Briefing por Audiencia
El costo oculto de la IA: lo que no aparece en el prompt
Cada vez que asignamos a un curso una tarea con ChatGPT, Copilot o Gemini, estamos activando una cadena de producción que empieza mucho antes del navegador y termina mucho después de la respuesta. Esa cadena incluye a trabajadores que etiquetan datos por centavos, servidores que consumen agua potable, y decisiones regulatorias que se toman sin nosotros y a veces contra nuestros estudiantes.
Esta semana el debate se ordena alrededor de una tensión que los profesores conocemos bien: la brecha entre el discurso —IA limpia, eficiente, democratizadora— y la evidencia material. No es un problema abstracto de ética aplicada. Es un problema pedagógico concreto, porque lo que enseñamos sobre estas herramientas define qué tipo de ciudadanos formamos.
En julio de 2025 argumentamos que la IA educativa necesitaba marcos regulatorios y alfabetización para equilibrar personalización y ética AI News Social-Weekly Critical Analysis-Education-ES-20250720. El delta de esta semana es incómodo: la evidencia muestra que la regulación no está fallando por ausencia, sino por captura. No es que falten reglas —es que las están escribiendo los vendedores. Eso cambia la tarea del profesorado. Ya no alcanza con pedir alfabetización; hay que enseñar a leer quién define las reglas del juego.
Aplico las cinco lentes al fenómeno antes de entrar en materia.
Disponibilidad. La evidencia sobre los costos humanos y ambientales de la IA existe y está documentada, pero circula en informes de ONGs y en la academia anglosajona. Raramente entra al debate público latinoamericano, donde la conversación sigue anclada en “¿lo prohibimos o lo adoptamos?”.
Accesibilidad. Los datos sobre huella hídrica y sobre las condiciones del etiquetado son accesibles para investigadores, pero las empresas los ocultan sistemáticamente en sus reportes de sostenibilidad. El estudiante promedio —y buena parte del claustro— no tiene forma de estimar qué cuesta una consulta.
Aplicabilidad. América Latina importa modelos entrenados en otros contextos. No pagamos localmente el costo de entrenamiento, pero sí pagamos el de operación: agua y energía en comunidades que no negociaron nada. El extractivismo digital reproduce el patrón del extractivismo minero.
Alternativas. Modelos más pequeños entrenados con datos regionales, cooperativas de etiquetado con condiciones justas, y —lo más urgente para nosotros— exigencia de transparencia en los reportes institucionales que ya firmamos cada año para acreditación.
Anticipación. Sin regulación que obligue a transparencia, la región se convierte en vertedero de costos externalizados. Lo hemos visto antes con otras industrias.
El trabajo invisible detrás de la respuesta perfecta
Empecemos por donde el discurso limpio menos quiere mirar: el trabajo humano.
Los sistemas que presentamos como “inteligencia artificial” dependen de miles de etiquetadores de datos —muchos en el Sur Global— que clasifican imágenes, moderan contenido tóxico y corrigen respuestas por salarios precarios y sin protección laboral. Es una forma contemporánea de extractivismo: el valor se extrae del trabajo del Sur y se acumula en las plataformas del Norte.
Esto conecta directamente con el trabajo de Néstor García Canclini sobre los ciudadanos reemplazados por algoritmos: los conocimientos necesarios para desempeñarnos como ciudadanos se estrechan por la sustracción y el ocultamiento de datos por parte de corporaciones y gobiernos Ciudadanos reemplazados por algoritmos. El etiquetador no sabe para qué modelo trabaja; el usuario no sabe que hay un etiquetador. La opacidad no es un accidente: es la arquitectura.
Para el aula esto tiene una implicación pedagógica precisa. Cuando enseñamos que ChatGPT “aprendió” de textos de internet, estamos contando media historia. La otra mitad es que un humano —probablemente en Kenia, Filipinas o Venezuela— corrigió esa respuesta para que sonara natural. Naturalizamos la IA como cuasi-humana precisamente porque borramos a los humanos que la hicieron parecer humana.
La captura regulatoria como caso de estudio
Si el etiquetado es el costo humano oculto en la producción, la captura regulatoria es el costo político oculto en la gobernanza.
El caso mexicano es un ejemplo que deberíamos llevar al aula tal cual. La evidencia sugiere que seis artículos de una iniciativa de regulación de IA fueron copiados textualmente de propuestas de un fundador de startup How AI could power the climate breakthrough the world needs. Cuando el regulado escribe la regulación, no hay equilibrio entre innovación y protección: hay solo innovación blindada.
Esto no es una anomalía mexicana. Es el patrón. En el Reino Unido, sistemas de policía predictiva han sido declarados racistas tras auditorías independientes Racismo algorítmico: inteligência artificial e discriminação nas redes digitais. Tarcízio Silva lo documenta con precisión para el caso brasileño: estos sistemas terminan reproduciendo e incluso agravando discriminaciones raciales, perjudicando más a grupos ya marginados Racismo algorítmico.
América Latina no está exenta. Tenemos sistemas de reconocimiento facial en el transporte público de varias capitales, scoring crediticio algorítmico, y ahora detectores de IA en las universidades. La pregunta que debemos hacernos como claustro no es si estos sistemas funcionan, sino a quién fallan cuando fallan.
Y aquí es donde la categoría SA deja de ser materia de un curso de ética y se vuelve problema operativo de la vida universitaria.
Los detectores de IA discriminan, y lo estamos usando contra nuestros estudiantes
El giro institucional de “prohibir a adoptar” llegó sin examen crítico. Muchas universidades de la región compraron detectores de IA —Turnitin, GPTZero y similares— como respuesta refleja a la ansiedad por el plagio. El problema es que estos detectores tienen sesgos documentados.
La evidencia muestra que los detectores discriminan a estudiantes internacionales y a quienes no escriben en su lengua materna: el texto de un hablante no nativo, más simple y con estructuras repetitivas, se marca como “generado por IA” con mucha más frecuencia Racismo algorítmico: inteligência artificial e discriminação nas redes digitais. En una región donde recibimos estudiantes de intercambio, donde el portugués y el español conviven, y donde el inglés académico es una segunda o tercera lengua para la mayoría, esto es una máquina de falsos positivos.
Piénsenlo en términos concretos. Un estudiante de posgrado, hablante de español como lengua materna, escribe un ensayo en inglés para una revista con evaluación por pares. Escribe correctamente pero con la prosa contenida de quien traduce mentalmente. El detector lo marca. El profesor, que confía en la herramienta, inicia un proceso disciplinario. El costo del falso positivo lo paga el estudiante más vulnerable, no la empresa que vendió el detector.
Las políticas de cuatro categorías —prohibido, permitido con cita, permitido libre, obligatorio— tampoco funcionan en la práctica. Asumen separaciones artificiales entre “trabajo del estudiante” y “trabajo de la máquina” que no existen en la escritura real. Un estudiante que usa el corrector de Word, el traductor de DeepL y el autocompletado del correo ya escribe con asistencia algorítmica. La línea que pretendemos vigilar es borrosa por diseño.
Esto no significa rendirse ante el “todo vale”. Significa que el juicio pedagógico no puede tercerizarse a un vendedor. El profesor que conoce a sus estudiantes, que ha leído su prosa a lo largo del semestre, que puede pedir una defensa oral de un trabajo, tiene mejores herramientas que cualquier detector. Solo que esas herramientas requieren tiempo docente —precisamente lo que el régimen de dedicación en la mayoría de nuestras universidades no reconoce ni paga.
La alfabetización en IA que nos venden versus la que necesitamos
El discurso dominante sobre alfabetización en IA se ha reducido a un tema de autodefensa: protegerse de estafas, detectar noticias falsas, no caer en deepfakes. Es útil, pero es insuficiente y, peor, está mal enmarcado.
El consejo estándar —“alto, analice y contraste”— suena razonable hasta que uno pregunta cómo. No ofrece métodos concretos para distinguir contenido generado de contenido humano, porque tales métodos confiables no existen de forma accesible para el usuario común How AI could power the climate breakthrough the world needs. Le pedimos al ciudadano que haga verificación forense sin darle herramientas forenses.
Más grave: buena parte de las iniciativas de alfabetización en IA están enmarcadas por agencias financieras y por las propias empresas tecnológicas, no por valores cívicos How AI could power the climate breakthrough the world needs. El resultado es una alfabetización que enseña a usar la herramienta con confianza, no a interrogar las estructuras de poder detrás de ella.
Como educadores, la distinción es todo. Enseñar a detectar un deepfake es alfabetización instrumental. Enseñar por qué se producen deepfakes, quién los financia, qué mercado los sostiene y a quién dañan es alfabetización crítica. Solo la segunda forma ciudadanos.
Esto conecta con la naturalización de la IA como cuasi-humana. Cuando decimos que un modelo “entiende”, “razona” o “alucina”, le atribuimos una interioridad que no tiene. Es un motor de predicción estadística sobre datos extraídos —muchos sin consentimiento, etiquetados por trabajadores precarizados. El vocabulario antropomórfico no es inocente: hace más difícil pedir cuentas a un “colaborador inteligente” que a un producto comercial defectuoso.
Las herramientas: maximalismo computacional, fiabilidad baja
Llegamos a las herramientas concretas que quizás ya usamos o que nuestras universidades están licitando.
El “Smart Mode” de Copilot enruta consultas a GPT-5 en la infraestructura Azure de Microsoft How AI could power the climate breakthrough the world needs. Es un ejemplo de lo que podemos llamar maximalismo computacional: lanzar el modelo más grande y caro a cualquier consulta, sin importar si la tarea lo requiere. Preguntarle a GPT-5 la capital de Uruguay tiene un costo energético desproporcionado frente a una búsqueda web tradicional.
Y ese costo es real. Cada consulta a un modelo como GPT-4 consume mucha más energía que una búsqueda convencional How AI could power the climate breakthrough the world needs. Multiplíquese eso por una universidad entera adoptando Copilot institucional y se tiene una huella que nadie está midiendo en los reportes de sostenibilidad que firmamos para acreditación.
A la vez, la fiabilidad es baja. Las vulnerabilidades de inyección de prompts —donde texto malicioso oculto en un documento secuestra el comportamiento del agente— se están normalizando con una retórica peligrosa: se compara a los agentes de IA con trabajadores humanos que “a veces cometen errores” How AI could power the climate breakthrough the world needs. La analogía es tramposa. Un trabajador humano tiene responsabilidad legal y ética; un agente vulnerable a inyección de prompts es un producto con una falla de seguridad que el vendedor prefiere describir como rasgo de personalidad.
En julio de 2025 dijimos que las herramientas de IA persiguen propósitos ambiciosos cuyo éxito depende de superar desafíos técnicos y éticos AI News Social-Weekly Critical Analysis-AI Tools-ES-20250406. El delta esta semana es que los “desafíos técnicos” ya no son promesas de mejora futura: son fallas presentes que se están reencuadrando como aceptables mediante analogías con lo humano. No es que la herramienta vaya a mejorar; es que nos están enseñando a tolerar que no mejore.
Qué significa esto para profesores — esta semana
Bajemos a la práctica. Estas son acciones concretas para los próximos días, no principios generales.
En cualquier curso con escritura, reemplace el detector por la defensa oral. Si su institución exige pasar los trabajos por un detector, documente por escrito que un resultado positivo no constituye evidencia de deshonestidad académica, solo una alerta que requiere conversación. Antes de acusar, pida al estudiante que explique su proceso: qué fuentes usó, cómo construyó el argumento, qué haría distinto. Un estudiante que escribió su trabajo puede defenderlo; uno que lo generó, difícilmente. Esto protege especialmente a estudiantes hablantes no nativos, los más golpeados por los falsos positivos.
Convierta la captura regulatoria en un ejercicio de análisis de fuentes. En un curso de ciencias sociales, derecho, comunicación o ética profesional, lleve el caso mexicano al aula. Asigne la lectura de la iniciativa regulatoria y de las propuestas del fundador de startup, y pida a los estudiantes que identifiquen la superposición textual. La tarea concreta: producir un informe de una página que responda “¿quién escribió esta ley y a quién beneficia?”. Están aprendiendo a leer poder, no solo texto.
Haga visible el costo material en una asignación. En cualquier curso que use IA generativa, pida a los estudiantes que estimen —con las fuentes disponibles— cuánta agua y energía consumió el conjunto de consultas que hicieron para su trabajo. Que investiguen quiénes etiquetaron los datos del modelo que usaron y en qué condiciones. La entrega no es la respuesta al prompt; es el relato de lo que costó producirla. Esto transforma al estudiante de usuario pasivo a analista de la cadena de producción.
Prohíba el vocabulario antropomórfico en los informes técnicos. Regla simple para trabajos donde se documente el uso de IA: nada de “la IA entendió”, “razonó” o “decidió”. En su lugar, “el modelo generó”, “predijo”, “produjo el patrón estadístico de”. Es una intervención pequeña con efecto grande: obliga al estudiante a pensar en la herramienta como sistema, no como colega.
Enseñe inyección de prompts con una demostración en vivo. Si tiene acceso a un agente o a un asistente que procese documentos, muestre en clase cómo un texto oculto puede secuestrar su comportamiento. No para enseñar a atacar, sino para desmontar la retórica de que “es como un trabajador que se equivoca”. Una demostración de treinta segundos vale más que una hora de advertencias abstractas sobre fiabilidad.
Audite el reporte de sostenibilidad de su propia universidad. Si su institución adoptó Copilot, Gemini o cualquier suite institucional, pregunte —en el consejo de facultad, en la comisión que corresponda— si el costo energético de esas herramientas figura en el reporte de sostenibilidad que se presenta para acreditación. Es casi seguro que no. Nombrar esa ausencia es el primer paso para exigir transparencia.
Ninguna de estas acciones requiere presupuesto ni permiso especial. Todas caben en el margen de autonomía que ya tenemos en el aula. Y todas comparten una lógica: devolver el juicio pedagógico al profesor y la capacidad crítica al estudiante, en lugar de tercerizar ambos al vendedor.
Lo que viene: entre el vertedero y la alternativa
La trayectoria por defecto es conocida porque ya la vivimos con otras industrias. Sin regulación que exija transparencia, América Latina absorbe los costos externalizados —agua, energía, trabajo precarizado— mientras el valor se acumula fuera de la región. El extractivismo digital no necesita inventar nada: solo copiar el guion del extractivismo mineral y petrolero, esta vez con datos.
Pero el determinismo tampoco sirve, y esta publicación no es derrotista. Existen alternativas concretas: modelos más pequeños entrenados con datos regionales, que consumen menos y responden mejor a nuestros contextos lingüísticos; cooperativas de etiquetado con condiciones dignas; y la exigencia —perfectamente a nuestro alcance— de que los reportes institucionales digan la verdad sobre lo que cuestan estas herramientas.
La universidad latinoamericana tiene una carta que pocas instituciones tienen: la autonomía universitaria. Podemos decidir qué herramientas adoptamos, bajo qué condiciones de transparencia, y qué enseñamos sobre ellas. Esa autonomía es un activo político, no solo administrativo.
La pregunta para el claustro no es si la IA llegó para quedarse —llegó. Es si vamos a enseñarla como quien acepta un producto terminado o como quien interroga una cadena de producción. Los sistemas que hoy presentamos como neutrales reproducen, cuando no se los vigila, las discriminaciones raciales que ya conocemos Racismo algorítmico: inteligência artificial e discriminação nas redes digitais y estrechan los conocimientos que necesitamos para ejercer la ciudadanía Ciudadanos reemplazados por algoritmos.
La buena noticia es que el aula sigue siendo el lugar donde esa vigilancia crítica se puede enseñar. Esta semana, empiece por una defensa oral en lugar de un detector. Es más trabajo. También es más justo, y es mejor pedagogía.