Thursday, August 27, 2026

Inteligencia artificial y progreso humano: productividad, poder, derechos y límites ecológicos By Dr. Bernardo Javalquinto Lagos El debate sobre inteligencia artificial parece haber quedado atrapado entre dos extremos. Por un lado, una visión casi apocalíptica anuncia desempleo masivo, pérdida de control humano y sistemas autónomos capaces de transformar nuestras sociedades de manera impredecible. Por otro, una visión marcadamente optimista presenta la IA como una tecnología destinada a resolver problemas de productividad, salud, educación y desarrollo que las instituciones tradicionales no han logrado solucionar. Ambas perspectivas contienen elementos atendibles, pero ninguna resulta suficiente. La pregunta económica y social relevante no es si la inteligencia artificial será “buena” o “mala”, sino qué instituciones determinarán quién obtiene sus beneficios, quién asume sus costos y quién responde cuando sus decisiones producen daño. Esta es precisamente una de las interrogantes planteadas por Michael Green y Emrys Schoemaker en el episodio The AI conversation we are not having: trust, control and social progress, publicado el 18 de agosto de 2026 en Beyond GDP: The Social Progress Podcast. La conversación desplaza la discusión desde las capacidades espectaculares de los modelos hacia algo bastante más concreto: empleo, servicios públicos, derechos ciudadanos, confianza institucional, recursos naturales y concentración del poder tecnológico. La inteligencia artificial debe medirse por sus efectos, no por sus promesas Desde la perspectiva económica, la IA constituye una tecnología de propósito general: puede modificar simultáneamente múltiples sectores, reducir determinados costos de producción, complementar capital humano y cambiar la organización del trabajo. En ese sentido, su potencial productivo es real. Pero productividad y progreso social no son conceptos equivalentes. Una empresa puede aumentar su productividad utilizando inteligencia artificial y, al mismo tiempo, reducir empleo, intensificar la supervisión sobre sus trabajadores o concentrar una proporción mayor del ingreso generado. Del mismo modo, un Estado puede disminuir los costos administrativos automatizando decisiones sin que ello garantice mayor justicia, mejor acceso a los servicios públicos o mayor confianza de la ciudadanía. Esta distinción es particularmente importante si aceptamos el principio que inspira el concepto de “Beyond GDP”: el crecimiento económico constituye un instrumento del desarrollo, pero no una medida completa del bienestar humano. El desempeño de una tecnología debería evaluarse también mediante sus consecuencias sobre educación, salud, derechos, seguridad, oportunidades, inclusión y calidad institucional. La historia económica proporciona numerosos precedentes. La mecanización industrial elevó extraordinariamente la productividad, pero necesitó décadas de reformas laborales, educativas y sociales para distribuir parte de esos beneficios. La electrificación aumentó las posibilidades productivas solamente allí donde existieron infraestructura y acceso. Internet multiplicó el valor económico de la información, pero generó simultáneamente nuevas formas de concentración empresarial. La inteligencia artificial probablemente no será diferente. La tecnología abre posibilidades; las instituciones determinan buena parte de sus resultados sociales. La paradoja del empleo: los países ricos están más expuestos Uno de los aspectos más interesantes del debate actual es que la automatización mediante IA no reproduce exactamente las antiguas revoluciones industriales. Durante gran parte del siglo XX, la automatización afectó inicialmente a trabajadores industriales y tareas manuales repetitivas. La inteligencia artificial generativa está penetrando, en cambio, actividades cognitivas: redacción, programación, análisis financiero, administración, diseño, traducción, atención al cliente, procesamiento documental y numerosas funciones profesionales. Esta característica explica una aparente paradoja: las economías avanzadas presentan una exposición laboral a la inteligencia artificial mayor que muchas economías de bajos ingresos. El Fondo Monetario Internacional estimó que aproximadamente el 40 % del empleo mundial está expuesto a la IA. La exposición ascendería a cerca del 60 % en las economías avanzadas, frente al 40 % en mercados emergentes y alrededor del 26 % en países de bajos ingresos. La razón es relativamente sencilla: las economías desarrolladas contienen una proporción mayor de empleos intensivos en información y tareas cognitivas que los sistemas actuales pueden complementar o automatizar parcialmente. La Organización Internacional del Trabajo llegó a una conclusión compatible, aunque utilizando una metodología diferente. Su actualización de 2025 estima que aproximadamente uno de cada cuatro trabajadores del mundo se encuentra en una ocupación con algún grado de exposición a la inteligencia artificial generativa. La proporción alcanza alrededor del 34 % del empleo en los países de altos ingresos, frente al 11 % en los países de bajos ingresos. Sin embargo, sería un error transformar automáticamente “exposición” en “desempleo”. La propia OIT sostiene que, para gran parte de las ocupaciones, el efecto más probable será inicialmente la transformación del trabajo, porque algunos componentes de una ocupación pueden automatizarse mientras otros continúan requiriendo capacidades humanas. Aquí aparece el verdadero problema económico. Si una persona puede producir en tres horas lo que antes requería ocho, la economía ha experimentado un incremento de productividad. Pero quedan abiertas varias preguntas: ¿se traducirá esa productividad en salarios mayores?, ¿en jornadas laborales más cortas?, ¿en mayores utilidades empresariales?, ¿en reducción de trabajadores?, ¿o en una combinación de estas alternativas? La inteligencia artificial no determina por sí misma esa distribución. La negociación laboral, la competencia empresarial, la capacitación, las políticas tributarias, la educación y las instituciones sociales influirán decisivamente en el reparto de las ganancias de productividad. Cuando el algoritmo se transforma en Estado El problema adquiere otra dimensión cuando quien utiliza sistemas automatizados no es una empresa privada, sino el Estado. Supongamos que un algoritmo participa en la decisión de conceder un subsidio, determinar una deuda tributaria, identificar fraude, priorizar un tratamiento médico, evaluar riesgo criminal o asignar determinados beneficios sociales. En estas circunstancias ya no estamos simplemente frente a un instrumento de productividad. Estamos frente al ejercicio de autoridad pública. Y surge una pregunta elemental: ¿Quién responde cuando el algoritmo se equivoca? Un sistema informático no puede asumir responsabilidad jurídica ni moral. No puede comparecer ante un tribunal, compensar a una víctima ni ejercer responsabilidad política. Existen precedentes que muestran la gravedad del problema. En los Países Bajos, el sistema SyRI utilizaba grandes volúmenes de información administrativa para generar perfiles de riesgo relacionados con posibles fraudes en beneficios sociales y otras materias. En 2020, el Tribunal de Distrito de La Haya determinó que el marco jurídico que regulaba el sistema vulneraba el artículo 8 del Convenio Europeo de Derechos Humanos y destacó que su funcionamiento era insuficientemente transparente y verificable. Australia ofrece otro ejemplo, aunque técnicamente Robodebt no debe confundirse con los actuales modelos generativos de IA. El caso resulta relevante porque demuestra los peligros más generales de automatizar decisiones administrativas de elevado impacto. La Royal Commission creada para investigar el sistema concluyó su trabajo en 2023 y recomendó, entre otras medidas, establecer mecanismos claros de revisión para las personas afectadas por decisiones automatizadas, explicar públicamente cómo funcionan dichos procesos y someter sus algoritmos y reglas de decisión a escrutinio independiente. La lección institucional es profunda: automatizar una decisión no puede significar automatizar la responsabilidad. La UNESCO ha establecido precisamente este principio en su Recomendación sobre la Ética de la Inteligencia Artificial. La responsabilidad ética y jurídica debe poder atribuirse siempre a personas físicas o entidades jurídicas existentes. Asimismo, la organización plantea principios de transparencia, supervisión humana, trazabilidad, auditoría y acceso a mecanismos de reparación. La eficiencia administrativa nunca puede sustituir al debido proceso. La confianza podría convertirse en el recurso escaso Esta cuestión conduce a un aspecto de la IA que los modelos económicos tradicionales difícilmente capturan: la confianza. Las instituciones funcionan porque los ciudadanos aceptan determinadas decisiones aun cuando personalmente no resulten beneficiados por ellas. Esa legitimidad requiere procedimientos considerados razonablemente transparentes, predecibles y revisables. Una decisión humana puede ser discutible, pero normalmente sabemos quién la adoptó. Una decisión algorítmica puede ser mucho más difícil de impugnar cuando intervienen modelos complejos, proveedores tecnológicos externos, bases de datos opacas y procedimientos administrativos automatizados. Entonces puede producirse una peligrosa fragmentación de responsabilidad: el funcionario sostiene que “lo determinó el sistema”; la institución argumenta que utilizó un proveedor tecnológico; el proveedor explica que solamente suministró la herramienta; y el ciudadano termina enfrentándose a una decisión concreta sin identificar claramente quién debe responder por ella. Ese escenario amenaza directamente la legitimidad institucional. Por eso el verdadero problema de gobernanza no consiste solamente en obtener algoritmos más precisos. Consiste en mantener una cadena identificable de responsabilidad humana. La inteligencia artificial tampoco es inmaterial Existe además una dimensión que frecuentemente desaparece detrás del lenguaje de “la nube”. La inteligencia artificial necesita infraestructura física: centros de datos, semiconductores, sistemas de refrigeración, redes eléctricas, terrenos, minerales y agua. La Agencia Internacional de Energía estimó que los centros de datos consumieron alrededor de 415 TWh de electricidad mundial en 2024, aproximadamente el 1,5 % del consumo eléctrico global. Su escenario central proyecta cerca de 945 TWh para 2030. La IA constituye el principal impulsor del crecimiento proyectado de esa demanda. Esto no significa que la inteligencia artificial sea necesariamente incompatible con los objetivos ambientales. La misma tecnología puede contribuir a optimizar redes eléctricas, procesos industriales, logística y utilización de recursos. El balance dependerá tanto de la eficiencia de los modelos como de la matriz energética utilizada para ejecutarlos. El agua constituye otro factor menos visible. Li, Yang, Islam y Ren estimaron que la creciente demanda global asociada a IA podría implicar entre 4.200 y 6.600 millones de metros cúbicos de extracción de agua en 2027. Los autores estimaron asimismo que el entrenamiento de GPT-3 en determinados centros de datos estadounidenses podría haber provocado una evaporación directa cercana a 700.000 litros de agua dulce. Estas cifras son estimaciones sujetas a supuestos tecnológicos y geográficos y no deben interpretarse como mediciones universales de todos los sistemas de IA, pero permiten comprender que la infraestructura digital posee una huella material considerable. Por lo tanto, cuando evaluamos la productividad generada por IA también deberíamos contabilizar sus costos energéticos, ambientales y territoriales. El segundo gran problema: quién controla la infraestructura La economía política de la inteligencia artificial presenta otra característica decisiva: una concentración considerable de capital, capacidad computacional, datos y conocimiento. El Technology and Innovation Report 2025 de UNCTAD advierte que la infraestructura y el conocimiento necesarios para desarrollar inteligencia artificial están concentrados en pocas economías y grandes corporaciones. Solo 100 empresas, principalmente de Estados Unidos y China, representan aproximadamente el 40 % del gasto empresarial mundial en investigación y desarrollo considerado por el organismo. UNCTAD también advierte que muchos países en desarrollo carecen de la infraestructura necesaria para participar plenamente en esta transformación. El problema no es simplemente que algunas empresas sean grandes. Desde una perspectiva económica, existen importantes economías de escala en computación, almacenamiento de datos y desarrollo de modelos. La preocupación aparece cuando esa escala genera barreras de entrada, dependencia tecnológica o poder suficiente para controlar simultáneamente diferentes capas de la cadena de valor: chips, nube, modelos, plataformas y distribución. La OCDE ha advertido precisamente sobre la concentración de recursos computacionales, infraestructura cloud, datos y modelos fundacionales, porque puede dificultar la entrada de empresas más pequeñas y crear dependencias en los mercados posteriores. Aquí surge un desafío especialmente relevante para América Latina, África y otras regiones en desarrollo. El riesgo no consiste solamente en “quedarse atrás” tecnológicamente. Existe también la posibilidad de convertirse en consumidores permanentes de inteligencia producida, entrenada y gobernada en otras jurisdicciones. Eso tiene implicancias económicas, estratégicas y culturales. La alternativa de modelos más pequeños y capacidades locales Sin embargo, la concentración no constituye necesariamente un resultado irreversible. Una tendencia tecnológica interesante es la rápida mejora de modelos de menor tamaño. El AI Index 2025 de Stanford muestra, por ejemplo, que un nivel determinado de rendimiento en la prueba MMLU que en 2022 requería un modelo de aproximadamente 540.000 millones de parámetros podía alcanzarse en 2024 mediante un modelo de 3.800 millones de parámetros. También se han reducido considerablemente los costos de inferencia. Esto puede favorecer modelos especializados, sistemas ejecutados localmente y soluciones adaptadas a idiomas, instituciones o necesidades nacionales concretas. Pero no elimina automáticamente la dependencia. Los semiconductores avanzados, grandes centros de datos y servicios cloud permanecen altamente concentrados. La estrategia inteligente para los países de ingresos medios no debería consistir en intentar reproducir todas las inversiones de las grandes potencias tecnológicas. Debería concentrarse en construir capacidades soberanas donde realmente agreguen valor: formación de capital humano, infraestructura digital, datos públicos de calidad, investigación universitaria, modelos especializados, regulación competente y capacidad estatal para auditar sistemas adquiridos a terceros. Una nueva variable del desarrollo Durante décadas, la economía del desarrollo preguntó cuánto capital tenía un país, cuánto invertía, cuánto exportaba o cuánto producía por habitante. La inteligencia artificial introduce progresivamente otra variable: la capacidad de transformar información en conocimiento productivo sin perder autonomía institucional. Los países que solamente consuman soluciones desarrolladas en otros lugares podrían experimentar incrementos de productividad, pero capturar una fracción relativamente pequeña del valor económico generado. Los países que desarrollen capital humano, infraestructura, empresas tecnológicas, investigación aplicada y capacidad regulatoria podrán participar en niveles superiores de esa cadena de valor. Existe aquí una paradoja. Las economías desarrolladas poseen mayor exposición inmediata a la automatización, pero también cuentan generalmente con mejores universidades, capital, infraestructura y empresas para capturar sus beneficios. Las economías pobres pueden experimentar menor desplazamiento inicial precisamente porque muchas de sus actividades todavía no son automatizables, pero esa aparente protección puede convertirse posteriormente en una nueva brecha de productividad. Por eso la menor exposición a la IA no necesariamente constituye una ventaja. Puede ser simplemente otra manifestación del subdesarrollo. Del PIB al progreso humano La discusión planteada por Green y Schoemaker conduce finalmente a una pregunta más amplia: ¿cómo deberíamos medir el éxito de la inteligencia artificial? Si una economía adopta masivamente IA y su PIB aumenta, pero simultáneamente crece la concentración del ingreso, desaparecen empleos de calidad, aumenta la vigilancia, disminuye la privacidad, se debilita la posibilidad de reclamar decisiones administrativas y determinadas comunidades soportan desproporcionadamente los costos energéticos y ambientales, difícilmente podríamos afirmar que existe un progreso equivalente al crecimiento registrado. Pero tampoco sería razonable rechazar una tecnología capaz de aumentar productividad, ampliar acceso al conocimiento, mejorar diagnósticos, acelerar investigación científica y reducir costos administrativos. La cuestión correcta no es IA sí o IA no. La cuestión es qué tipo de inteligencia artificial, gobernada por quién, bajo qué reglas, para beneficio de quién y con qué mecanismos de responsabilidad. Desde la economía, la respuesta requiere considerar productividad y distribución. Desde el derecho, responsabilidad y debido proceso. Desde la política pública, transparencia y capacidad institucional. Desde la competencia económica, concentración y barreras de entrada. Desde la perspectiva ambiental, energía, agua y emisiones. Y desde el desarrollo humano, oportunidades reales para que las personas puedan vivir vidas más saludables, libres y dignas. La inteligencia artificial puede convertirse en una poderosa herramienta de progreso. Pero ningún algoritmo garantiza por sí mismo ese resultado. El desafío de nuestra generación no consiste solamente en construir máquinas más inteligentes. Consiste en construir instituciones suficientemente inteligentes para gobernarlas. Referencias Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. J., & Tavares, M. M. (2024). Gen-AI: Artificial Intelligence and the Future of Work. IMF Staff Discussion Note 2024/001, International Monetary Fund. Gmyrek, P., Berg, J., & Bescond, D. (2023). Generative AI and Jobs: A Global Analysis of Potential Effects on Job Quantity and Quality. ILO Working Paper No. 96. International Labour Organization. doi:10.54394/FHEM8239. Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper No. 140. International Labour Organization. International Energy Agency. (2025). Energy and AI. IEA, París. Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). “Making AI Less ‘Thirsty’: Uncovering and Addressing the Secret Water Footprint of AI Models”. Communications of the ACM, 68(7). doi:10.1145/3724499. Rachovitsa, M., & Johann, N. (2022). “The Human Rights Implications of the Use of AI in the Digital Welfare State: Lessons Learned from the Dutch SyRI Case”. Human Rights Law Review, 22(2), ngac010. Royal Commission into the Robodebt Scheme. (2023). Report of the Royal Commission into the Robodebt Scheme. Commonwealth of Australia. Social Progress Imperative. (2026, 18 de agosto). The AI conversation we are not having: trust, control and social progress. Beyond GDP: The Social Progress Podcast. Michael Green, con Emrys Schoemaker. Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University. UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence. United Nations Educational, Scientific and Cultural Organization. United Nations Conference on Trade and Development. (2025). Technology and Innovation Report 2025: Inclusive Artificial Intelligence for Development. United Nations.

0 Comments:

Post a Comment

<< Home