Reseñas de publicaciones académicas recientes relacionadas con la IA y filosofía
IA, humanidades y reflexividad tecnológica: pensar más rápido no significa comprender mejor
FUENTE: Zahra Sadat Roozafzai, “AI in Digital and Applied Humanities”, Social Empowerment Journal, vol. 8, n.º 4, número especial, 2026, pp. 14–25. Publicado el 31 de octubre de 2026. https://doi.org/10.34118/sej.v8i4.4903
Perspectiva filosófica. El principal valor del artículo consiste en identificar una tensión que suele quedar oculta detrás de la eficiencia de la inteligencia artificial: la velocidad de producción no equivale a la velocidad de comprensión. Roozafzai sostiene que las humanidades dependen de prácticas como la relectura, la duda, la contextualización, el diálogo y la maduración interpretativa.
La IA puede acelerar búsquedas, comparaciones y borradores, pero esa aceleración modifica también las condiciones en las que pensamos. La cuestión filosófica no es, por tanto, si las humanidades utilizarán IA, sino qué formas de atención, juicio y responsabilidad conservarán cuando la IA se convierta en infraestructura cotidiana del pensamiento.
El artículo presenta una investigación conceptual sobre el impacto de la IA en las humanidades digitales y aplicadas. No se trata de un estudio empírico con participantes, sino de una indagación fenomenológica basada en literatura interdisciplinaria. La autora analiza el problema desde cuatro dimensiones: epistemología, ontología, ética y temporalidad, y propone cuatro conceptos relacionados: disonancia temporal, inconsciente algorítmico, reflexividad tecnológica y ambigüedad relacional.
La disonancia temporal describe la tensión entre la velocidad de las máquinas y el ritmo más lento mediante el cual suele formarse la interpretación humana. La IA puede producir en segundos resúmenes, clasificaciones y textos que antes exigían horas o días. Esa capacidad puede liberar tiempo para tareas más complejas, pero también puede crear la ilusión de que una respuesta rápida y bien formulada equivale a una comprensión suficiente.
Roozafzai advierte que el riesgo aparece cuando la rapidez deja de ser simplemente una ventaja instrumental y se convierte silenciosamente en criterio de calidad. En ese punto, el investigador puede pasar directamente de la pregunta a una respuesta pulida sin detenerse en contradicciones, ambigüedades o interpretaciones fallidas. Por ello, la autora sostiene que la lentitud puede seguir siendo un recurso metodológico: releer fuentes primarias, reconstruir procedencias, detener deliberadamente el proceso y realizar determinadas etapas interpretativas sin IA.
El segundo concepto es el inconsciente algorítmico. La expresión se refiere a los supuestos, historias y jerarquías incorporados en datos de entrenamiento, sistemas de clasificación, coberturas lingüísticas, interfaces y mecanismos de recomendación. Estas estructuras pueden condicionar lo que el investigador encuentra antes incluso de comenzar conscientemente a interpretar.
Esto significa que el algoritmo no solo responde preguntas: puede contribuir a determinar qué fuentes aparecen, qué asociaciones parecen plausibles y qué caminos interpretativos resultan más accesibles. La autora propone, por tanto, una especie de sospecha hermenéutica dirigida no solamente hacia el texto estudiado, sino también hacia la herramienta que media nuestra relación con ese texto.
La reflexividad tecnológica constituye la respuesta principal a ese problema. Consiste en examinar de manera deliberada cómo los datos, interfaces, rankings, modelos y contextos institucionales de una herramienta condicionan aquello que se vuelve visible o convincente. El investigador debería verificar fuentes, comparar resultados con búsquedas no mediadas por IA, documentar los usos relevantes de estos sistemas y preservar momentos en los que el juicio interpretativo sea genuinamente independiente.
El cuarto concepto, la ambigüedad relacional, intenta describir la peculiar posición que ocupa la IA dentro del trabajo intelectual. Ya no es completamente una herramienta pasiva: puede sugerir formulaciones, reorganizar evidencia, generar alternativas e influir sobre la dirección de una investigación. En ese sentido, posee consecuencias semejantes a las de un participante. Sin embargo, no es un interlocutor humano: carece de experiencia vivida, responsabilidad moral y vulnerabilidad ante la posibilidad de cambiar de opinión.
La autora resume esta asimetría señalando que la IA puede poseer una “agencia con consecuencias” sin participar del diálogo bajo las mismas condiciones que un investigador humano. Precisamente por ello, la colaboración humano-IA no elimina la necesidad de responsabilidad; la vuelve más importante, porque influencia y responsabilidad quedan distribuidas de manera desigual.
El artículo también examina cuatro riesgos importantes. El primero es la pérdida de autoridad interpretativa cuando investigadores aceptan automáticamente resúmenes, clasificaciones o textos generados. El segundo es la descapacitación: habilidades como lectura profunda, búsqueda bibliográfica, traducción o reconstrucción de argumentos pueden debilitarse si se delegan continuamente.
El tercer riesgo se refiere a desigualdades académicas y laborales. Los beneficios de la IA no se distribuyen uniformemente entre instituciones, idiomas, regiones o disciplinas. El cuarto es la homogeneización cultural y epistemológica: sistemas entrenados principalmente con lenguas dominantes y fuentes muy visibles pueden reforzar tradiciones ya centrales y relegar todavía más archivos, conceptos y epistemologías minoritarias o procedentes del Sur Global.
Frente a estos riesgos, Roozafzai no propone abandonar la inteligencia artificial. Su posición es de adopción crítica. Entre las prácticas recomendadas aparecen identificar momentos en los que el investigador debe evaluar independientemente la evidencia, documentar cuándo la IA ha influido significativamente en el análisis, introducir deliberadamente “fricción epistémica” mediante pausas y verificaciones, proteger habilidades disciplinarias y examinar qué lenguas, comunidades y tradiciones interpretativas permanecen ausentes de los resultados.
Una de las formulaciones más importantes del artículo afirma que “el acceso no equivale al conocimiento”. La IA puede ampliar enormemente el acceso a datos, traducciones, patrones y posibles interpretaciones, pero esos resultados solo adquieren valor académico cuando ingresan en procesos humanos de justificación, contraste y juicio.
La conclusión retoma esta idea: la IA no añade simplemente una herramienta nueva a las humanidades, sino que transforma la ecología de la interpretación, modificando relaciones entre investigadores, textos, datos, instituciones y públicos. Por eso, la pregunta decisiva no es cuánto trabajo puede realizar la máquina, sino qué responsabilidad conserva el investigador sobre aquello que decide aceptar como significativo.
El artículo concluye con una formulación particularmente pertinente: “La cuestión más importante no es si las humanidades utilizarán inteligencia artificial, sino qué formas de atención, responsabilidad, diversidad y práctica intelectual serán preservadas o transformadas cuando la IA se convierta en infraestructura ordinaria para pensar”.
3 de noviembre de 2026
Simbiosis humano-IA: cómo los docentes reconstruyen su autoridad en la era algorítmica
FUENTE: Frederik Masri Gasa et al., “Human-AI Communication Symbiosis: How Educators Reconstruct Authority and Identity in the Algorithmic Era”, International Journal of Technology in Education and Science, vol. 11, n.º 1, 2027, pp. 248–262. Publicado el 15 de octubre de 2026. https://doi.org/10.46328/ijtes.8605
Perspectiva filosófica: El interés principal del artículo reside en mostrar que la crisis educativa provocada por la inteligencia artificial no es solamente tecnológica, sino también epistemológica y relacional. Cuando la máquina puede recuperar información, sintetizarla y producir respuestas con mayor rapidez que un docente, la autoridad basada en “saber más” pierde fuerza. Pero eso no elimina la autoridad humana: obliga a reconstruirla. El profesor aparece entonces menos como fuente exclusiva de conocimiento y más como alguien capaz de discernir, contextualizar, escuchar y ayudar a decidir qué información merece confianza y qué sentido debe atribuírsele.
El estudio analiza cómo directores, subdirectores y orientadores escolares de Samarinda, Indonesia, interpretan el impacto combinado de las redes sociales algorítmicas y la IA generativa sobre estudiantes y docentes. A partir de 34 cuestionarios abiertos, los autores emplean la teoría de sensemaking de Karl Weick para estudiar cómo los educadores reconstruyen su identidad profesional frente a un entorno comunicativo profundamente alterado.
El primer hallazgo es la pérdida progresiva de la autoridad epistémica tradicional del docente. Los profesores perciben que los estudiantes se aburren con mayor rapidez, tienen dificultades para mantener la atención y consideran más atractivos y creíbles los mensajes de plataformas digitales. El problema, según los participantes, no es simplemente el contenido, sino la forma de comunicación. Los algoritmos ofrecen mensajes breves, visuales, personalizados y emocionalmente resonantes, mientras que la enseñanza tradicional continúa apoyándose con frecuencia en comunicaciones lineales y unidireccionales.
Los autores interpretan esta situación como el encuentro entre dos epistemologías. La escuela tradicional responde a una lógica tipográfica, lineal y jerárquica; los estudiantes formados en ambientes digitales operan dentro de una epistemología visual-algorítmica, rápida, fragmentada y fuertemente afectiva. El artículo cuestiona, por tanto, la explicación simplista de que los jóvenes hayan “perdido” la capacidad de prestar atención. Más bien, su atención se ha desplazado hacia sistemas comunicativos diseñados específicamente para capturarla.
La IA generativa produce una segunda inquietud: la automatización cognitiva. Los docentes entrevistados temen que los estudiantes deleguen tareas de razonamiento, escritura y resolución de problemas sin comprender realmente los resultados. Su principal preocupación no es que la IA reemplace a los profesores, sino que los alumnos se vuelvan intelectualmente dependientes de ella, perdiendo capacidad para pensar de forma original y responsabilizarse por su propio aprendizaje.
Frente a esta situación, los educadores comienzan a redefinir su propia función. El estudio identifica dos nuevas identidades profesionales: “verificador ético” y “oyente empático”. El docente deja de competir con la IA en velocidad o capacidad de recuperación de datos y se concentra en ayudar al estudiante a evaluar la información, distinguir lo verdadero de lo falso y comprender qué resulta importante o prioritario.
Una de las citas recogidas resume claramente este cambio: el papel del profesor sería “ayudar a los estudiantes a comprender la verdad, lo importante y lo prioritario”. En la propuesta de los autores, la máquina puede proporcionar información, pero la persona conserva funciones relacionadas con significado, justificación moral y pensamiento crítico.
La segunda transformación se relaciona con la escucha. Los docentes reconocen que una comunicación exclusivamente vertical resulta insuficiente frente a plataformas que producen en los jóvenes una sensación de cercanía y comprensión personal. Como respuesta, algunos profesores enfatizan “escuchar más”, permitir que los estudiantes hablen más y actuar con mayor paciencia. Los autores interpretan este movimiento como una forma de empatía táctica destinada a reconstruir la relación humana dentro del aula.
El artículo denomina a esta reorganización simbiosis comunicativa humano-IA. No propone excluir la inteligencia artificial del proceso educativo ni entregarle completamente la tarea de enseñar. La máquina asumiría aquellas funciones en las que destaca, particularmente el procesamiento y organización de información, mientras que el ser humano preservaría las dimensiones de ética, propósito, interpretación y conversación.
La Figura 1 del estudio representa este proceso como una transición desde el modelo tradicional de comunicación docente hacia una situación de doble disrupción, causada por redes sociales e IA generativa, seguida de una etapa de sensemaking que desemboca en una nueva identidad profesional basada en verificación ética y escucha empática. El resultado esperado es una relación de complementariedad y no de simple sustitución.
Los autores reconocen que sus conclusiones son exploratorias. El estudio se limita a 34 participantes de un contexto educativo específico en Indonesia, utiliza cuestionarios abiertos en lugar de entrevistas u observación directa y recoge principalmente percepciones de los propios educadores. Por ello, el modelo requiere ser contrastado posteriormente en otros sistemas educativos y mediante metodologías más amplias.
La conclusión central es que la inteligencia artificial no vuelve irrelevante al docente, pero sí vuelve insostenible una determinada concepción del docente. Si su autoridad dependía principalmente de poseer y transmitir información, esa función puede ser desplazada. Por otra parte, si el papel de la IA consiste en ayudar a interpretar, verificar, contextualizar y escuchar, la expansión de la IA puede hacer esas capacidades humanas más visibles y más necesarias.
31 de octubre de 2026
El paratraductor emancipado: interpretar en la era algorítmica
FUENTE: Karl Schurster y Óscar Ferreiro-Vázquez, “El paratraductor emancipado: crítica, inteligencia artificial y la producción de sentido en la era algorítmica”, CIC. Cuadernos de Información y Comunicación, vol. 31, 2026, pp. 15–30. https://dx.doi.org/10.5209/ciyc.108695
Perspectiva filosófica: El artículo plantea una cuestión que trasciende el campo de la traducción: ¿puede la producción de sentido reducirse al cálculo de probabilidades? Schurster y Ferreiro-Vázquez sostienen que la inteligencia artificial puede reproducir patrones lingüísticos con enorme eficacia, pero que interpretar implica algo más: situarse ante la alteridad, reconocer contextos, elegir, asumir responsabilidad y producir significado dentro de relaciones históricas y culturales. La figura del “paratraductor emancipado” aparece así como una respuesta filosófica a la automatización: no competir con la máquina en velocidad, sino preservar la capacidad humana de interpretar críticamente aquello que la máquina tiende a estandarizar.
El estudio analiza las transformaciones de la traducción y la paratraducción ante la expansión de la inteligencia artificial generativa. Su tesis central es que la IA no debe entenderse solamente como una herramienta técnica aplicada al lenguaje. Los sistemas algorítmicos participan también en la producción, circulación y legitimación del sentido, modificando nociones como autoría, creatividad, originalidad y mediación cultural.
Los autores utilizan inicialmente la producción musical algorítmica como analogía. Desde hace décadas, los sistemas computacionales son capaces de detectar estructuras estilísticas y recombinarlas para producir nuevas composiciones. Algo semejante ocurre ahora con los grandes modelos de lenguaje: analizan enormes corpus y reproducen regularidades discursivas con gran fluidez. El problema filosófico aparece cuando esa capacidad formal se confunde con una auténtica producción interpretativa de significado.
Para abordar esa diferencia, el artículo recupera el concepto de paratraducción, desarrollado en los estudios de traducción para señalar que un texto nunca existe aisladamente. Su significado depende también de elementos visuales, editoriales, institucionales, digitales y culturales que condicionan su circulación y recepción. Traducir no consiste, por tanto, únicamente en transferir palabras entre idiomas, sino en intervenir en los marcos que hacen inteligible un texto dentro de otra cultura.
Desde esta perspectiva, la traducción es necesariamente una práctica situada. El traductor no es un operador neutral que transporta significados intactos, sino un mediador cultural que selecciona, reorganiza y reconstruye sentidos. El artículo recuerda una afirmación particularmente clara de José Yuste Frías: “No existe una supuesta neutralidad del traductor; toda traducción no solo refleja una ideología, sino que también contribuye a formarla”.
Esta idea permite extender la crítica hacia los sistemas algorítmicos. Si la traducción humana nunca es completamente neutral, tampoco puede considerarse neutral una traducción producida por IA. Los modelos trabajan con corpus previamente seleccionados, arquitecturas determinadas y decisiones de diseño que contienen perspectivas culturales y lingüísticas específicas. La aparente objetividad técnica puede simplemente hacer menos visibles esas mediaciones.
Aquí adquiere especial importancia la distinción, retomada de Philippe Lacour, entre lo probable calculable y lo plausible interpretativo. La IA trabaja mediante generalizaciones estadísticas y probabilísticas; la interpretación humana, en cambio, puede atender a singularidades, contextos y matices que no necesariamente coinciden con aquello que aparece con mayor frecuencia en los datos. Para los autores, esta diferencia marca uno de los límites epistemológicos fundamentales de la automatización lingüística.
El artículo incorpora además a Michel Foucault para comprender la dimensión política del problema. La crítica, en sentido foucaultiano, consiste en resistir la aceptación automática de los regímenes de verdad que pretenden gobernarnos. Aplicado a la IA, esto significa no aceptar el resultado algorítmico como una instancia última de validación simplemente porque proviene de un sistema técnicamente sofisticado.
Los autores advierten que los algoritmos no solo procesan información. También establecen criterios de relevancia, visibilidad y legitimidad. En ese sentido, pueden contribuir a una nueva forma de gubernamentalidad informacional en la que determinadas respuestas, interpretaciones y jerarquías aparecen como naturales precisamente porque son presentadas como resultados del cálculo.
Susan Sontag aporta otra dimensión a esta crítica. Los grandes modelos de lenguaje producen síntesis plausibles, pero esa capacidad puede generar una normalización estadística de los sentidos. Al reducir la multiplicidad de interpretaciones a patrones recurrentes, la IA corre el riesgo de transformar la interpretación en estandarización. La paratraducción aparece entonces como una práctica capaz de recuperar aquello que se pierde cuando el significado queda subordinado a la media y la frecuencia.
Bourdieu permite añadir que todo intercambio lingüístico ocurre dentro de relaciones de poder. Hablar, traducir e interpretar nunca son actividades completamente independientes de posiciones sociales, instituciones y formas de autoridad. La interfaz humano-máquina tampoco escapa a esas estructuras: los algoritmos son creados, entrenados y legitimados dentro de determinados contextos económicos y políticos.
Sobre este trasfondo aparece la propuesta principal del artículo: el paratraductor emancipado, inspirada en Jacques Rancière. Así como el “espectador emancipado” no recibe pasivamente el significado de una obra, el paratraductor no se limita a aceptar respuestas o soluciones producidas por otros, sean editoriales, instituciones o algoritmos. Su tarea consiste en ejercer activamente la interpretación y preservar esa misma capacidad en quienes reciben el texto.
Los autores expresan esta idea con claridad: “Su labor no consiste en sustituir la inteligencia del otro, sino en activarla”. El paratraductor emancipado no impone una interpretación definitiva, sino que abre espacios donde lectores y usuarios puedan establecer sus propias relaciones entre texto, contexto, traducción y experiencia.
El artículo insiste, por ello, en que emanciparse frente a la IA no significa rechazar la tecnología. Significa evitar una subordinación pasiva a sus lógicas. El traductor no necesita competir con la máquina en rapidez o capacidad de procesamiento. Su ámbito propio se encuentra en la interpretación situada, la sensibilidad cultural, la negociación de sentidos y el reconocimiento de aquello que no puede reducirse fácilmente a patrones estadísticos.
El análisis final de una traducción portuguesa de An Introduction to Early Judaism, de James C. VanderKam, muestra cómo pequeñas decisiones lingüísticas introducen marcas culturales y estilísticas propias del traductor. Conectores, expresiones idiomáticas y reformulaciones aparentemente menores revelan una mediación humana que no consiste simplemente en equivalencia semántica, sino en reconstrucción del texto dentro de otra comunidad lingüística.
La conclusión del artículo es que la creciente mecanización del lenguaje no elimina la necesidad de interpretación, sino que la vuelve más importante. Si la IA tiende a estabilizar discursos mediante patrones estadísticos, la tarea crítica consiste en mantener abiertos los espacios donde los sentidos puedan ser interrogados, contextualizados y transformados.
El paratraductor emancipado representa, en definitiva, una defensa de la interpretación como acto intelectual activo y como forma de responsabilidad ante el otro.
14 de octubre de 2026
De los principios a las decisiones: cómo desarrollar competencia práctica en ética de la IA
FUENTE: Alexandra Prégent y Alexei Grinbaum, “Developing Competency in AI Ethics: A Training Framework”, 2026, arXiv:. https://arxiv.org/abs/2610.13319
Perspectiva filosófica. El aporte más interesante del texto consiste en tratar la ética de la inteligencia artificial no como un catálogo de principios que deben memorizarse, sino como una competencia práctica de juicio. Saber que la transparencia, la justicia o la autonomía son importantes no determina todavía qué hacer en una situación concreta. La ética comienza precisamente cuando esos principios deben interpretarse, priorizarse y, a veces, equilibrarse frente a otros igualmente legítimos. En este sentido, el trabajo recupera una concepción clásica de la filosofía práctica: actuar éticamente no equivale a aplicar mecánicamente una regla, sino a aprender a deliberar bajo condiciones de conflicto, incertidumbre y limitaciones reales.
El artículo de Alexandra Prégent y Alexei Grinbaum presenta un marco de formación destinado a reducir una de las brechas más persistentes en la ética de la IA: la distancia entre los principios generales y su implementación concreta. Los autores parten de una dificultad sencilla pero decisiva: saber que la equidad importa no indica cómo diseñar un sistema justo; reconocer la importancia de la supervisión humana no especifica quién debe supervisar, cuándo ni con qué autoridad; y afirmar que la transparencia es necesaria no determina qué debe explicarse, a quién ni en qué circunstancias.
El marco propuesto se organiza alrededor de cuatro competencias interrelacionadas. La primera consiste en identificar qué características de un sistema de IA generan problemas éticamente relevantes. La segunda exige relacionar esos problemas con requisitos éticos más amplios. La tercera consiste en traducir esos requisitos en medidas técnicas u organizacionales concretas. Finalmente, la cuarta exige reconocer tensiones entre distintos objetivos éticos y justificar los compromisos adoptados cuando no pueden satisfacerse todos simultáneamente.
Para estructurar el proceso, los autores utilizan los siete grandes requisitos de la evaluación europea ALTAI para una IA confiable: agencia y supervisión humana, robustez y seguridad, privacidad y gobernanza de datos, transparencia y explicabilidad, diversidad y no discriminación, bienestar social y ambiental, y responsabilidad. Sin embargo, insisten en que estas categorías no constituyen respuestas automáticas. Funcionan más bien como un vocabulario normativo común para pensar los problemas.
Una de las advertencias más importantes del artículo se dirige precisamente contra la transformación de la ética en un ejercicio burocrático de cumplimiento. Los autores reconocen las críticas a las listas de verificación, que pueden producir una mentalidad de tick-box ethics: completar una serie de preguntas y asumir que con ello se ha resuelto el problema moral. Frente a ese riesgo, el marco presenta la lista solamente como un punto de partida para la deliberación. Los participantes deben interpretar, discutir y priorizar los problemas de acuerdo con el sistema y el contexto específicos.
El paso decisivo aparece después: convertir un principio en una acción. Para ello, el artículo incorpora un “Portfolio of Measures”, una colección no exhaustiva de medidas técnicas, organizacionales o mixtas. Las opciones incluyen mecanismos de supervisión humana, procedimientos para revertir decisiones automatizadas, auditorías, protección de datos, explicaciones adaptadas a distintos usuarios, controles contra sesgos y medidas destinadas a prevenir manipulación, dependencia excesiva o pérdida de capacidades humanas.
La importancia del portafolio no reside en ofrecer una solución predeterminada. Los autores señalan explícitamente que una medida adecuada en una situación puede resultar desproporcionada, inviable o incluso perjudicial en otra. Por ello, los participantes deben decidir qué medidas priorizar, teniendo en cuenta su efectividad, factibilidad, costos, consecuencias imprevistas y posibles efectos sobre otros principios éticos.
El cuarto componente, las tensiones éticas, constituye uno de los aspectos más relevantes del marco. La ética de la IA rara vez presenta objetivos perfectamente compatibles. Aumentar la transparencia mediante registros detallados puede mejorar la rendición de cuentas y, simultáneamente, aumentar riesgos para la privacidad. Reforzar la seguridad puede limitar la autonomía del usuario. Incrementar la supervisión puede proteger a las personas, pero generar nuevas formas de vigilancia.
Los autores sostienen que el objetivo no debe ser fingir que esas tensiones pueden siempre eliminarse. La competencia ética consiste también en reconocer cuándo permanecen conflictos legítimos y en justificar qué valores reciben prioridad en una determinada situación. Como resume el artículo, “no se espera que los participantes eliminen todas las tensiones”; deben explicar por qué consideran ciertos requisitos prioritarios y por qué determinados compromisos resultan aceptables o inaceptables.
La formación propuesta se basa, por ello, en learning by doing. Los autores utilizan dilemas éticos, simulaciones de revisión de proyectos y ejercicios de ethics-by-design. Los casos incluyen sistemas de radiología asistida por IA, herramientas de análisis del comportamiento en el trabajo, acompañantes virtuales dentro de familias y taxis autónomos. Los participantes deben identificar problemas, vincularlos con requisitos éticos, seleccionar medidas concretas y discutir los conflictos que producen sus propias decisiones.
Un caso especialmente ilustrativo es el de un acompañante virtual utilizado dentro de una familia. El sistema recuerda estados emocionales, detecta posibles situaciones de angustia, ofrece orientación conductual y puede decidir cuándo revelar información a los padres. La misma tecnología que podría proporcionar apoyo emocional también plantea interrogantes sobre privacidad, autonomía infantil, manipulación, dependencia afectiva y transformación de las relaciones familiares. El ejercicio obliga a los participantes a reconocer que ninguna de estas dimensiones puede evaluarse aisladamente.
Los resultados de once sesiones piloto permitieron identificar varias dificultades recurrentes. Una de ellas fue que los participantes podían detectar rápidamente un problema ético, pero tenían más dificultades para relacionarlo con un principio general y, sobre todo, para convertir ese principio en una medida concreta. También resultó especialmente difícil reconocer tensiones entre requisitos éticos, tarea que requería haber analizado previamente el contexto y las posibles intervenciones.
Otra observación significativa fue que distintas profesiones perciben inicialmente problemas diferentes. Quienes tienen formación jurídica tienden a concentrarse en privacidad y discriminación; ingenieros e investigadores de IA suelen comenzar por robustez y seguridad; representantes de la sociedad civil y responsables de políticas públicas tienden a destacar no discriminación y bienestar. Los autores consideran estas diferencias legítimas y recomiendan no forzar artificialmente un consenso. El objetivo de la formación debe ser mejorar la calidad de los argumentos, no producir una respuesta uniforme.
Esta idea resume bien la propuesta del artículo. La competencia ética no consiste en aprender la “respuesta correcta” para cada tecnología, sino en desarrollar la capacidad de identificar qué está moralmente en juego, comprender qué principios resultan afectados, imaginar medidas practicables y justificar decisiones cuando valores legítimos entran en conflicto.
Por eso, el trabajo concluye que el valor real de los marcos de gobernanza ética dependerá menos de cuántos principios formulen que de la capacidad de las personas para traducirlos responsablemente a contextos sociotécnicos concretos. La ética de la IA se convierte así en una práctica deliberativa: no solamente saber qué valores defender, sino aprender cómo actuar cuando esos valores deben convertirse en diseño, procedimientos y decisiones reales.
FUENTE: Ana Flávia Silva Alves Pereira, “What Is Artificial Intelligence?”, Logica Universalis, 2026. https://doi.org/10.1007/s11787-026-00429-2. s11787-026-00429-2
Perspectiva filosófica. El valor principal de este artículo está en desplazar una pregunta muy común, “¿qué puede hacer la inteligencia artificial?”, hacia una pregunta mucho más fundamental: ¿qué significa llamar “inteligente” a una máquina? Pereira sostiene que la fluidez lingüística y la capacidad de cálculo no bastan para identificar inteligencia en sentido pleno. La IA puede reproducir estructuras de razonamiento, pero no necesariamente habita el mundo normativo donde las razones obligan, justifican, comprometen y transforman a un sujeto. Por eso, más que una mente rival, la autora propone comprender la IA como un espejo que devuelve a los seres humanos una imagen depurada de sus propias estructuras racionales.
El artículo comienza de manera deliberadamente cotidiana. La autora describe una interacción con una IA conversacional que responde con una prosa fluida, coherente y sorprendentemente humana. Esa experiencia provoca una pregunta socrática: ti esti?, ¿qué es esto? La escena sirve como punto de partida para cuestionar la expresión “inteligencia artificial”, que utilizamos con enorme facilidad aunque quizá no tengamos claro qué significa exactamente.
Pereira contrapone dos definiciones. Por un lado, la descripción técnica de una IA como modelo de lenguaje basado en redes neuronales que procesa y genera texto mediante patrones estadísticos y probabilísticos. Por otro, la idea tradicional de inteligencia como capacidad de comprender, pensar, aprender y resolver problemas. La tensión aparece inmediatamente: si comprender forma parte de la inteligencia, pero el sistema genera respuestas mediante predicción estadística, ¿estamos realmente ante inteligencia o ante una simulación extraordinariamente eficaz de ella?
Para responder, la autora recurre a Robert Brandom y a una concepción normativa de la inteligencia. La raíz latina inter-legere, “leer entre”, sugiere discernimiento, la capacidad de distinguir lo esencial de lo accesorio. En términos de Brandom, ser inteligente no consistiría simplemente en procesar información, sino en responder a razones: reconocer que un argumento obliga, que una excepción puede justificar apartarse de una regla y que determinadas afirmaciones implican compromisos.
Esta distinción permite reinterpretar algunos debates clásicos de la filosofía de la mente. Pereira recuerda que el test de Turing no demuestra necesariamente que una máquina piense, sino que puede comportarse de modo suficientemente convincente como para ser tomada por un interlocutor pensante. En palabras del artículo, “el test de imitación no mide el pensamiento; mide, en realidad, la actuación del pensamiento”. La autora considera que se trata de una respuesta conductual a una cuestión ontológica.
El argumento de la Habitación China de John Searle refuerza esa diferencia entre sintaxis y comprensión. Un sistema puede manipular correctamente símbolos sin comprender lo que significan. De ahí una de las formulaciones más claras del artículo: “La manipulación sintáctica no equivale a comprensión semántica. La máquina calcula el mundo, pero no lo habita.” s11787-026-00429-2
Pereira amplía después el problema desde la semántica hacia la normatividad. Descartes ya había imaginado autómatas capaces de imitar ciertos comportamientos humanos, aunque dudaba de que pudieran mostrar lenguaje verdaderamente flexible y racionalidad universal. Wittgenstein aporta otra dimensión: seguir una regla no consiste simplemente en ejecutar una secuencia formal, sino en participar en una práctica social donde existe una diferencia compartida entre seguir correctamente una regla, violarla o justificar una excepción.
Desde esta perspectiva, el problema de la IA contemporánea no sería únicamente que carece de determinados datos o que todavía comete errores. La dificultad sería más profunda: el sistema puede procesar lenguaje sin participar plenamente de la “forma de vida” que confiere significado a ese lenguaje.
El artículo ilustra esta diferencia mediante el sentido común. Una IA puede explicar el significado de un proverbio derivado de experiencias de dolor, miedo o prudencia, pero nunca ha sido herida, amenazada ni condicionada corporalmente por una experiencia. Para Pereira, buena parte del conocimiento práctico humano surge precisamente de la fricción entre organismo y mundo, algo que un sistema puramente computacional no comparte.
La autora denomina por ello a la IA contemporánea una inteligencia “funcionalmente brillante y normativamente ciega”. Introduce tres categorías: IA estrecha o especializada, IA general hipotética y una tercera posibilidad, la IA normativa. Esta última no se limitaría a ejecutar tareas o producir respuestas, sino que sería capaz de responder genuinamente a razones, reconocer obligaciones y distinguir entre lo que es correcto y lo que simplemente aparece con regularidad estadística.
Esa IA normativa, señala Pereira, todavía no existe. El interrogante verdaderamente filosófico consiste en saber si podría existir alguna vez. La cuestión queda vinculada a otra todavía más profunda: si la normatividad puede separarse de la finitud, la vulnerabilidad y la posibilidad de ser afectado por el mundo.
El artículo utiliza dos diagramas para representar esta tesis. En el primero, la autora distingue procesamiento lógico, existencia biológica y conciencia e intencionalidad. El ser humano ocupa la intersección de las tres dimensiones, mientras que la IA contemporánea se encuentra exclusivamente dentro del ámbito del procesamiento lógico. El segundo esquema representa a la IA como una forma de “razón sintética”, subordinada a la “razón viviente”: conserva estructuras lógicas producidas por los seres humanos, pero desprovistas de vida, vulnerabilidad y conciencia.
La conclusión del artículo introduce su metáfora más importante: la IA como “espejo normativo”. No sería una nueva mente autónoma que emerge frente a nosotros, sino un dispositivo que refleja las estructuras del razonamiento humano sin habitarlas. La IA ha aprendido nuestro lenguaje, pero no participa de la misma manera en aquello que John McDowell denomina el “espacio de las razones”, el horizonte normativo en el que los seres humanos justifican, cuestionan, prometen, acusan, reconocen errores y responden unos ante otros.
Por eso, la pregunta inicial se invierte al final. Frente a la IA, quizá la cuestión más importante ya no sea “¿qué eres?”, sino “¿qué somos nosotros?”. El sistema refleja aquello que puede extraerse, formalizarse y reproducirse de nuestra racionalidad. Y precisamente por eso puede revelar algo incómodo: cuánto de nuestro propio pensamiento cotidiano es también mecánico, predecible y estandarizado. Para Pereira, lo inquietante de la IA quizá no sea que se parezca demasiado a nosotros, sino que nos permita reconocer cuánto de nosotros mismos ya se parecía a una máquina.
¿Qué es realmente la inteligencia artificial?
FUENTE: Ana Flávia Silva Alves Pereira, “What Is Artificial Intelligence?”, Logica Universalis, 2026. https://doi.org/10.1007/s11787-026-00429-2. s11787-026-00429-2
Perspectiva filosófica: El valor principal de este artículo está en desplazar una pregunta muy común, “¿qué puede hacer la inteligencia artificial?”, hacia una pregunta mucho más fundamental: ¿qué significa llamar “inteligente” a una máquina? Pereira sostiene que la fluidez lingüística y la capacidad de cálculo no bastan para identificar inteligencia en sentido pleno. La IA puede reproducir estructuras de razonamiento, pero no necesariamente habita el mundo normativo donde las razones obligan, justifican, comprometen y transforman a un sujeto. Por eso, más que una mente rival, la autora propone comprender la IA como un espejo que devuelve a los seres humanos una imagen depurada de sus propias estructuras racionales.
El artículo comienza de manera deliberadamente cotidiana. La autora describe una interacción con una IA conversacional que responde con una prosa fluida, coherente y sorprendentemente humana. Esa experiencia provoca una pregunta socrática: ti esti?, ¿qué es esto? La escena sirve como punto de partida para cuestionar la expresión “inteligencia artificial”, que utilizamos con enorme facilidad aunque quizá no tengamos claro qué significa exactamente.
Pereira contrapone dos definiciones. Por un lado, la descripción técnica de una IA como modelo de lenguaje basado en redes neuronales que procesa y genera texto mediante patrones estadísticos y probabilísticos. Por otro, la idea tradicional de inteligencia como capacidad de comprender, pensar, aprender y resolver problemas. La tensión aparece inmediatamente: si comprender forma parte de la inteligencia, pero el sistema genera respuestas mediante predicción estadística, ¿estamos realmente ante inteligencia o ante una simulación extraordinariamente eficaz de ella?
Para responder, la autora recurre a Robert Brandom y a una concepción normativa de la inteligencia. La raíz latina inter-legere, “leer entre”, sugiere discernimiento, la capacidad de distinguir lo esencial de lo accesorio. En términos de Brandom, ser inteligente no consistiría simplemente en procesar información, sino en responder a razones: reconocer que un argumento obliga, que una excepción puede justificar apartarse de una regla y que determinadas afirmaciones implican compromisos.
Esta distinción permite reinterpretar algunos debates clásicos de la filosofía de la mente. Pereira recuerda que el test de Turing no demuestra necesariamente que una máquina piense, sino que puede comportarse de modo suficientemente convincente como para ser tomada por un interlocutor pensante. En palabras del artículo, “el test de imitación no mide el pensamiento; mide, en realidad, la actuación del pensamiento”. La autora considera que se trata de una respuesta conductual a una cuestión ontológica.
El argumento de la Habitación China de John Searle refuerza esa diferencia entre sintaxis y comprensión. Un sistema puede manipular correctamente símbolos sin comprender lo que significan. De ahí una de las formulaciones más claras del artículo: “La manipulación sintáctica no equivale a comprensión semántica. La máquina calcula el mundo, pero no lo habita.”
Pereira amplía después el problema desde la semántica hacia la normatividad. Descartes ya había imaginado autómatas capaces de imitar ciertos comportamientos humanos, aunque dudaba de que pudieran mostrar lenguaje verdaderamente flexible y racionalidad universal. Wittgenstein aporta otra dimensión: seguir una regla no consiste simplemente en ejecutar una secuencia formal, sino en participar en una práctica social donde existe una diferencia compartida entre seguir correctamente una regla, violarla o justificar una excepción.
Desde esta perspectiva, el problema de la IA contemporánea no sería únicamente que carece de determinados datos o que todavía comete errores. La dificultad sería más profunda: el sistema puede procesar lenguaje sin participar plenamente de la “forma de vida” que confiere significado a ese lenguaje.
El artículo ilustra esta diferencia mediante el sentido común. Una IA puede explicar el significado de un proverbio derivado de experiencias de dolor, miedo o prudencia, pero nunca ha sido herida, amenazada ni condicionada corporalmente por una experiencia. Para Pereira, buena parte del conocimiento práctico humano surge precisamente de la fricción entre organismo y mundo, algo que un sistema puramente computacional no comparte.
La autora denomina por ello a la IA contemporánea una inteligencia “funcionalmente brillante y normativamente ciega”. Introduce tres categorías: IA estrecha o especializada, IA general hipotética y una tercera posibilidad, la IA normativa. Esta última no se limitaría a ejecutar tareas o producir respuestas, sino que sería capaz de responder genuinamente a razones, reconocer obligaciones y distinguir entre lo que es correcto y lo que simplemente aparece con regularidad estadística.
Esa IA normativa, señala Pereira, todavía no existe. El interrogante verdaderamente filosófico consiste en saber si podría existir alguna vez. La cuestión queda vinculada a otra todavía más profunda: si la normatividad puede separarse de la finitud, la vulnerabilidad y la posibilidad de ser afectado por el mundo.
El artículo utiliza dos diagramas para representar esta tesis. En el primero, la autora distingue procesamiento lógico, existencia biológica y conciencia e intencionalidad. El ser humano ocupa la intersección de las tres dimensiones, mientras que la IA contemporánea se encuentra exclusivamente dentro del ámbito del procesamiento lógico. El segundo esquema representa a la IA como una forma de “razón sintética”, subordinada a la “razón viviente”: conserva estructuras lógicas producidas por los seres humanos, pero desprovistas de vida, vulnerabilidad y conciencia.
La conclusión del artículo introduce su metáfora más importante: la IA como “espejo normativo”. No sería una nueva mente autónoma que emerge frente a nosotros, sino un dispositivo que refleja las estructuras del razonamiento humano sin habitarlas. La IA ha aprendido nuestro lenguaje, pero no participa de la misma manera en aquello que John McDowell denomina el “espacio de las razones”, el horizonte normativo en el que los seres humanos justifican, cuestionan, prometen, acusan, reconocen errores y responden unos ante otros.
Por eso, la pregunta inicial se invierte al final. Frente a la IA, quizá la cuestión más importante ya no sea “¿qué eres?”, sino “¿qué somos nosotros?”. El sistema refleja aquello que puede extraerse, formalizarse y reproducirse de nuestra racionalidad. Y precisamente por eso puede revelar algo incómodo: cuánto de nuestro propio pensamiento cotidiano es también mecánico, predecible y estandarizado. Para Pereira, lo inquietante de la IA quizá no sea que se parezca demasiado a nosotros, sino que nos permita reconocer cuánto de nosotros mismos ya se parecía a una máquina.
12 de septiembre de 2026
Investigación en humanidades generada por IA: sobre los peligros del incrementalismo técnico
FUENTE: Metcalf, T. AI-Produced Humanities Research: On the Dangers of Technical Incrementalism. Philos. Technol. 39, 69 (2026). https://doi.org/10.1007/s13347-026-01085-6
Thomas Metcalf analiza las posibles consecuencias sistémicas de una incorporación generalizada de los grandes modelos de lenguaje (LLM) a la producción académica en filosofía y otras disciplinas humanísticas. El artículo no se concentra principalmente en cuestiones como el plagio, la autoría o la obligación de declarar el uso de inteligencia artificial, sino en una pregunta más amplia: ¿qué ocurrirá con el conocimiento académico cuando una proporción significativa de los textos publicados pueda ser producida, total o parcialmente, por sistemas de IA? Su tesis es que, dadas las capacidades actuales de los LLM y los incentivos existentes en el sistema universitario, la proliferación de trabajos generados por IA podría provocar una degradación epistémica sistémica de las humanidades.
El punto de partida del artículo es deliberadamente estructural. Metcalf reconoce que los modelos de lenguaje pueden contribuir a descubrir conocimiento y facilitar considerablemente el trabajo de investigación. Sin embargo, sostiene que su integración no se producirá en un vacío institucional. Los LLM ingresarán en un sistema académico que ya recompensa determinadas clases de producción: artículos relativamente breves, tesis prudentes, contribuciones incrementales y publicaciones numerosas. Por eso, el problema no reside simplemente en lo que la tecnología puede hacer, sino en la interacción entre capacidad tecnológica e incentivos académicos. El resultado previsible, según el autor, sería una literatura crecientemente dominada por trabajos que denomina safe, technical, and insular: seguros, técnicos e insulares.
En una formulación especialmente clara de su argumento, Metcalf escribe —en traducción—: «La literatura académica resultante estará cada vez más dominada por artículos seguros, técnicos e insulares». Esta afirmación resume la arquitectura conceptual del artículo. “Seguro” significa aquí un trabajo que avanza una tesis limitada y cuidadosamente protegida frente a posibles objeciones; “técnico” se refiere a investigaciones capaces de encontrar distinciones sutiles, tensiones conceptuales o consecuencias inesperadas dentro de debates ya establecidos; e “insular” designa un tipo de producción que opera principalmente dentro de comunidades, tradiciones o subdisciplinas que comparten sus propios presupuestos, vocabularios y criterios internos.
Metcalf dedica especial atención a la filosofía porque considera que sus condiciones institucionales permiten observar con claridad el problema. Las bajas tasas de aceptación en muchas revistas, los largos procesos editoriales, un mercado laboral extremadamente competitivo, la importancia de acumular publicaciones para construir un currículum académico, el relativamente bajo nivel de lectura y citación de muchos trabajos filosóficos y la escasez comparativa de financiación crean incentivos para producir un número elevado de artículos cuidadosamente delimitados. A esto se añade el peso de la investigación histórica y de debates extremadamente especializados. El autor no presenta estas características como defectos intrínsecos de la filosofía. Su argumento es que, en conjunto, favorecen un ecosistema particularmente compatible con aquello que los LLM pueden producir de manera rápida y eficiente.
La capacidad de los modelos de lenguaje para procesar grandes cantidades de bibliografía constituye aquí un elemento decisivo. Un investigador humano necesita meses o años para adquirir dominio profundo de una literatura especializada; un sistema de IA puede comparar rápidamente miles de páginas, identificar similitudes, contradicciones o conexiones y generar argumentos a partir de ellas. Metcalf considera perfectamente posible que esos sistemas lleguen a producir artículos técnicamente competentes y publicables a una velocidad imposible para los seres humanos. Precisamente ahí reside el riesgo: la IA podría convertirse en una extraordinaria máquina para producir variaciones académicamente aceptables de discusiones ya existentes, sin que eso implique una capacidad equivalente para transformar las preguntas fundamentales de una disciplina.
El concepto central del trabajo aparece bajo el nombre de technical incrementalism, o incrementalismo técnico. Metcalf lo contrapone a la innovación radical. El primero realiza avances pequeños, altamente especializados, relativamente seguros y difíciles de objetar dentro de un paradigma existente. La segunda altera el marco mismo desde el cual se formula un problema, abre perspectivas inesperadas o propone una transformación conceptual significativa. El autor insiste en que ambos tipos de investigación tienen valor. Un trabajo incremental puede aclarar problemas reales, corregir errores, precisar argumentos o enriquecer la interpretación de textos históricos. El problema comienza cuando el equilibrio entre ambas modalidades se rompe y el incrementalismo se vuelve abrumadoramente dominante.
Para explicar esta diferencia, Metcalf recurre a la conocida distinción entre datos, información, conocimiento y sabiduría. Según su interpretación, los LLM están especialmente bien preparados para recombinar datos y producir nuevas configuraciones de información. Son menos confiables, en cambio, cuando se trata de realizar el salto conceptual que reconfigura un debate o permite interpretar la realidad desde una perspectiva verdaderamente nueva. El autor relaciona esta posibilidad con Thomas Kuhn: una academia dominada por IA podría parecerse cada vez más a una acumulación de resultados dentro de paradigmas establecidos, mientras disminuyen las condiciones necesarias para producir cambios paradigmáticos.
El problema se vuelve más serio porque el espacio editorial es limitado. Si los LLM permiten producir cantidades muy superiores de artículos técnicamente competentes, esos trabajos competirán por el mismo espacio con investigaciones más arriesgadas, lentas y originales. Metcalf resume este peligro con una proposición contundente que puede traducirse así: «El incrementalismo técnico desplazará a la innovación radical». El efecto paradójico sería que una tecnología capaz de aumentar enormemente la producción de información podría reducir, proporcionalmente, las condiciones institucionales para generar formas más profundas de conocimiento.
Otro componente relevante del artículo es la dimensión social y geográfica de esa posible transformación. Metcalf observa que la filosofía académica anglófona ya está condicionada por desigualdades económicas, lingüísticas y geopolíticas. Los investigadores de países ricos disponen generalmente de mejor acceso a universidades, bases de datos, tiempo de investigación y tecnologías avanzadas. Los modelos de lenguaje, entrenados predominantemente con materiales procedentes de ciertos idiomas y tradiciones intelectuales, pueden reproducir o incluso reforzar esas asimetrías. Por ello, una mayor utilización de IA no garantiza automáticamente una democratización del conocimiento. Puede ocurrir lo contrario: que las perspectivas ya dominantes se reproduzcan con mayor rapidez, mientras experiencias, tradiciones y formas de conocimiento del Sur Global permanezcan comparativamente subrepresentadas.
Este aspecto permite comprender por qué la “insularidad” señalada por Metcalf no es solamente intelectual. También puede ser socioeconómica. Los LLM pueden aprender a reproducir con notable precisión el vocabulario, los problemas y las convenciones de comunidades académicas específicas. De esa manera, podrían generar textos perfectamente reconocibles como miembros de una conversación especializada sin necesariamente introducir perspectivas externas capaces de cuestionarla. La IA, por tanto, no eliminaría los paradigmas existentes: podría hacerlos considerablemente más productivos y, precisamente por eso, más difíciles de abandonar.
Metcalf evita, sin embargo, presentar su diagnóstico como una predicción inevitable. Reconoce explícitamente el carácter parcialmente especulativo de su argumento. No afirma que la adopción de los LLM necesariamente destruirá la innovación humanística, sino que, si los modelos comienzan a generar de manera habitual artículos académicos y los incentivos institucionales actuales permanecen sustancialmente sin cambios, existe una probabilidad significativa de sobreproducción del incrementalismo técnico. La advertencia tiene por ello un carácter preventivo: cuando fuese posible comprobar empíricamente que una disciplina ha quedado saturada de investigación segura, técnica e insular, podría ser demasiado tarde para reconstruir fácilmente las condiciones intelectuales anteriores.
Las soluciones examinadas por el autor tampoco son simples. Prohibir los trabajos generados mediante IA podría impedir también usos legítimos y productivos de estas herramientas. Utilizar IA para evaluar artículos reduciría ciertas cargas editoriales, pero podría reforzar todavía más los paradigmas dominantes, porque los propios sistemas tendrían dificultades para reconocer aquello que es verdaderamente novedoso. Cambiar los criterios de evaluación académica para premiar investigaciones más arriesgadas sería deseable, pero chocaría con estructuras institucionales que continúan utilizando la cantidad de publicaciones como indicador de productividad. Metcalf sitúa así el problema más allá de la responsabilidad moral individual del investigador: no tendría mucho sentido exigir heroísmo intelectual a académicos jóvenes que deben sobrevivir en mercados laborales precarios mientras las instituciones siguen premiando aquello que la IA puede producir mejor.
La principal contribución del artículo consiste, por tanto, en desplazar la discusión sobre inteligencia artificial y academia desde la ética individual del uso de herramientas hacia la ecología institucional del conocimiento. La pregunta importante deja de ser únicamente si un investigador debería utilizar ChatGPT u otro sistema para escribir un artículo. Se convierte en una cuestión más profunda: ¿qué clase de cultura intelectual produciremos cuando la capacidad de generar textos académicamente competentes deje de ser un recurso escaso?
Como reseña crítica, debe señalarse que Metcalf fundamenta su argumentación en una combinación de datos institucionales y proyecciones sobre capacidades futuras de los LLM, y el propio autor admite que algunas de sus conclusiones son predictivas. No demuestra que los sistemas de IA sean incapaces de innovación radical; más modestamente, sostiene que, relativamente hablando, parecen mucho mejores en la producción incremental que en la transformación conceptual. Tampoco considera que todo trabajo especializado o histórico sea intelectualmente inferior. Su preocupación es fundamentalmente distributiva: qué tipo de investigación se producirá más, qué tipo recibirá atención y cuál terminará desplazada.
El artículo concluye por ello con una paradoja productiva. La IA puede intensificar problemas que no creó: presión por publicar, precariedad laboral, hiper-especialización, desigualdad global, sobrecarga editorial y evaluación cuantitativa de la productividad. Pero precisamente porque hace visibles y amplifica esas tensiones, también podría obligar a las humanidades a preguntarse qué consideran realmente valioso. Metcalf sostiene que anticipar esos problemas puede abrir una discusión más amplia sobre la reforma del sistema académico, aun si sus predicciones más pesimistas nunca llegan a cumplirse.
En ese sentido, el valor filosófico del texto excede la discusión inmediata sobre inteligencia artificial. Metcalf plantea indirectamente una cuestión clásica acerca de la diferencia entre producir información y producir comprensión. Si una máquina puede generar en minutos una cantidad prácticamente ilimitada de argumentos técnicamente correctos, la abundancia misma obliga a reconsiderar qué significa que una investigación sea importante. El desafío que presenta la IA a las humanidades quizá no sea solamente demostrar que los seres humanos todavía pueden escribir mejores artículos, sino volver a precisar para qué existen la filosofía y las humanidades, qué clase de conocimiento buscan producir y por qué algunas ideas merecen ser pensadas aunque no puedan producirse, medirse ni publicarse con rapidez.
15 de agosto de 2026
FUENTE: El apoyo humano detrás del aprendizaje digital: familia, docentes y autoeficaciaFUENTE: Ariela Giladi, Lilach Ben-Meir, Riki Tesler, Shay Ukrop y Yossi Harel-Fisch. “Parental involvement, teacher support, and self-efficacy in digital learning engagement.” Academia Mental Health and Well-Being, vol. 3, 2026. Publicado el 24 de junio de 2026.
Perspectiva filosófica. Uno de los aspectos más interesantes de este estudio es que, aunque analiza el aprendizaje digital, sus resultados apuntan precisamente hacia aquello que la tecnología no sustituye: la relación humana. La participación de los estudiantes en entornos digitales no depende solamente de plataformas, dispositivos o competencias técnicas, sino también de la presencia de padres y docentes capaces de fortalecer en los jóvenes la confianza en sus propias capacidades. Desde una perspectiva filosófica, el artículo recuerda que la educación continúa siendo fundamentalmente relacional: la tecnología puede modificar el espacio donde ocurre el aprendizaje, pero no elimina la importancia de sentirse acompañado, reconocido y capaz de aprender.
El estudio Parental involvement, teacher support, and self-efficacy in digital learning engagement examina la relación entre el apoyo recibido por niños y adolescentes de sus padres y docentes, su percepción de autoeficacia y su participación activa en el aprendizaje digital. Los investigadores analizaron datos de 1.019 estudiantes de entre 10 y 18 años en Israel, recogidos en mayo y junio de 2021 como parte del estudio internacional Health Behaviour in School-aged Children (HBSC), desarrollado en colaboración con la Organización Mundial de la Salud.
El punto de partida del artículo es que la rápida expansión del aprendizaje digital, acelerada especialmente durante la pandemia de COVID-19, puso en evidencia que disponer de tecnología no garantiza por sí mismo una experiencia educativa satisfactoria. Persisten dificultades relacionadas con acceso a dispositivos, conectividad, alfabetización digital y adaptación pedagógica, pero también aparecen problemas sociales: aislamiento, reducción de la interacción cara a cara y dificultades para mantener vínculos significativos con compañeros y profesores.
En ese contexto, los autores se concentran en tres formas de apoyo social: la participación de los padres en la vida escolar, el apoyo emocional parental y el apoyo de los docentes. La participación parental incluye acciones como ayudar ante dificultades escolares, interesarse por lo que sucede en la escuela, apoyar con las tareas o estar dispuesto a comunicarse con los profesores. El apoyo parental, en cambio, se refiere principalmente a la posibilidad del estudiante de hablar con alguno de sus padres sobre aquello que realmente le preocupa. El apoyo docente incluye sentirse aceptado, cuidado personalmente y capaz de confiar en los profesores.
El estudio incorpora además una cuarta variable fundamental: la autoeficacia, concepto procedente de la teoría social cognitiva de Albert Bandura. La autoeficacia se refiere a la creencia que una persona tiene acerca de su propia capacidad para realizar exitosamente una tarea. No equivale simplemente a poseer determinadas habilidades, sino a creer que se pueden utilizar esas habilidades para afrontar una situación concreta. En el ámbito educativo, esa confianza influye en la motivación, el esfuerzo, la perseverancia y la disposición para participar activamente.
Para interpretar estas relaciones, los autores combinan la teoría social cognitiva de Bandura con la teoría bioecológica de Urie Bronfenbrenner, especialmente su modelo Proceso-Persona-Contexto-Tiempo (PPCT). Desde esta perspectiva, el aprendizaje no puede entenderse observando solamente al estudiante como individuo. Su conducta surge de la interacción continua entre características personales, relaciones cercanas, contextos familiares y escolares y circunstancias históricas específicas. Padres, docentes y estudiante forman parte de un sistema interdependiente.
Los resultados ofrecen una primera observación significativa: solamente el 25,2 % de los estudiantes fue clasificado como altamente comprometido con el aprendizaje digital. Para el estudio, ese nivel elevado requería conectarse a la clase remota con la cámara encendida y participar activamente. El 74,8 % restante mostró algún grado menor de participación, desde asistir pasivamente hasta no participar de las clases.
Al mismo tiempo, los estudiantes informaron un nivel relativamente alto de participación parental, con un promedio de 4,55 sobre 5, mientras que la autoeficacia alcanzó un promedio de 5,62 sobre 7. El 53,4 % señaló que contaba con un buen nivel de apoyo parental. Estos datos muestran que la existencia de apoyo familiar relativamente fuerte no se traduce automáticamente en participación digital elevada, lo que llevó a los investigadores a analizar los mecanismos que conectan ambas dimensiones.
El principal hallazgo fue que las tres formas de apoyo social estudiadas se asociaron positiva y significativamente con una mayor participación en el aprendizaje digital. Los estudiantes cuyos padres estaban más involucrados en su educación, quienes percibían mayor apoyo emocional familiar y quienes se sentían más respaldados por sus docentes tenían una mayor probabilidad de participar activamente en las clases digitales.
Sin embargo, el resultado más relevante del estudio aparece al introducir la autoeficacia. Los tres tipos de apoyo estuvieron asociados con niveles más elevados de autoeficacia y, a su vez, una mayor autoeficacia incrementó la probabilidad de una alta participación digital. El modelo utilizado para predecir la autoeficacia mostró que las formas combinadas de apoyo social explicaban aproximadamente el 19 % de su variación.
El análisis de mediación confirmó entonces que la autoeficacia funciona como un mecanismo intermedio entre el apoyo social y la participación digital. En otras palabras, padres y docentes no solamente influyen directamente sobre la conducta educativa del estudiante. Parte de su influencia ocurre porque ayudan al joven a construir una determinada percepción de sí mismo como aprendiz.
Los autores expresan esta conclusión señalando que “supportive environments enhance digital learning engagement largely through strengthening students’ self-efficacy”, lo que puede traducirse como: “los entornos de apoyo fortalecen la participación en el aprendizaje digital, en gran medida, al aumentar la autoeficacia de los estudiantes”.
Esta mediación no fue idéntica para los tres tipos de apoyo. El apoyo parental y el apoyo docente conservaron efectos directos estadísticamente significativos sobre la participación digital aun después de incorporar la autoeficacia al modelo. En cambio, el efecto directo de la participación parental se redujo hasta quedar apenas por encima del límite convencional de significación estadística. Esto sugiere que buena parte del efecto de la participación de los padres podría producirse precisamente mediante el fortalecimiento de la confianza del estudiante en sus propias capacidades.
La Figura 1 del estudio representa gráficamente esta relación. La participación parental, el apoyo parental y el apoyo docente se conectan positivamente con la autoeficacia, y ésta, a su vez, presenta una asociación significativa con la participación elevada en el aprendizaje digital. El diagrama muestra así que las relaciones familiares y escolares no constituyen simplemente factores externos alrededor del aprendizaje: pueden convertirse en recursos psicológicos internalizados por el propio estudiante.
El estudio también encontró diferencias relacionadas con la edad. Los estudiantes de cursos superiores mostraron menor participación en el
aprendizaje digital que los más jóvenes. Los autores sugieren que esta diferencia podría estar relacionada con cambios en las estructuras de apoyo: los niños más pequeños suelen recibir mayor supervisión parental, mientras que de los adolescentes mayores se espera una creciente autonomía. Si esa autonomía no viene acompañada por mecanismos adecuados de apoyo, puede aparecer una disminución de la participación.
En cuanto al género, los estudiantes varones informaron niveles ligeramente más altos de autoeficacia y mayor percepción de apoyo docente que las estudiantes mujeres. Sin embargo, no se encontró una diferencia directa significativa entre hombres y mujeres en la participación digital. Los autores advierten que estos resultados deben interpretarse con cautela, especialmente porque el 69 % de la muestra estaba compuesto por mujeres.
La investigación tiene además limitaciones metodológicas importantes. Se trata de un estudio transversal, por lo que permite identificar asociaciones, pero no demostrar relaciones causales. No puede afirmarse, por ejemplo, que el apoyo produzca necesariamente autoeficacia o que una mayor autoeficacia provoque participación: también podrían existir relaciones recíprocas. Los propios autores señalan que estudios longitudinales serían necesarios para determinar con mayor precisión la dirección de estos efectos.
Otra limitación particularmente relevante es la medición de la autoeficacia mediante una sola pregunta: “Puedo hacer las cosas al menos tan exitosamente como la mayoría de las personas”. Los investigadores reconocen que una medida de un solo ítem no captura adecuadamente la naturaleza multidimensional de la autoeficacia y que esta limitación resulta especialmente importante porque la variable ocupa una posición central en el modelo de mediación.
También merece atención la manera en que se definió la participación digital. Solamente quienes declararon participar activamente con la cámara encendida fueron clasificados dentro de la categoría de alta participación. Los propios autores reconocen que utilizar la cámara como indicador puede estar condicionado por factores ajenos al compromiso académico, incluyendo problemas técnicos o preocupaciones por la privacidad. Por ello, los resultados permiten identificar una tendencia importante, pero no deberían interpretarse como una medida exhaustiva de todo lo que significa estar comprometido con el aprendizaje.
La tasa de respuesta fue además relativamente baja, del 25,5 %, posiblemente debido a que la recopilación de datos ocurrió mediante Zoom durante la pandemia. Los estudiantes dispuestos a completar el cuestionario podrían haber tenido una actitud más favorable hacia el aprendizaje digital que quienes no participaron, introduciendo un posible sesgo de selección.
A pesar de estas limitaciones, el artículo deriva consecuencias prácticas claras. Los autores consideran que la formación docente para contextos digitales no debería limitarse al dominio técnico de plataformas. Los profesores necesitan también herramientas pedagógicas y socioemocionales capaces de fortalecer la confianza del estudiante. Esto puede incluir tareas progresivamente más complejas, retroalimentación frecuente, acompañamiento personalizado y mantenimiento deliberado del contacto humano incluso dentro de ambientes digitales.
La conclusión general del estudio puede sintetizarse en una segunda afirmación de los autores: “effective digital learning depends on coordinated support across ecological levels rather than technological factors alone”, es decir: “el aprendizaje digital efectivo depende de un apoyo coordinado entre distintos niveles del entorno del estudiante, y no solamente de factores tecnológicos”.
En conjunto, la investigación plantea una conclusión que adquiere especial relevancia a medida que la educación incorpora plataformas digitales e inteligencia artificial: mejorar la tecnología no basta. También es necesario fortalecer las condiciones humanas que permiten que los estudiantes se apropien de ella. El aprendizaje digital aparece entonces menos como una relación entre un estudiante y una pantalla que como una red en la que familia, docentes, confianza personal y tecnología interactúan continuamente. En esa red, la autoeficacia funciona como un puente entre el apoyo que una persona recibe de los demás y su capacidad para convertirse en participante activo de su propio aprendizaje.
Inteligencia artificial y complementariedad humana: repensar el futuro del trabajo más allá de la automatización
FUENTE: Raymond Ayivor, “Artificial Intelligence and Human Complementarity: Rethinking Workforce Transformation Beyond Automation, Displacement, and Technological Determinism Globally”, International Journal of Research Publication and Reviews, vol. 7, n.º 7, julio de 2026, pp. 3804-3819. https://doi.org/10.55248/GENGPI.07.0726.2238
Perspectiva filosófica: El valor filosófico central del artículo reside en cuestionar el determinismo tecnológico, es decir, la idea de que el desarrollo de una tecnología contiene de antemano su propio futuro social. Frente a la pregunta habitual —“¿qué trabajos reemplazará la IA?”—, Raymond Ayivor propone otra: ¿qué nuevas formas de capacidad pueden emerger cuando la inteligencia humana y la artificial interactúan sin reducir la una a la otra? El cambio parece pequeño, pero modifica profundamente la interpretación del futuro del trabajo. La tecnología deja de aparecer como una fuerza autónoma ante la cual los seres humanos solamente pueden adaptarse y pasa a formar parte de una relación cuyo diseño continúa dependiendo de decisiones humanas, institucionales, educativas, económicas y éticas.
El artículo Artificial Intelligence and Human Complementarity: Rethinking Workforce Transformation Beyond Automation, Displacement, and Technological Determinism Globally propone reconsiderar el impacto de la inteligencia artificial sobre el trabajo a partir del concepto de complementariedad humano-IA. Ayivor sostiene que buena parte de la discusión contemporánea continúa organizada alrededor de la automatización, la sustitución laboral y el desplazamiento de trabajadores. Esa perspectiva, argumenta, no permite explicar adecuadamente numerosos procesos actuales en los que la IA no elimina necesariamente ocupaciones enteras, sino que transforma tareas, redistribuye responsabilidades y crea nuevas formas de colaboración entre capacidades humanas y computacionales.
La tesis fundamental del estudio es que el mayor valor económico y organizacional de la IA no surge necesariamente de reemplazar personas, sino de combinar las ventajas comparativas de seres humanos y sistemas artificiales. La IA posee una extraordinaria capacidad para procesar grandes volúmenes de información, detectar patrones, producir predicciones y ejecutar tareas repetitivas con rapidez y consistencia. Los seres humanos, en cambio, continúan aportando comprensión contextual, creatividad, juicio ético, conocimiento tácito, inteligencia emocional, liderazgo, negociación y capacidad para desenvolverse en situaciones ambiguas. La complementariedad aparece cuando estas capacidades interactúan de modo que el resultado conjunto supera lo que cualquiera de ellas podría producir independientemente.
Desde esta perspectiva, el artículo cuestiona explícitamente las interpretaciones tecnológicamente deterministas según las cuales cada aumento en las capacidades de las máquinas conduce necesariamente a una disminución equivalente de la relevancia económica del trabajo humano. Ayivor señala que la evidencia examinada muestra una situación más compleja: la IA suele transformar el contenido de los empleos antes que eliminar completamente las ocupaciones, al mismo tiempo que crea demanda por nuevas competencias, nuevos roles híbridos y nuevas formas de experiencia profesional.
Una de las ideas centrales del trabajo es, por ello, el paso de una lógica de sustitución a una lógica de augmentación de capacidades. En lugar de concebir la IA principalmente como una tecnología que realiza lo que antes hacía una persona, el autor propone comprenderla como una infraestructura capaz de ampliar determinadas capacidades humanas. En palabras del artículo, la transformación laboral debe interpretarse cada vez más como una relación de “capability augmentation rather than labour substitution”, es decir, como “ampliación de capacidades más que sustitución del trabajo humano”.
Para fundamentar esta propuesta, Ayivor integra varias tradiciones teóricas procedentes de la economía laboral, la administración y los estudios organizacionales. Entre ellas aparecen la teoría del capital humano, la teoría del cambio tecnológico sesgado hacia determinadas habilidades, los modelos laborales basados en tareas, la visión de la empresa basada en recursos, la teoría de capacidades dinámicas y el concepto de inteligencia aumentada. El propósito no es simplemente reunir esas perspectivas, sino mostrar que todas pueden converger en una interpretación según la cual la tecnología y las capacidades humanas se desarrollan conjuntamente.
Los modelos laborales basados en tareas son especialmente importantes para esta argumentación porque permiten distinguir entre una ocupación y las múltiples actividades que la componen. Una profesión puede contener tareas rutinarias altamente automatizables y, simultáneamente, actividades que dependen de juicio, interpretación, comunicación interpersonal o creatividad. Esto significa que automatizar ciertas funciones no implica necesariamente eliminar la profesión. Puede, por el contrario, transformar la distribución del tiempo y del esfuerzo humano dentro de ella.
El artículo desarrolla posteriormente un Marco de Complementariedad Humano-IA. Su arquitectura se organiza alrededor de varias capas interrelacionadas. La capacidad humana proporciona conocimiento, experiencia, valores, intuición, creatividad, formulación de problemas y definición de objetivos. La infraestructura de datos y los sistemas de IA procesan información, reconocen patrones y generan predicciones. Posteriormente, una capa de apoyo a decisiones presenta recomendaciones y escenarios, que deben pasar por una instancia de validación humana donde intervienen interpretación contextual, evaluación crítica, consideración ética y responsabilidad.
La Figura 2 del artículo representa gráficamente este proceso y subraya una característica decisiva: existe participación humana en todas las etapas. El resultado no es solamente una decisión, sino un ciclo continuo de aprendizaje. Las personas corrigen, interpretan y contextualizan los resultados de la IA, mientras que los sistemas incorporan nueva información y mejoran sus modelos. De esta manera, el autor propone una especie de proceso de coevolución mediante el cual tanto la organización como sus integrantes desarrollan nuevas capacidades a través de sucesivas interacciones con la tecnología.
Esta dimensión introduce uno de los aspectos más interesantes del artículo: la complementariedad no consiste simplemente en distribuir tareas según aquello que “los humanos hacen mejor” y aquello que “las máquinas hacen mejor”. La relación puede modificar progresivamente las capacidades de ambos componentes. Los trabajadores aprenden a interpretar y utilizar herramientas de IA, mientras que los sistemas se refinan a partir de correcciones, retroalimentación y conocimiento contextual proporcionado por humanos. El trabajo aparece así como un sistema dinámico de aprendizaje recíproco.
Ayivor distingue varias formas de augmentación. La augmentación cognitiva permite utilizar la capacidad analítica de la IA para ampliar el procesamiento humano de información. La augmentación de decisiones utiliza modelos predictivos, simulaciones y análisis de riesgo sin transferir necesariamente la autoridad final a la máquina. La augmentación creativa emplea sistemas artificiales para generar alternativas, descubrir asociaciones o explorar espacios de posibilidades que posteriormente son evaluados mediante imaginación, conocimiento cultural, estrategia y criterio humano.
Un ejemplo utilizado en el artículo es el diagnóstico médico. Los sistemas de aprendizaje profundo pueden analizar imágenes de resonancia magnética, tomografías o mamografías y detectar patrones difíciles de reconocer manualmente. Sin embargo, el profesional médico integra esos resultados con la historia clínica, exámenes de laboratorio, observación directa y conocimiento contextual antes de realizar un diagnóstico o establecer un tratamiento. En este modelo, ni el médico simplemente compite contra la máquina ni la máquina reemplaza al médico: sus capacidades se combinan dentro de un proceso más amplio de razonamiento clínico.
El autor extiende esta perspectiva a sectores como manufactura, servicios financieros, educación, administración pública y otros ámbitos productivos. En manufactura, por ejemplo, la IA puede encargarse de monitoreo, mantenimiento predictivo y análisis de procesos mientras ingenieros y técnicos conservan responsabilidades relacionadas con optimización, diseño y planificación. En finanzas, los algoritmos pueden detectar anomalías y procesar enormes volúmenes de transacciones, mientras que profesionales humanos continúan siendo necesarios para interpretación regulatoria, evaluación ética, decisiones complejas y relaciones con clientes.
La transformación propuesta requiere, sin embargo, condiciones institucionales específicas. La complementariedad no surge automáticamente por instalar sistemas de IA. El artículo identifica como elementos fundamentales las competencias digitales, una cultura organizacional basada en colaboración y confianza, sistemas sólidos de gobernanza de IA y procesos permanentes de recapacitación profesional. Esto significa que una empresa puede adquirir tecnología avanzada y, aun así, obtener resultados deficientes si no modifica simultáneamente sus estructuras organizacionales y sus capacidades humanas.
La confianza desempeña un papel especialmente relevante. El artículo incluso propone un índice conceptual de complementariedad en el cual la efectividad de la colaboración aumenta cuando mejoran simultáneamente la capacidad humana, las capacidades de la IA y la confianza organizacional, mientras disminuye cuando crece la resistencia a la adopción. Aunque este modelo requiere validación empírica posterior, expresa una idea importante: la relación humano-IA no puede evaluarse únicamente mediante características técnicas del sistema.
Ayivor desarrolla además un Human-AI Complementarity Index (HACI), destinado a medir el grado de madurez de la inteligencia colaborativa en una organización. El índice integra seis dimensiones: capacidades de los trabajadores, confianza, utilización de IA, capacidad de innovación, calidad de las decisiones y aprendizaje continuo. El objetivo es establecer una forma de evaluar no simplemente cuánto utiliza una organización la inteligencia artificial, sino hasta qué punto esa utilización fortalece las capacidades humanas y organizacionales.
A este índice se suma el Workforce Transformation Performance Model, que intenta relacionar la complementariedad con resultados concretos en productividad, innovación, aprendizaje y resiliencia organizacional. El artículo reconoce que estos modelos son propuestas conceptuales que necesitan posterior validación mediante investigaciones empíricas, análisis de regresión o modelos de ecuaciones estructurales. Por lo tanto, su aporte principal en este punto no consiste en demostrar cuantitativamente la existencia de esos efectos, sino en ofrecer una arquitectura susceptible de ser comprobada mediante investigaciones posteriores.
La comparación internacional incluida en el estudio también señala que la complementariedad humano-IA no se desarrolla de manera uniforme. Norteamérica presenta altos niveles de adopción tecnológica e inversión; Europa combina adopción con una fuerte preocupación regulatoria y por la capacitación permanente; Asia-Pacífico avanza rápidamente mediante industrialización digital y políticas nacionales de innovación. África enfrenta mayores restricciones relacionadas con infraestructura, desigualdad digital e inversión, aunque existen importantes oportunidades en agricultura, salud, tecnología financiera y administración pública. América Latina presenta un escenario intermedio, con creciente adopción tecnológica, pero persistencia de desafíos estructurales del mercado laboral.
Esta comparación lleva a una conclusión importante: comprar IA no equivale a estar preparado para trabajar con IA. La infraestructura tecnológica constituye solamente una parte del proceso. Los países y organizaciones necesitan simultáneamente educación, capacidad institucional, gobernanza, cultura de innovación y desarrollo permanente de habilidades humanas. La complementariedad es, por lo tanto, una capacidad sociotécnica y no una propiedad inherente de la tecnología.
El estudio también concede gran importancia a la educación. Las universidades deberían incorporar IA, análisis de datos, ética, liderazgo digital y resolución interdisciplinaria de problemas en sus programas académicos. Pero la implicación va más allá de enseñar herramientas específicas. Si las tecnologías cambian continuamente, la capacidad fundamental pasa a ser aprender de manera permanente. La formación profesional deja entonces de concebirse como una etapa previa al empleo y se transforma en un proceso que acompaña toda la trayectoria laboral.
En este contexto, una segunda afirmación del artículo sintetiza particularmente bien su propuesta: “The future of work is unlikely to be characterised by widespread human replacement but by progressively deeper collaboration between intelligent technologies and human capability”. Traducido: “Es poco probable que el futuro del trabajo se caracterice por un reemplazo humano generalizado; más bien, estará definido por una colaboración progresivamente más profunda entre las tecnologías inteligentes y las capacidades humanas”.
El autor no niega los riesgos asociados con la IA. Reconoce problemas relacionados con desplazamiento laboral, desigualdad digital, sesgo algorítmico, reorganización ocupacional y nuevas exigencias de competencias. Pero sostiene que esos problemas tampoco pueden entenderse adecuadamente mediante una narrativa donde la tecnología aparece como una fuerza inevitable que simplemente reemplaza a los seres humanos. Las consecuencias dependerán en gran medida de las decisiones organizacionales, políticas públicas, sistemas educativos y modelos de gobernanza que acompañen la transformación.
Por ello, el futuro del trabajo descrito en el artículo se aproxima a la idea de Industry 5.0, caracterizada por sistemas productivos inteligentes pero también explícitamente centrados en las personas. La Figura 1 representa esta evolución desde mecanización y automatización hasta digitalización, inteligencia artificial, colaboración humano-IA e Industry 5.0. El objetivo final no es únicamente mayor productividad, sino una fuerza laboral sostenible donde productividad, innovación, bienestar humano y resiliencia sean considerados conjuntamente.
En conjunto, el artículo propone abandonar una oposición demasiado simple entre seres humanos y máquinas. La cuestión decisiva no sería determinar cuál de los dos es superior en abstracto, sino identificar qué combinaciones de capacidades permiten realizar mejor determinadas tareas y, sobre todo, cómo deben diseñarse las organizaciones para mantener juicio, responsabilidad, aprendizaje y creatividad humanos dentro de sistemas cada vez más automatizados. En esta perspectiva, el futuro del trabajo no está contenido de antemano en la inteligencia artificial: emerge de las relaciones que construimos con ella.
9 de agosto de 2026
Ágape y algoritmos: replantear la ética de la inteligencia artificial en África desde la ética situacional de Fletcher
FUENTE: Oviemuno Wilfred Egara, Bridget Gwa Oviemuno y Charles Elijah. “Agape and Algorithms: Reframing Artificial Intelligence Ethics in Africa Through Fletcherian Situational Ethics.” Mathematics and Computer Science, vol. 11, n.º 3, 2026, pp. 57–63. Publicado el 28 de julio de 2026.
Desde una perspectiva filosófica, el valor del artículo reside en cuestionar la supuesta neutralidad cultural de la ética tecnológica. Su propuesta sugiere que no basta con preguntar si una IA es eficiente, transparente o técnicamente justa: también debemos preguntarnos qué concepción de la persona, de la comunidad y del bien estamos incorporando en ella. Al poner en diálogo agape y Ubuntu, el artículo recuerda que una ética verdaderamente global de la inteligencia artificial probablemente no surgirá de universalizar una sola tradición filosófica, sino de permitir que distintas tradiciones entren en conversación y transformen mutuamente sus preguntas.
El artículo Agape and Algorithms: Reframing Artificial Intelligence Ethics in Africa Through Fletcherian Situational Ethics propone reconsiderar la ética de la inteligencia artificial en el contexto africano mediante una combinación poco habitual: la ética situacional de Joseph Fletcher, centrada en el concepto de agape, y la filosofía africana de Ubuntu. Siguiendo una metodología hermenéutica y de análisis conceptual, los autores sostienen que muchos de los marcos internacionales actualmente utilizados para la gobernanza de la IA, aunque necesarios, reflejan presupuestos éticos predominantemente occidentales y no siempre responden adecuadamente a las condiciones históricas, culturales, económicas y comunitarias de las sociedades africanas.
El punto de partida del estudio es que los debates contemporáneos sobre ética de la IA suelen organizarse alrededor de principios como transparencia, explicabilidad, justicia algorítmica, responsabilidad, privacidad, seguridad y supervisión humana. Los autores no rechazan esos principios, pero consideran insuficiente tratarlos como criterios universalmente aplicables con independencia del contexto. En muchas regiones africanas, la adopción de IA ocurre en medio de fuertes desigualdades en el acceso digital, instituciones regulatorias con recursos limitados, escasez de datos representativos de poblaciones locales y persistencia de estructuras históricas de exclusión. En esas condiciones, un sistema que formalmente cumpla con determinados estándares técnicos puede seguir generando resultados socialmente injustos.
Los autores recurren entonces a la ética situacional desarrollada por Joseph Fletcher en Situation Ethics: The New Morality (1966). Fletcher buscaba una alternativa tanto al absolutismo moral, que establece reglas invariables para todas las situaciones, como a un relativismo sin criterios normativos estables. Su propuesta coloca al agape, entendido como amor desinteresado orientado hacia el bienestar del otro, como principio moral fundamental. Una decisión no sería moral simplemente porque obedece una norma previamente establecida, sino porque, atendiendo a las circunstancias concretas, procura el resultado más acorde con ese amor hacia las personas involucradas.
Dentro de ese marco, Fletcher identifica cuatro principios operativos: pragmatismo, relativismo, positivismo y personalismo. El pragmatismo exige evaluar las consecuencias reales de las decisiones; el relativismo reconoce que las reglas deben interpretarse en función de situaciones concretas; el positivismo supone aceptar deliberadamente el agape como norma orientadora; y el personalismo coloca a las personas por encima de las reglas, instituciones o sistemas abstractos. Aplicados a la IA, estos principios desplazan la cuestión ética desde el simple cumplimiento normativo hacia una pregunta más concreta: ¿qué efectos produce realmente esta tecnología sobre las personas y las comunidades en las que se utiliza?
Los autores resumen esta orientación afirmando que el agape constituye una decisión deliberada de promover el bienestar de los demás y no simplemente una emoción. Desde esa perspectiva, la ética debería valorar las decisiones según su capacidad para generar el resultado más amoroso posible dentro de una situación específica. Una de las formulaciones retomadas de Fletcher resulta particularmente significativa: «la justicia es el amor distribuido». En el contexto de la IA, la expresión implica que la justicia algorítmica no puede reducirse únicamente a igualdad estadística o a cumplimiento regulatorio, sino que debe examinar cómo se distribuyen concretamente beneficios, riesgos y oportunidades entre los diferentes grupos sociales.
Sin embargo, el artículo no propone simplemente trasladar la ética situacional de Fletcher al continente africano. Su argumento más original consiste en articularla con Ubuntu, tradición filosófica africana basada en la interdependencia, la relacionalidad y la responsabilidad comunitaria. La conocida formulación asociada a Ubuntu, «soy porque somos», expresa una concepción de la persona según la cual la identidad y el bienestar individual no pueden comprenderse independientemente de las relaciones que constituyen a la comunidad. Los autores consideran que esta perspectiva ofrece un correctivo al carácter predominantemente individualista de numerosos modelos occidentales de ética tecnológica.
De esa articulación surge lo que el artículo denomina un modelo híbrido Agape-Ubuntu. El agape proporciona el principio normativo orientador: la búsqueda consciente del bienestar del otro. Los cuatro principios de Fletcher permiten aplicarlo a circunstancias concretas. Ubuntu agrega una dimensión comunitaria que introduce criterios de armonía social, interdependencia, responsabilidad colectiva y personalidad relacional. La Figura 1 del artículo representa precisamente esta arquitectura: el agape ocupa el centro del modelo, rodeado por pragmatismo, relativismo, personalismo y positivismo; todos ellos desembocan en una integración con Ubuntu y, finalmente, en una evaluación contextual de la IA y en formas de gobernanza ética adaptadas a las realidades africanas.
La combinación también responde a una dificultad clásica de la ética situacional. Si el agape depende de la interpretación de quien toma la decisión, ¿quién determina qué constituye exactamente “lo más amoroso”? Los propios autores reconocen que Fletcher ha sido criticado por la vaguedad del concepto, por su potencial subjetivismo y por la posibilidad de que decisiones perjudiciales se justifiquen bajo una interpretación particular del amor. También existe una tensión interna en una teoría que rechaza principios absolutos salvo, aparentemente, el mandato absoluto de actuar con amor.
Ubuntu desempeña aquí una función correctiva. Según el artículo, la deliberación comunitaria puede impedir que el criterio del agape quede reducido a una decisión individual arbitraria. Las decisiones éticas deberían surgir de procesos participativos en los que estén representadas las personas y comunidades afectadas. De este modo, el eventual relativismo de Fletcher se transforma en lo que los autores denominan un contextualismo relacional: las circunstancias importan, pero su interpretación debe realizarse dentro de una estructura comunitaria de diálogo, responsabilidad y búsqueda del florecimiento compartido.
Un ejemplo utilizado por el estudio es la introducción de sistemas de diagnóstico mediante IA en clínicas rurales africanas. Una evaluación exclusivamente técnica podría medir precisión, rapidez o reducción de costos. El modelo Agape-Ubuntu exigiría además preguntar si el sistema disminuye errores diagnósticos entre grupos históricamente marginados, si respeta las prácticas y explicaciones locales sobre la salud, si sus beneficios se distribuyen equitativamente según género, edad, etnia y ubicación geográfica y si las comunidades participan efectivamente en la evaluación del sistema. La comunidad dejaría así de ser una receptora pasiva de tecnología para convertirse en participante de su gobernanza ética.
El artículo sitúa esta propuesta dentro de un debate más amplio sobre la descolonización de la ética de la IA. Los autores advierten sobre el riesgo de una “colonización algorítmica” producida cuando tecnologías, conjuntos de datos y categorías normativas desarrollados fuera de África se implantan posteriormente como si fueran culturalmente neutrales. El problema no sería solamente tecnológico, sino epistemológico: determinadas concepciones de persona, comunidad, justicia o racionalidad adquieren condición de universalidad mientras otras tradiciones filosóficas permanecen ausentes de la conversación internacional.
Desde esa perspectiva, la propuesta no pretende eliminar los marcos globales de gobernanza de la IA. Los autores insisten en que principios como transparencia, responsabilidad, justicia y supervisión humana siguen siendo necesarios. Su objetivo es enriquecerlos mediante tradiciones morales capaces de incorporar dimensiones que los modelos procedimentales pueden pasar por alto. El modelo Agape-Ubuntu busca establecer un puente entre la ética internacional de la IA y las tradiciones relacionales africanas, incorporando a la discusión valores como solidaridad, responsabilidad colectiva, justicia restaurativa y florecimiento comunitario.
El trabajo concluye que una ética de la IA apropiada para África no debería ser simplemente importada ni permanecer en un nivel abstracto. La gobernanza tecnológica tendría que construirse a partir de las circunstancias históricas y sociales en las que las tecnologías se insertan. Los autores proponen como próximas etapas convertir el modelo conceptual en mecanismos concretos de evaluación, incluyendo auditorías algorítmicas dirigidas por comunidades, integración de principios Ubuntu en estrategias nacionales de IA y estudios empíricos en áreas como salud, agricultura y educación. En definitiva, aspiran a que la IA pueda desarrollarse no como instrumento de marginación, sino como tecnología orientada hacia formas más inclusivas, justas y sostenibles de desarrollo.
La inteligencia artificial entre la ampliación del juicio humano y la automatización del bienestar social
7 de agosto de 2026 - La relevancia filosófica del artículo reside en que desplaza la pregunta desde qué puede hacer la IA hacia qué relaciones humanas e institucionales produce su utilización. Su oposición entre augmentación y automatización remite, en última instancia, a una cuestión clásica de filosofía moral y política: si una tecnología amplía la agencia humana o reorganiza silenciosamente las condiciones bajo las cuales esa agencia puede ejercerse. En ese sentido, el criterio decisivo no es la inteligencia de la máquina, sino la forma de humanidad que permanece posible alrededor de ella.
En An Ethical Framework for Assessing Artificial Intelligence as Augmentation or Automation in Social Work (https://doi.org/10.1007/s44155-026-00463-x), Kwangseon Hwang, de la Universidad Gachon de Corea del Sur, propone un marco ético para evaluar el uso de inteligencia artificial en los sistemas de bienestar y trabajo social. El artículo, aceptado para publicación en Discover Social Science and Health el 29 de julio de 2026, parte de una constatación: la IA ya interviene en ámbitos tan sensibles como la protección infantil, la determinación de beneficios sociales, la detección de fraude, la identificación de hogares en crisis y el cuidado de personas mayores. Pero la pregunta fundamental no es simplemente si esas tecnologías funcionan, sino qué clase de relación establecen entre las instituciones, los profesionales y las personas atendidas.
El argumento central de Hwang consiste en sustituir una discusión demasiado simple, centrada en aceptar o rechazar la IA, por otra distinción: automatización frente a augmentación o ampliación de la inteligencia humana. Para el autor, estas alternativas no constituyen dos categorías rígidas, sino los extremos de un continuo. En un extremo, el sistema algorítmico toma decisiones relevantes y el profesional humano termina obedeciendo o interpretando sus resultados. En el otro, la tecnología proporciona información, identifica patrones, reduce tareas administrativas y contribuye al análisis, pero la autoridad real permanece en manos de una persona capaz de contextualizar, cuestionar y eventualmente rechazar la recomendación algorítmica.
Esta distinción adquiere especial importancia en el trabajo social porque, según Hwang, la práctica profesional no puede reducirse al reconocimiento de patrones o al procesamiento eficiente de información. Está fundada en relaciones humanas, juicio contextual, responsabilidad moral y reconocimiento de la dignidad de las personas. De ahí que la IA pueda considerarse éticamente aceptable solamente cuando amplía esas capacidades sin desplazar la autoridad relacional del profesional. En palabras del artículo: «La IA debe apoyar el juicio humano, no reemplazarlo; ampliar el acceso sustantivo, no automatizar la exclusión».
Para desarrollar esta tesis, Hwang construye una matriz ética que combina tres grandes tradiciones filosóficas, utilitarismo, deontología y ética de la virtud, con cuatro valores constitutivos del trabajo social: privacidad, autodeterminación, justicia social y dignidad humana. A ello añade la distinción entre sistemas de IA que operan directamente ante los usuarios, lo que denomina frontstage, y sistemas administrativos que actúan detrás de escena, backstage. La combinación permite evaluar una misma tecnología desde perspectivas diferentes: sus beneficios y daños agregados, su respeto por derechos y deberes, y el tipo de carácter profesional e institucional que fomenta.
El estudio no presenta nuevos experimentos ni nuevos datos empíricos. Es una investigación conceptual y comparativa que integra literatura académica, documentos jurídicos y regulatorios y evidencia procedente de Estados Unidos, Europa, Australia y Corea del Sur. Esta característica constituye al mismo tiempo una de sus fortalezas y uno de sus límites: el propósito no es demostrar experimentalmente que un determinado sistema produce ciertos resultados, sino ofrecer una estructura analítica mediante la cual puedan evaluarse sistemas muy diferentes bajo criterios comunes.
La aplicación de ese marco comienza con el Allegheny Family Screening Tool, utilizado en Estados Unidos para apoyar decisiones relacionadas con denuncias de posible maltrato infantil. Hwang reconoce que herramientas de este tipo pueden mejorar ciertos aspectos de la selección inicial de casos. Sin embargo, identifica un problema estructural: las familias pobres y racializadas suelen aparecer con mayor frecuencia en registros administrativos y, precisamente por esa mayor “visibilidad institucional”, pueden recibir puntuaciones de riesgo más elevadas. El algoritmo no necesariamente descubre una realidad independiente de las instituciones, sino que procesa datos generados por relaciones históricamente desiguales con esas mismas instituciones. Por ello, un sistema puede no sólo reflejar desigualdades existentes, sino amplificarlas.
Hwang examina después dos casos emblemáticos de automatización administrativa: SyRI, en los Países Bajos, y Robodebt, en Australia. SyRI combinaba información procedente de diversas fuentes gubernamentales para identificar personas o áreas consideradas de alto riesgo de fraude. En 2020, un tribunal neerlandés determinó que el sistema violaba derechos protegidos por la Convención Europea de Derechos Humanos debido a su opacidad, falta de proporcionalidad y ausencia de garantías suficientes. Robodebt, por su parte, generó automáticamente reclamaciones de deuda contra beneficiarios de programas sociales australianos y trasladó a los individuos la carga de demostrar que esas deudas eran incorrectas. El sistema produjo cálculos ilegales y daños psicológicos documentados y terminó siendo investigado por una comisión real.
El contraste con Corea del Sur resulta especialmente significativo. El sistema coreano de detección de hogares en crisis utiliza señales como atrasos en servicios públicos, seguros médicos, alquileres o pensiones para identificar personas potencialmente necesitadas y facilitar posteriormente la intervención de trabajadores sociales. A diferencia de SyRI o Robodebt, su objetivo declarado es inclusivo: encontrar personas que necesitan ayuda, no identificar sospechosos de fraude. Sin embargo, Hwang advierte que una finalidad benevolente no elimina automáticamente los problemas éticos. La arquitectura continúa basada en el cruce masivo de datos personales, y siguen abiertas cuestiones sobre consentimiento, privacidad, transparencia, falsos positivos y posibilidades reales de impugnación.
El tercer gran ámbito analizado es el cuidado digital de personas mayores y otros grupos vulnerables mediante sensores, sistemas de monitoreo, dispositivos de compañía y tecnologías de teleasistencia. Aquí aparece quizá una de las observaciones más filosóficamente sugerentes del artículo: una tecnología aparentemente diseñada para aumentar el cuidado puede terminar modificando el significado mismo de cuidar. Si “ser visitado” se convierte en “ser monitoreado”, la eficiencia técnica puede producir simultáneamente una pérdida relacional. Hwang sostiene que esas tecnologías son defendibles cuando complementan la presencia humana, pero no cuando permiten justificar su eliminación.
La comparación de los casos conduce a tres conclusiones generales. La primera es que eficiencia administrativa no equivale a eficacia del bienestar: reducir costos o acelerar procedimientos puede trasladar a los usuarios los costos de los errores, la opacidad o la exclusión. La segunda es que ampliar formalmente el alcance de un servicio no significa alcanzar realmente a quienes lo necesitan, porque permanecen obstáculos relacionados con acceso digital, discapacidad, idioma, alfabetización tecnológica o temor a la vigilancia. La tercera es que el sesgo algorítmico no debe entenderse exclusivamente como un defecto técnico corregible mediante mejores modelos. Los propios datos pueden contener las huellas de desigualdades institucionales históricas.
A partir de ello, Hwang sostiene que la IA sólo puede considerarse éticamente defendible cuando se inserta en instituciones transparentes, auditables y susceptibles de impugnación; cuando existe una autoridad humana identificable con tiempo, información y capacidad efectiva para contradecir al sistema; y cuando los objetivos perseguidos se evalúan desde la justicia, la dignidad y el bienestar sustantivo, no exclusivamente mediante productividad y reducción de costos. La simple presencia de una persona “en el circuito” no basta si esa persona carece en la práctica de autoridad para modificar el resultado algorítmico. La cuestión decisiva es si el sistema incrementa realmente el juicio profesional o lo convierte en una formalidad.
El artículo también identifica varias formas recurrentes de abuso: convertir la sospecha en punto de partida, extender el uso de datos más allá de su finalidad original, provocar dependencia de las recomendaciones algorítmicas, sustituir relaciones humanas por monitoreo digital y utilizar la opacidad técnica o comercial para evitar la rendición de cuentas. De especial importancia resulta el fenómeno de la deskilling, la pérdida gradual de capacidades profesionales cuando trabajadores sometidos a presión comienzan a aceptar las recomendaciones del sistema como si fueran respuestas autorizadas y no propuestas sujetas a juicio crítico.
La conclusión de Hwang es deliberadamente condicional. La IA puede aumentar eficiencia y, en determinados contextos, ampliar el acceso a servicios, pero esos efectos no la convierten automáticamente en una tecnología inclusiva. Para serlo, deben incorporarse desde el diseño la capacidad de comprender las decisiones, impugnarlas, solicitar revisión humana y limitar el uso de los datos. El futuro ético del trabajo social dependerá, afirma, de que la tecnología sea obligada a adaptarse a valores como privacidad, autodeterminación, justicia social y dignidad humana, y no de que esos valores sean reinterpretados para adaptarse a las exigencias de la automatización.
