Briefing por Audiencia
La inteligencia que corregimos: cuando el trabajo docente hereda una cadena de suministro humana
Esta semana no hay un lanzamiento que cambie tu aula. Hay algo más incómodo: la evidencia de que lo que llamamos “inteligencia artificial” es, en primer lugar, una relación laboral, y que nosotros —docentes que evaluamos, alfabetizamos y dependemos de estas herramientas— estamos parados sobre esa relación sin haberla mirado.
Los mismos titulares que celebran la potencia de los modelos exponen lo que la sostiene: trabajadores keniatas de datos mal pagados, trabajo gig bajo vigilancia permanente, explotación contabilizada como margen técnico. La autonomía que se vende como atributo de la máquina es una cadena de suministro humana. Y América Latina ya ocupa eslabones dentro de ella: etiquetado, moderación de contenido y transcripción subcontratados con salarios locales y sin prestaciones.
Esto no es un tema abstracto de ética tecnológica. Es el suelo sobre el que esta semana pisaron cuatro decisiones que te tocan directamente: qué haces cuando tu universidad abandona los detectores, cómo lees la vigilancia algorítmica que ya opera sobre trabajadores, qué le enseñas a un estudiante que consulta un chatbot para orientarse políticamente, y qué haces cuando las tres herramientas que usas caen el mismo día.
El hilo que las une: en cada caso, alguien transfiere el riesgo hacia abajo. Hacia el trabajador de datos, hacia el docente, hacia el usuario individual. Empecemos por ahí.
La universidad te devuelve la discrecionalidad y se queda con el respaldo
La Universidad de Queensland lo declaró sin eufemismos: abandona los detectores de IA. La razón es correcta —los detectores no funcionan, producen falsos positivos y castigan sistemáticamente a quien escribe en su segunda lengua—. Pero fíjate en lo que viene después de la buena decisión.
En lugar del detector, se instala un régimen de auto-documentación: el estudiante debe demostrar su proceso de escritura, guardar borradores, historiales, registros de versiones. La institución no dice qué documento es suficiente. Tú, en tu curso, con tu asignación, tendrás que decidirlo caso por caso.
Esto es libertad de cátedra sin cobertura institucional. Ganas discrecionalidad y pierdes respaldo. Cuando un estudiante impugne tu evaluación —y lo hará—, no tendrás un criterio compartido detrás. Tendrás tu juicio individual de confianza, expuesto ante un comité de apelaciones que tampoco tiene criterio.
El problema de fondo es que el rediseño de la evaluación llega sin respaldo empírico y con el costo de equidad sin resolver. Ya lo señalamos hace dos semanas cuando desmontamos la confusión entre uso de IA y aprendizaje La universidad confunde adopción con aprendizaje. El delta esta semana es concreto: no es solo que la métrica de uso no mida pensamiento; es que la alternativa institucional —documentar el proceso— traslada al estudiante la carga de probar su inocencia y al docente la carga de definir el estándar de prueba.
Aquí las lentes LATAM importan. La auto-documentación asume infraestructura: que el estudiante trabaja siempre en el mismo dispositivo, guarda versiones, tiene un flujo de trabajo digital estable. En una universidad pública latinoamericana con estudiantes que escriben desde un celular compartido, en un cibercafé, o en las dos horas de biblioteca entre dos trabajos, ese régimen produce exactamente la inequidad que el detector producía —solo que ahora sin algoritmo al que culpar—. El sesgo se vuelve invisible porque lo administra el docente.
Documentar el proceso no es lo mismo que evaluar pensamiento
Si vamos a abandonar el detector —y debemos—, la pregunta no es “¿cómo detecto la IA?” sino “¿qué estoy tratando de certificar?”.
La respuesta no puede ser el historial de borradores. Un historial se puede fabricar; pegar texto de un chatbot en incrementos, guardar versiones falsas, teclear a mano lo que otro escribió. La auto-documentación premia a quien conoce el teatro del proceso, no a quien piensa.
Prometimos hace una semana construir hacia métricas alternativas que sí evalúen pensamiento, en lugar de repetir la crítica del “88% de uso” La universidad confunde adopción con aprendizaje. El delta ahora es que la coyuntura nos obliga a concretarlo. Lo que certifica pensamiento no es un rastro documental sino una situación de defensa: la conversación oral donde el estudiante explica una decisión que tomó, responde una objeción que no anticipó, reelabora frente a ti. Eso no se fabrica con historial de versiones.
Esto no es nostalgia del examen oral. Es reconocer que la evaluación por pares y la defensa —que ya usamos en posgrado y en tesis de pregrado— son las tecnologías que mejor resisten la delegación al modelo, precisamente porque exigen presencia y reelaboración en tiempo real.
La vigilancia algorítmica del trabajo ya no es escenario futuro
Corramos la mirada del aula a la calle. Esta semana la evidencia sobre vigilancia laboral algorítmica dejó de ser prospectiva. Es operación documentada: trabajadores medidos por clics, tiempo de inactividad frente a la pantalla, disposición corporal, ritmo. García Canclini lo nombró antes de que fuera masivo: la opacidad de los algoritmos frente a la transparencia forzada de nuestros datos configura un vínculo laboral asimétrico que pone en duda nuestra capacidad de desempeñarnos como ciudadanos Ciudadanos reemplazados por algoritmos.
Frente a esto apareció una respuesta institucional: una lista de siete puntos, de la cual la única prohibición inmediatamente exigible es inferir emociones en el trabajo. Todo lo demás sigue siendo autorregulación. El derecho a la consulta sindical quedó sepultado como un ítem entre otros seis.
Fíjate en la maniobra, porque es la misma que analizamos hace dos semanas: el vocabulario de la eficiencia coloniza el de la protección, y un daño estructural se presenta como un punto administrable en una lista El vocabulario de la eficiencia coloniza el de la justicia. Prometimos no quedarnos en la denuncia del lenguaje sino mostrar cómo opera en instituciones concretas. Aquí está el mecanismo: el umbral de riesgo lo fija quien contrata, no quien lo padece. La organización que despliega la vigilancia define ella misma el techo de daño aceptable. Es autorregulación con forma de garantía.
¿Por qué le importa esto a un profesor? Por dos razones. Primero, porque muchos de nosotros ya trabajamos bajo métricas algorítmicas —plataformas de gestión académica que registran tiempo en el aula virtual, ritmo de corrección, respuesta a mensajes de estudiantes—. El régimen de dedicación docente empieza a medirse por telemetría. Segundo, porque nuestros egresados entrarán a mercados laborales donde esta vigilancia será la norma, y somos nosotros quienes decidimos si salen sabiendo leerla o naturalizándola.
El eslabón latinoamericano de la cadena
Aquí conviene ser preciso sobre la lente de disponibilidad, porque la tentación es tratar el trabajo invisible de la IA como un problema de otros países. No lo es. Los centros de etiquetado, moderación y transcripción que alimentan a las grandes plataformas operan en la región desde hace años, aunque rara vez aparezcan con nombre y país en la prensa tecnológica.
El trabajador latinoamericano accede a este empleo, y frente al desempleo local hasta lo prefiere. Pero las condiciones son de pago por tarea, sin prestaciones, sin contrato estable, con jerga contractual importada que difumina deliberadamente la relación laboral. Es la maquila de datos: los abusos se contabilizan como margen técnico.
Y aquí está la conexión que la universidad no puede seguir ignorando. Las industrias latinoamericanas que consumen estos modelos —banca, retail, medios, salud, gobierno— financian una cadena de suministro laboral que no auditan. Nuestras universidades también: cada vez que una institución contrata un sistema de IA para admisiones, tutoría automatizada o detección de plagio, compra el producto final de esa cadena sin preguntar quién etiquetó los datos ni bajo qué condiciones.
Ya funcionan alternativas concretas, y son la parte útil de este análisis: cooperativas de datos y de etiquetado con salarios declarados, auditorías sindicales de la cadena de suministro, compras públicas que exigen trazabilidad laboral del proveedor de IA. Son pequeñas frente al volumen, pero fijan el estándar exigible. Una universidad pública con autonomía sobre sus compras podría, hoy, incluir una cláusula de trazabilidad laboral en su próxima licitación de software de IA. Eso no es activismo; es diligencia debida.
Prometimos, tras el análisis de la visita de Nvidia a México, avanzar hacia qué condiciones institucionales harían vinculante una inversión tecnológica en lugar de repetir el contraste entre foto y política La visita de Nvidia es una foto sin cláusulas. La compra pública universitaria es esa palanca concreta. La universidad latinoamericana gasta cientos de millones al año en tecnología; ese poder de compra, ejercido con cláusulas de trazabilidad, es la condición vinculante que faltaba.
El consejo que no se transfiere: alfabetización como pregunta, no como lista
Cambiemos de registro a la alfabetización. Esta semana circuló el consejo estándar frente a las estafas potenciadas por IA: devuelve la llamada al familiar, revisa la URL, usa PayPal en lugar de transferencia. Cada ítem es correcto. Y juntos son inútiles como enseñanza, porque son enumerables pero no transferibles.
Un estudiante que memoriza “revisa la URL” no sabe qué hacer frente a un fraude que no involucra una URL. La lista resuelve los casos de la lista y ninguno nuevo. Enseñar alfabetización en IA no es repartir reglas: es instalar la pregunta que sobrevive cuando la regla falla. Esa pregunta es siempre la misma: ¿quién se beneficia de que yo crea esto, y qué asimetría de información está explotando?
El dato de la semana que debería incomodarnos: uno de cada seis encuestados ya consulta un chatbot para ubicarse políticamente, mientras el mismo material que reporta esto declara que la IA “no puede decidir por el usuario”. La contradicción es el punto. El chatbot no decide formalmente, pero encuadra, jerarquiza y omite —y quien lo consulta para orientarse políticamente ya delegó el encuadre—. Marta Peirano lo describió con precisión: después de la economía de la atención, las herramientas diseñadas para captar se presentan como neutrales mientras reorganizan la deliberación pública El enemigo conoce el sistema.
Y aquí está el error de diseño de toda nuestra enseñanza de verificación: el deber de verificar se enseña como tarea individual cuando es una infraestructura colectiva. Le pedimos al estudiante que verifique fuentes una por una, como si tuviera el tiempo, el acceso a bases de datos de pago y la formación de un editor. La verificación robusta es institucional —bibliotecas, evaluación por pares, redacciones con estándares—. Enseñar a “verificar” sin enseñar a reconocer y exigir esa infraestructura es transferirle al individuo una carga que el sistema debería sostener.
Cuando las tres herramientas caen el mismo día
Cierra el arco la lente de las herramientas. Esta semana ChatGPT, Claude y Grok fallaron el mismo día. Tres proveedores distintos, una caída simultánea. La lección operativa es brutal en su simpleza: la independencia de proveedor es una ilusión.
Creemos que diversificar herramientas nos protege. No es así, porque comparten infraestructura de base —los mismos proveedores de cómputo en la nube, los mismos centros de datos—. Elegir entre ChatGPT, Claude y Grok no es elegir proveedores independientes; es elegir tres interfaces sobre un punto único de falla.
La continuidad de tu trabajo depende de infraestructura que no controlas ni puedes auditar. Si diseñaste tu curso asumiendo que los estudiantes usarán una herramienta de IA para una tarea con fecha de entrega, y esa herramienta cae el día de la entrega, el problema es tuyo y de ellos, no del proveedor —que no te debe nada porque el plan gratuito o de bajo costo no garantiza servicio—.
Esto conecta con la cadena de suministro humana del principio. La caída simultánea revela que la “autonomía” del modelo descansa sobre una infraestructura material concentrada y frágil, igual que descansa sobre trabajo humano precarizado. Los planes y asistentes nuevos que se anuncian cada semana se venden por comodidad, no por garantía. La comodidad es real; la garantía no existe.
Para la región, la lente de anticipación es directa: cualquier proceso académico crítico —entrega de calificaciones, exámenes en línea, admisiones— que dependa de un servicio de IA externo necesita un plan de continuidad que no dependa de ese servicio. No porque la IA sea mala, sino porque la infraestructura es ajena.
Qué significa esto para ti esta semana
Cuatro cosas concretas, ejecutables antes del viernes.
En tu evaluación: reemplaza detección por defensa, no por documentación. Si tu universidad abandonó los detectores, no adoptes la auto-documentación como sustituto automático. Elige una asignación clave del semestre y añádele un componente de defensa oral de cinco minutos: el estudiante explica una decisión que tomó en el trabajo y responde una objeción tuya. No pidas historiales de borradores —premian el teatro del proceso, no el pensamiento, y castigan a quien no tiene un flujo de trabajo digital estable—. La defensa oral es más equitativa y más difícil de delegar al modelo.
En tu criterio: escríbelo y compártelo con tu departamento. La discrecionalidad sin criterio compartido te deja solo ante la primera apelación. Redacta en dos párrafos qué consideras uso legítimo e ilegítimo de IA en tu curso, ponlo en el programa, y llévalo a tu próxima reunión de área. No esperes a que la institución escriba las reglas: si no lo haces tú, las escribirá un comité que no da clases.
En tu alfabetización: enseña la pregunta, no la lista. La próxima vez que trabajes verificación de información o detección de fraude, no entregues un checklist. Entrega un caso que no esté en ningún checklist y pide a los estudiantes que identifiquen la asimetría: quién sabe algo que ellos no, quién se beneficia de que crean. Que uno de cada seis ya use chatbots para orientarse políticamente es material de clase directo —analícenlo juntos: qué encuadra el modelo, qué omite, a quién no cita—.
En tu continuidad: no cuelgues una fecha de entrega de un servicio ajeno. Revisa tu cronograma de aquí a fin de semestre. Cualquier entrega, examen o proceso crítico que asuma que una herramienta de IA estará disponible necesita una ruta alternativa. Si la tarea requiere IA, extiende la ventana de entrega a varios días para absorber una caída. Si la evaluación es en tiempo real, no la ancles a un servicio externo.
Y una acción que excede la semana pero deberías empezar a mover: si participas en algún comité de compras o en la definición de proveedores de tecnología de tu facultad, plantea la pregunta de la trazabilidad laboral. Quién etiquetó los datos, bajo qué condiciones, con qué prestaciones. La autonomía universitaria sobre las compras es exactamente el tipo de palanca que fija estándares que el mercado no fija solo.
Lo que viene
El patrón de la semana es la transferencia de riesgo hacia abajo. La institución te devuelve la discrecionalidad sin el respaldo. El régimen laboral le devuelve al trabajador la carga de una vigilancia que él no diseñó. La alfabetización le devuelve al individuo el deber de verificar una infraestructura colectiva. El proveedor te devuelve la responsabilidad de una continuidad que depende de su infraestructura. Y toda la cadena descansa, al final, sobre trabajadores de datos latinoamericanos y africanos cuyo salario es el margen técnico del modelo.
La pregunta prospectiva no es si la IA se volverá más potente —lo hará—. Es si vamos a seguir aceptando que su potencia se contabilice sin sus costos humanos. Para la universidad latinoamericana hay una posición que no es ni el rechazo tecnófobo ni el entusiasmo acrítico: usar el poder de compra, la autonomía y la autoridad epistémica que todavía tenemos para exigir trazabilidad, cláusulas y criterios. No es la conversación cómoda. Es la única que nos deja de pie como institución y no como consumidor final de una cadena que decidimos no mirar.
La inteligencia, esta semana, se leyó mejor como relación laboral que como logro de ingeniería. Enseñemos a nuestros estudiantes a leerla igual. Empieza en tu programa de curso, esta semana.