es descrita por algunos investigadores como el "sueño occidental de replicar nuestra propia forma de racionalidad", es decir es un proyecto construido sobre una imagen particular de qué cuenta como inteligencia: lógica, abstracta, independiente del cuerpo y de la experiencia, una imagen que es históricamente específica, heredera del racionalismo filosófico occidental. Los sistemas que se diseñan para ser "inteligentes" heredan esa definición restringida y sus sesgos.

Dos grandes familias

Dentro del campo existe una división fundamental que estructura su historia entera. Existen dos enfoques principales para simular la inteligencia humana: el enfoque simbólico, también conocido como determinista, y el enfoque conexionista, también conocido como probabilista o estadístico.

La IA simbólica parte del supuesto de que el pensamiento puede reducirse a la manipulación de símbolos según reglas explícitas. Si se codifica el conocimiento en proposiciones lógicas y se definen las operaciones permitidas sobre ellas, el sistema podrá razonar. Este enfoque dominó el campo desde sus inicios hasta aproximadamente los años noventa. Su atractivo es la transparencia: se puede examinar cada paso del razonamiento y entender por qué el sistema llegó a una conclusión. Su límite es la rigidez: el mundo real está lleno de ambigüedad, excepciones e información incompleta que los sistemas de reglas manejan mal.

La IA conexionista no pretende replicar la capacidad de razonamiento de los humanos, sino su capacidad de aprendizaje. Su enfoque es estadístico. Su principal representante en la actualidad es el aprendizaje automático o machine learning, que engloba los avances más destacados de la IA en los últimos años: redes neuronales, deep learning, la IA generativa, el procesamiento del lenguaje natural. En lugar de programar reglas, se alimenta al sistema con grandes volúmenes de datos y se lo deja encontrar patrones. El resultado puede ser impresionante; el problema es que el proceso interno se vuelve opaco: el sistema produce respuestas sin que sea posible rastrear con claridad por qué. Thiga

IA estrecha e IA general

La distinción entre IA estrecha (o débil) e IA general (o fuerte) es quizás la más importante para evaluar el estado actual del campo.

La IA estrecha es la que existe: sistemas diseñados para tareas específicas y delimitadas. Un sistema que reconoce rostros no sabe jugar ajedrez; uno que traduce textos no puede diagnosticar enfermedades. Cada aplicación es un modelo entrenado para un dominio particular. Dentro de ese dominio puede superar ampliamente el desempeño humano; fuera de él, no funciona.

La IA general: un sistema capaz de razonar, aprender y actuar de forma flexible en cualquier dominio, como lo hace un ser humano, sigue siendo una hipótesis de investigación, no una realidad técnica. El núcleo del debate radica en determinar qué es esencial para la mente: si se trata meramente de procesamiento de información y comportamiento inteligente, o requiere elementos adicionales como conciencia fenomenológica, intencionalidad y comprensión genuina. Estudyando

El problema de la caja negra

Cuando un sistema de IA toma una decisión —recomendar un tratamiento médico, negar un crédito, identificar a una persona— la mayoría de las veces no es posible saber con precisión por qué llegó a esa conclusión. Ni siquiera sus propios creadores pueden explicarlo del todo. A eso se llama "caja negra": se ve lo que entra y lo que sale, pero el proceso interno permanece opaco.Blog Datlas

Los modelos de lenguaje actuales producen respuestas convincentes, pero eso no es evidencia de comprensión. Hay una diferencia entre simular inteligencia y poseerla. Larueca

Una historia no lineal: de Hobbes a los modelos de lenguaje

La inteligencia artificial nació en la filosofía, cuando algunos pensadores se preguntaron si el razonamiento humano podía reducirse a un proceso mecánico y replicable. El siglo XX le dio forma técnica a una pregunta que llevaba mucho más tiempo formulada: ¿razonar es calcular?

En el siglo XVII, Leibniz, Thomas Hobbes y René Descartes exploraron la posibilidad de que todo pensamiento racional pudiera volverse tan sistemático como el álgebra o la geometría. Sus posiciones no eran idénticas, pero convergían en una intuición central.

Hobbes sostuvo la tesis de que el razonamiento se trataba de un proceso mecánico de manipulación o cálculo simbólico, planteando la posibilidad de comportamientos inteligentes fuera del ámbito exclusivamente humano. Descartes llegó a la conclusión opuesta: argumentó que solo los seres humanos poseen alma racional, y que los animales y las máquinas son meros autómatas sin inteligencia. La tensión entre estas dos posiciones —el pensamiento como mecanismo vs. el pensamiento como algo irreductiblemente humano— estructuraría el debate durante los siglos siguientes. El Notario

Leibniz imaginó un lenguaje universal de razonamiento, la characteristica universalis, que reduciría la argumentación al cálculo, de modo que no habría más necesidad de disputas entre dos filósofos que entre dos contadores. El sueño era reemplazar el debate por la operación: encontrar un sistema formal que produjera verdades por deducción mecánica. Ese sueño fracasó en sus propios términos, pero dejó una herencia directa en el proyecto de la lógica matemática del siglo XIX y en la IA del XX. AcademiaLab

El filósofo mallorquín Ramon Llull (1232–1315) desarrolló varias máquinas lógicas dedicadas a la producción de conocimiento por medios lógicos, describiendo entidades mecánicas que podían combinar verdades básicas mediante operaciones simples. Su obra tuvo una gran influencia en Leibniz. Vale la pena señalarlo: el antecedente más remoto de la IA no es anglosajón ni moderno. AcademiaLab

A finales del siglo XIX, los matemáticos George Boole y Gottlob Frege formalizaron la lógica en términos algebraicos, convirtiendo el razonamiento en un sistema de operaciones sobre símbolos. Ese paso fue la condición técnica de posibilidad de todo lo que vino después.

El siglo XX: de Turing a los inviernos de la IA

En 1936, Alan Turing ideó la máquina universal, que podía ejecutar cualquier algoritmo formalizable, definiendo con ello el concepto moderno de computación programable. En 1950 publicó el artículo Computing Machinery and Intelligence, donde planteó la pregunta que marcaría toda la investigación posterior: ¿pueden pensar las máquinas? 

La prueba que propuso —conocida como Test de Turing— era deliberadamente pragmática: si una máquina puede sostener una conversación indistinguible de la de un humano, ¿importa si "realmente" piensa? La pregunta eludía el problema filosófico de fondo desplazándolo hacia el comportamiento observable. Esa evasión resultó productiva para la ingeniería, pero no resolvió el debate filosófico.

En el verano de 1956 tuvo lugar la Conferencia de Dartmouth, donde John McCarthy, junto con Marvin Minsky, Nathaniel Rochester y Claude Shannon acuñaron el término "inteligencia artificial" y la establecieron como disciplina académica. El nombre era una apuesta: suponía que la inteligencia podía definirse con suficiente precisión como para ser artificialmente reproducida. Esa suposición nunca fue demostrada; simplemente se aceptó como punto de partida. ELLIS Alicante

Las décadas siguientes alternaron promesas excesivas y fracasos costosos. El período entre mediados de los años setenta y mediados de los noventa estuvo marcado por dos "inviernos de la IA": momentos en que las grandes expectativas chocaron contra las limitaciones reales de la potencia de cómputo y la escasez de datos, lo que redujo drásticamente la financiación y obligó a redefinir los objetivos del campo.

El giro estadístico y la era actual

A partir de los años noventa ocurrió un cambio de paradigma silencioso pero decisivo: la IA dejó de intentar programar el razonamiento mediante reglas explícitas y comenzó a extraer patrones estadísticos de grandes volúmenes de datos. Esta transformación puede dividirse en etapas: hasta finales de los años ochenta, los sistemas se basaban casi exclusivamente en reglas escritas a mano por expertos; después vino el giro estadístico, y finalmente la era de los grandes modelos. arxiv

El salto más reciente llegó con la arquitectura transformer, introducida en 2017, que permitió a los modelos procesar texto considerando todas las palabras de una oración simultáneamente en lugar de hacerlo de forma secuencial. Sobre esa base se construyeron los grandes modelos de lenguaje —GPT, LLaMA, Gemini, Claude— que hoy producen texto, traducen idiomas, generan imágenes y sostienen conversaciones con una fluidez que hace apenas una década parecía imposible.

Lo que esta historia muestra es que la IA no es el producto inevitable del progreso técnico, sino el resultado de decisiones filosóficas, institucionales y financieras concretas: qué se definió como inteligencia, qué se financió, qué fracasó y por qué, y quiénes quedaron fuera de la conversación en cada etapa.

Cómo aprende una máquina

Entender cómo funciona técnicamente la IA es una condición para poder evaluarla críticamente. Un sistema cuyo funcionamiento permanece opaco para quienes lo usan es un sistema sobre el que resulta difícil ejercer cualquier forma de control o cuestionamiento. Lo que sigue no es una explicación técnica exhaustiva sino una introducción a los mecanismos básicos que hacen posible lo que estos sistemas hacen; y también lo que no pueden hacer.

El giro fundamental de la IA contemporánea consistió en abandonar la programación explícita de reglas y reemplazarla por el aprendizaje a partir de ejemplos. En lugar de introducir una fórmula matemática o lógica que procese los datos, los modelos de IA deducen esas fórmulas a partir del proceso de entrenamiento y posteriormente las utilizan para obtener resultados razonables a partir de nuevas entradas. En lugar de decirle a la máquina qué hacer, se le muestra cómo se ve el resultado correcto miles o millones de veces, y se la deja encontrar los patrones por sí sola. Psicología Miente

Redes neuronales: la analogía y sus límites

El mecanismo central de la IA actual son las redes neuronales artificiales. El nombre evoca al cerebro humano, y la analogía tiene una base real pero también límites importantes.

Una red neuronal artificial consta de unidades o nodos conectados llamados neuronas artificiales. Cada neurona artificial recibe señales de las neuronas conectadas, las procesa y envía una señal a otras neuronas conectadas. La fuerza de la señal en cada conexión está determinada por un peso, que se ajusta durante el proceso de aprendizaje.

La analogía con el cerebro sirvió de inspiración inicial, pero los sistemas actuales no replican el funcionamiento biológico real: son estructuras matemáticas que procesan números, no organismos que perciben, sienten o comprenden. Confundir la metáfora con el mecanismo ha sido una fuente recurrente de expectativas infundadas sobre lo que estos sistemas pueden hacer.

El entrenamiento: aprender de ejemplos

Las redes neuronales funcionan combinando millones de ejemplos de datos de entrenamiento e identificando automáticamente correlaciones sutiles entre muchas variables. Una vez entrenado, el algoritmo puede usar su banco de asociaciones para interpretar nuevos datos.

El proceso de entrenamiento funciona por corrección iterativa: el sistema produce una respuesta, se compara con la respuesta correcta, y se ajustan los pesos de las conexiones para reducir el error. Ese ciclo se repite millones de veces hasta que el sistema alcanza un nivel de desempeño aceptable. Lo que resulta de ese proceso no es comprensión sino ajuste estadístico: el sistema aprende qué combinaciones de datos tienden a producir qué resultados, sin entender por qué.

Existen tres modalidades principales de entrenamiento. En el aprendizaje supervisado, cada ejemplo de entrenamiento incluye la respuesta correcta —el sistema aprende a clasificar correos como spam porque alguien etiquetó miles de correos previamente. En el aprendizaje no supervisado, el sistema recibe datos sin etiquetas y encuentra estructuras por sí solo. En el aprendizaje por refuerzo, el sistema aprende por ensayo y error en un entorno simulado, recibiendo recompensas cuando produce resultados deseados.

El problema de los datos: quién los produce y a qué costo

Aquí es donde la dimensión técnica se vuelve inevitablemente política. Los sistemas de IA no aprenden de la realidad directamente: aprenden de datos, y los datos no son neutros. Son registros producidos por personas en contextos históricos y sociales específicos, con los sesgos, exclusiones y desigualdades que esos contextos implican.

La IA generativa requiere que seres humanos clasifiquen, etiqueten y moderen los datos con los que los modelos aprenden. Una hora de vídeo destinada a entrenar un coche autónomo puede suponer hasta 800 horas de trabajo humano de etiquetado. Este trabajo está mayoritariamente externalizado hacia países donde los costos laborales son bajos, las ganancias se concentran donde se desarrollan los modelos; el trabajo más precario ocurre donde se producen los datos. Acade

La revista TIME reveló en 2023 que trabajadores contratados por Sama, una empresa de subcontratación, etiquetaron contenido tóxico para ayudar a entrenar sistemas de seguridad vinculados a ChatGPT. La IA generativa no surge de la nada: surge del trabajo mal pagado, precario y psicológicamente costoso de miles de personas en Kenya, Venezuela, Filipinas y otros países del Sur Global. Acade

Qué puede y qué no puede hacer

El aprendizaje profundo ha permitido analizar datos más allá de los números, incluyendo imágenes, audio y otros tipos de información compleja. Los sistemas actuales son capaces de reconocer patrones en volúmenes de datos que ningún ser humano podría procesar, y de hacerlo con una velocidad y consistencia notables. Larueca

Sin embargo, tienen límites estructurales. La IA identifican correlaciones, no causas. No tiene un modelo del mundo: procesan texto sobre el mundo sin acceder al mundo. No saben cuándo se equivocan: producen respuestas con igual fluidez cuando son correctas y cuando son falsas. No generalizan fuera de su dominio de entrenamiento: un sistema entrenado para reconocer tumores en radiografías de tórax no funciona en radiografías de abdomen sin reentrenamiento específico.

Estos límites no son fallas técnicas temporales que más datos o mayor potencia de cómputo resolverán. Son consecuencias de la arquitectura misma.

Quién produce la IA y desde dónde

La expansión de plataformas digitales, infraestructuras de datos y sistemas de inteligencia artificial ha configurado una nueva arquitectura global de poder basada en el control de la información y de los procesos de producción de conocimiento. Esa arquitectura no es simétrica: los modelos más avanzados se desarrollan en un puñado de corporaciones con sede en Estados Unidos y, en menor medida, China. El resto del mundo los consume, los financia con sus datos y carga con sus efectos —sin participar en su diseño ni en sus ganancias. University of Southampton

Los proveedores estadounidenses AWS, Azure y Google Cloud ya controlan más del 60% del mercado mundial de la nube. Los habitantes de África, América Latina y Asia suelen proporcionar datos de forma gratuita o casi gratuita, y los modelos de IA ya desarrollados les son devueltos en forma de costosos servicios.

El concepto de colonialismo digital nombra esta estructura. Michael Kwet lo define como "el uso de la tecnología digital para la dominación política, económica y social de otra nación o territorio", señalando que, de manera análoga al colonialismo clásico, el colonialismo digital depende de la instalación de infraestructuras controladas por corporaciones con sede en Estados Unidos, del trabajo en la minería de personas en África y América Latina, y de la apropiación de los datos como materia prima de los servicios de inteligencia artificial. Scribd

América Latina: consumidora de tecnología que no controla

En América Latina existe una alarmante escasez de perfiles técnicos, falta de financiación, ausencia de regulaciones propias y dependencia tecnológica que deja a la región sin herramientas efectivas de protección. Los datos viajan, se procesan y se almacenan sin supervisión local, sin capacitación profesional ni respaldo legal, y con escaso debate público sobre los riesgos que plantea la concentración de poder tecnológico en manos de las corporaciones digitales. mit

Desde una perspectiva latinoamericana, este fenómeno puede interpretarse como una nueva forma de dependencia tecnológica, en la cual los países periféricos consumen plataformas, algoritmos e infraestructuras digitales desarrolladas en los centros del poder tecnológico global, reproduciendo así la histórica división internacional del trabajo. Los mecanismos son estructuralmente similares a los del extractivismo de recursos naturales, con la diferencia de que la materia prima ahora son los datos de comportamiento, las preferencias, las voces y las imágenes de millones de personas.

El sesgo algorítmico: cuando la discriminación se automatiza

Los algoritmos aprenden de datos históricos que reflejan desigualdades históricas, y al hacerlo las reproducen —frecuentemente las amplifican— con la apariencia de objetividad matemática. La cadena es directa: datos sesgados producen decisiones sesgadas. Cuando un sistema de inteligencia artificial se entrena con datos históricos que reflejan discriminación, el sistema aprende a discriminar. No porque "se equivoque", sino porque hace exactamente lo que se le ha enseñado. Scribd

Los casos documentados son numerosos. Joy Buolamwini, investigadora del MIT Media Lab, descubrió que varios sistemas comerciales de reconocimiento facial diseñados por Amazon, IBM y Microsoft funcionaban mejor con el rostro de sus amigos blancos que con el suyo propio. En el sistema de predicción de reincidencia COMPAS, utilizado en tribunales de Estados Unidos, Brisha Borden, mujer negra de 18 años, fue clasificada como alto riesgo tras un delito menor, mientras que Vernon Prater, hombre blanco de 41 años con antecedentes de robo a mano armada, fue clasificado como bajo riesgo. Dos años después, Borden no había cometido ningún nuevo delito; Prater cumplía una condena de ocho años.

A este tipo de tendencias se le ha denominado sesgo algorítmico: sistemas cuyas predicciones benefician sistemáticamente a un grupo de individuos frente a otro, resultando injustas o desiguales. El concepto surgió de la observación de tecnologías de reconocimiento facial y vigilancia predictiva que reproducen desigualdades existentes, expandiéndose hacia nuevas construcciones de tipo colonial que colocan a las comunidades negras, indígenas y racializadas bajo vigilancia dirigida por los Estados.

Lo que hace al sesgo algorítmico especialmente problemático es su escala, su velocidad y su opacidad. Un juez discriminatorio puede ser cuestionado; un algoritmo que produce los mismos resultados se presenta como técnico, neutral y objetivo. 

Soberanía digital: el debate abierto

Frente a este panorama han surgido propuestas de soberanía digital: la capacidad de los Estados y las comunidades de controlar sus propios datos, sus infraestructuras tecnológicas y las reglas que gobiernan los sistemas que los afectan. El análisis crítico del colonialismo digital no apunta a un simple rechazo de las nuevas tecnologías, sino a una descolonización de la economía del conocimiento y el desarrollo científico implantada por las grandes corporaciones tecnológicas.

Este debate está activo en América Latina, aunque las respuestas institucionales son aún fragmentarias e insuficientes frente a la velocidad de la concentración tecnológica global.

Ética, regulación y el debate abierto

La pregunta sobre cómo regular la inteligencia artificial presupone un acuerdo previo que no existe: acuerdo sobre qué se quiere de ella, para quién y bajo qué principios. Las propuestas regulatorias en circulación son posiciones políticas que reflejan intereses y valores distintos. 

El instrumento más amplio disponible es la Recomendación sobre la ética de la inteligencia artificial de la UNESCO, aprobada en noviembre de 2021. Es el primer instrumento normativo mundial sobre la ética de la inteligencia artificial y fue aprobado por los 193 estados miembros de la organización. Sus objetivos principales apuntan a ofrecer bases éticas concordantes con los derechos humanos, una ley de no discriminación y criterios de protección ambiental sobre los cuales formular las leyes que rijan la IA. Al tratarse de recomendaciones, no generan obligaciones jurídicas exigibles. 

La Unión Europea avanzó más lejos con su Reglamento de Inteligencia Artificial (AI Act), aprobado en 2024, que establece categorías de riesgo y obligaciones concretas para los sistemas de IA según su impacto potencial. Es el marco regulatorio más detallado existente, pero tiene dos límites evidentes: su alcance es regional, y fue diseñado desde los intereses y la perspectiva de economías desarrolladas, sin participación sustantiva del Sur Global en su formulación.

La carrera entre Estados Unidos y China por desarrollar la IA aleja todavía más la posibilidad de una legislación común internacional. En ese contexto, América Latina carece aún de marcos regulatorios propios sólidos: la opacidad de los algoritmos, el rastreo y la vigilancia masiva, y los sesgos en los datos de entrenamiento son riesgos identificados pero sin regulación. 

Privacidad, vigilancia y el control de los cuerpos

Uno de los usos más extendidos y menos debatidos públicamente de la IA es la vigilancia. Los sistemas de reconocimiento facial, análisis de comportamiento y predicción de riesgo se despliegan en espacios públicos, fronteras, sistemas judiciales y entornos laborales con una supervisión legal mínima en la mayoría de los países.

El Secretario General de la ONU alertó en 2024 que la IA está erosionando el principio fundamental del control humano sobre el uso de la fuerza, señalando sistemas que van desde la vigilancia autónoma de fronteras hasta la vigilancia predictiva, y advirtiendo que la carrera armamentista basada en IA crea un terreno fértil para malentendidos y errores de cálculo.

El caso más extremo es el de los sistemas de armas autónomas letales: dispositivos capaces de seleccionar y atacar objetivos sin intervención humana directa. Los expertos coinciden en que, al eliminar el riesgo y la dificultad de quitar vidas humanas, estas armas podrían convertirse en poderosos instrumentos de violencia y opresión, especialmente cuando se vinculan a sistemas de vigilancia masiva. Una carrera armamentista en este ámbito podría resultar ingobernable para la comunidad internacional. Las negociaciones para prohibirlas o regularlas llevan más de una década sin producir acuerdos reales.

La "ética corporativa" como problema

Un fenómeno relevante del debate actual es la proliferación de declaraciones de "ética de la IA" producidas por las mismas corporaciones que desarrollan y comercializan estos sistemas. Google, Microsoft, OpenAI y otras empresas han publicado principios éticos, consejos asesores y compromisos voluntarios que, en la mayoría de los casos, no están sujetos a verificación externa ni a consecuencias jurídicas por incumplimiento. Este fenómeno ha sido denominado ethics washing: usar lenguaje ético para gestionar la reputación y desplazar la regulación externa, sin modificar sustancialmente las prácticas. 

El debate sobre riesgos existenciales

En los últimos años ha ganado visibilidad un debate sobre los riesgos "existenciales" de la IA: la posibilidad de que sistemas suficientemente avanzados escapen al control humano y amenacen la supervivencia de la especie. Sin negar que los riesgos de largo plazo sean legítimos objetos de análisis, varios investigadores han señalado que el énfasis en amenazas futuras e hipotéticas tiende a desplazar la atención de los daños presentes y documentados: el sesgo algorítmico, la vigilancia masiva, la precarización del trabajo, la concentración del poder tecnológico. Discutir robots superinteligentes futuros es, para quienes ya sufren discriminación algorítmica hoy, un lujo epistémico que el debate público no puede permitirse de forma exclusiva. 

La IA y las ciencias sociales

Para las ciencias sociales y la antropología, la inteligencia artificial plantea una triple relación: es simultáneamente una herramienta metodológica en expansión, un objeto de estudio cultural e institucional, y un fenómeno que interpela los fundamentos mismos de la producción de conocimiento. Confundir estos tres registros produce tanto entusiasmo acrítico como rechazo infundado.

La IA como herramienta metodológica

Las ciencias sociales han comenzado a incorporar herramientas de IA para tareas que antes requerían años de trabajo manual: análisis de corpus textuales masivos, procesamiento de archivos históricos, identificación de patrones en grandes conjuntos de datos cualitativos, transcripción automática de entrevistas, etcétera.

La etnografía digital utiliza métodos de investigación digital para estudiar comportamientos, culturas y comunidades, tanto digitales como no digitales. La digitalización, las redes sociales y la inteligencia artificial están cambiando lo que significa ser humano, colocando a humanos y tecnología en una relación dinámica y recíproca.

Sin embargo, la incorporación de estas herramientas no es neutral. Los estudios etnográficos pueden entregar información cualitativa escasa dentro de la literatura actual sobre IA, la cual se basa principalmente en métricas y análisis cuantitativos. Al mismo tiempo, la inteligencia artificial tiene el potencial de transformar muchas aproximaciones metodológicas de la etnografía clásica. Esa transformación no ocurre sin pérdidas: la densidad interpretativa del trabajo de campo, la atención a la particularidad, la relación entre investigador e interlocutor son dimensiones que ningún algoritmo procesa.

El límite epistémico es claro: la IA puede identificar patrones en datos ya existentes, pero no puede formular las preguntas que dan sentido a esos datos, evaluar su relevancia teórica ni producir el tipo de comprensión contextual que caracteriza al trabajo etnográfico. Usarla como sustituto del análisis social equivale a confundir el instrumento con el método.

La IA como objeto de estudio

Más allá de su uso metodológico, la IA es en sí misma un objeto de análisis para las ciencias sociales. La intersección entre antropología e IA abarca desde el evolucionismo aplicado al aprendizaje automático hasta las teorías del actor-red aplicadas a sistemas algorítmicos. Los algoritmos reproducen patrones culturales y transforman lo social, pero las ciencias sociales han tenido una incidencia limitada en su análisis.

Kate Crawford, investigadora de las implicaciones sociales de la IA, argumenta que la inteligencia artificial ni es inteligente ni es artificial en el sentido que el nombre sugiere: es el resultado de más de diez años de investigación acerca de la extracción de datos a gran escala, tanto del costo material —explotación de minerales, recursos naturales, mano de obra— como de las estrategias subyacentes al dominio de una tecnología que perpetúa el poder y sus sesgos sociales y culturales.

Tratar la IA no como una tecnología dada sino como una práctica social, económica e institucional históricamente situadas es la contribución específica que las ciencias sociales pueden hacer al debate. Preguntar quién diseña estos sistemas, con qué supuestos, bajo qué incentivos y con qué efectos sobre qué poblaciones es una tarea que la ingeniería y la informática no están equipadas para responder por sí solas.

Un caso concreto: IA en comunidades indígenas de América Latina

La investigación social ha comenzado a documentar cómo la expansión de sistemas de IA afecta a comunidades indígenas de formas específicas y frecuentemente invisibilizadas en el debate global. Un estudio etnográfico sobre la integración de la inteligencia artificial en los Altos de Chiapas examina la intersección entre tecnología y tradición, analizando cómo comunidades con sistemas de conocimiento propios experimentan la llegada de herramientas diseñadas sin ninguna referencia a sus lenguas, cosmovisiones ni necesidades concretas.

Este tipo de investigación pone en evidencia una asimetría estructural: los sistemas de IA se entrenan con datos que sobrerrepresentan al inglés, a las culturas urbanas y a las clases medias globales. Las lenguas indígenas, los conocimientos locales y las prácticas comunitarias quedan fuera —no por accidente sino porque nunca fueron consideradas en el diseño. Esa exclusión no es solo un problema técnico corregible con más datos: es una expresión de las mismas jerarquías epistémicas que las ciencias sociales críticas llevan décadas analizando.

¿Qué pueden hacer las ciencias sociales?