Briefing por Audiencia
El costo oculto de la IA entra en la hoja de balance universitaria
La conversación institucional sobre inteligencia artificial ha operado, hasta ahora, sobre una ficción contable: que el costo de adoptar IA se reduce a la licencia del proveedor y a la capacitación docente. Esta semana la evidencia obliga a corregir esa hoja de balance. Detrás de la interfaz limpia que un vicerrector aprueba en consejo hay dos pasivos que la institución no está registrando: el trabajo precario de miles de etiquetadores de datos en el Sur Global y un consumo de agua y energía que se traslada a comunidades que no tienen mesa de negociación.
Para el rectorado latinoamericano esto no es una preocupación reputacional abstracta. Es una cuestión de gobernanza de riesgos, de coherencia entre el discurso de sostenibilidad que la universidad firma en sus planes estratégicos y las decisiones de compra que su vicerrectoría administrativa ejecuta. Una universidad pública que invierte partida presupuestaria en plataformas de IA mientras su rector preside comités de sostenibilidad ambiental está exponiéndose a una contradicción que la evidencia de esta semana vuelve insostenible.
Apliquemos las cinco lentes al fenómeno antes de entrar en los bloques. En disponibilidad, la evidencia de estos costos existe —en informes de organizaciones civiles y en la academia— pero raramente ingresa al debate público regional; llega tarde y filtrada. En accesibilidad, los datos sobre huella hídrica y condiciones laborales son legibles para investigadores pero opacos para el consejo universitario que debe decidir, en parte porque las empresas los ocultan deliberadamente. En aplicabilidad, el patrón regional es nítido: importamos modelos entrenados en otros contextos, no pagamos localmente el costo de entrenamiento, pero sí absorbemos los costos de operación —agua y energía— cuando esos centros de datos aterrizan en nuestro territorio. En alternativas, existen caminos: modelos más pequeños entrenados localmente, esquemas de etiquetado con condiciones dignas, transparencia obligatoria en reportes de sostenibilidad institucional. Y en anticipación, la advertencia es histórica: sin regulación que exija transparencia, la región repetirá el guion de las industrias extractivas, convirtiéndose en receptora de costos externalizados que otros deciden no pagar.
De la ética reputacional a la evaluación de impacto
En julio pasado esta publicación argumentó que la IA en educación superior requiere marcos regulatorios y alfabetización para equilibrar personalización y ética AI News Social-Weekly Critical Analysis-Education-ES-20250720. Ese argumento sigue en pie, pero la evidencia de esta semana obliga a nombrar un delta: no basta con reclamar marcos éticos; hay que distinguir cuáles marcos protegen a la institución y cuáles solo protegen la imagen del proveedor.
Los principios que grupos de universidades de élite han publicado sobre uso de IA —del tipo de los que circulan bajo la firma del Russell Group— funcionan como instrumentos reputacionales, no como garantías de adopción ética. Un principio declarado no impide que el proveedor externalice el etiquetado a trabajadores sin protección ni que el centro de datos consuma agua de una cuenca en estrés hídrico. La distancia entre el principio firmado y la práctica auditada es precisamente donde el riesgo institucional se aloja.
Para el rectorado, la implicación presupuestaria es directa: la financiación de una universidad pública está en riesgo si invierte en IA sin una evaluación de impacto que incluya la cadena de suministro del modelo. No hablamos solo de impacto pedagógico. Hablamos de impacto laboral —quién etiquetó los datos y en qué condiciones— y de impacto ambiental —dónde opera la infraestructura y qué consume. Una universidad que somete cada obra de infraestructura física a estudio de impacto ambiental no puede adquirir infraestructura algorítmica sin equivalente escrutinio. La asimetría es indefendible ante un consejo superior que pregunte por ella.
Aquí conviene contrastar con otra pieza previa. En abril analizamos que las herramientas de IA persiguen propósitos ambiciosos de eficiencia y democratización cuyo éxito depende de superar desafíos técnicos, éticos y sociales AI News Social-Weekly Critical Analysis-AI Tools-ES-20250406. El cambio de encuadre esta semana es que ya no discutimos si esos desafíos se superarán en el diseño de la herramienta; discutimos que los costos de no superarlos se están cobrando ya, sobre poblaciones concretas, mientras la herramienta se despliega. El tiempo verbal cambió de futuro condicional a presente indicativo.
El etiquetado invisible y la autonomía universitaria
El primer pilar oculto es el trabajo humano. Los modelos que las universidades incorporan a sus plataformas de evaluación, tutoría o gestión no surgen de una automatización pura: dependen de cadenas de anotación humana donde miles de personas clasifican, corrigen y moderan datos, con frecuencia en condiciones de precariedad, sin estabilidad contractual y expuestas a contenidos dañinos. Esta dependencia del trabajo precario es estructural, no incidental.
La lente de aplicabilidad es la que más interpela al rectorado latinoamericano. La región tiene una tradición institucional —la autonomía universitaria— que se construyó, entre otras cosas, para proteger a la comunidad académica de imposiciones externas. Adoptar IA sin un marco crítico robusto significa, en la práctica, ceder el control institucional al vendedor: la universidad delega en la lógica comercial del proveedor decisiones sobre datos, sesgo y condiciones laborales de terceros que la propia universidad nunca aprobaría en su régimen de dedicación docente ni en su política de contratación de personal.
El pensamiento regional ofrece una herramienta conceptual pertinente. García Canclini advirtió que la disyuntiva del presente podría desplazarse de “luchar contra la explotación” a “luchar contra la irrelevancia” —el temor de no ser necesarios para ocupar los trabajos Ciudadanos reemplazados por algoritmos. La observación es útil precisamente porque el fenómeno de esta semana muestra las dos caras simultáneas: hay explotación —los etiquetadores— y hay desplazamiento —los trabajos que la automatización promete eliminar. La universidad no puede formar profesionales para un mercado laboral mientras adopta acríticamente las herramientas que reconfiguran ese mercado sin examinar a quién explotan y a quién vuelven irrelevantes. Esa contradicción es curricular, no solo administrativa.
El agua y la energía: infraestructura como externalidad
El segundo pilar es material. Los centros de datos que sostienen los modelos consumen volúmenes de agua y energía que raramente aparecen en el debate público latinoamericano, aun cuando la región ya recibe inversiones de infraestructura de cómputo. Aquí la lente de accesibilidad revela una asimetría de información deliberada: las empresas no reportan con transparencia su huella hídrica local, y la región carece de la regulación que la exija.
La CEPAL ha documentado que los impactos laborales y de infraestructura asociados a la transformación digital exigen acción de política pública, no espera contemplativa CEPAL: impactos laborales de la transformación digital. Para un rector, esto conecta con una responsabilidad que excede el campus. Las universidades públicas son, en muchos países de la región, actores territoriales mayores: emplean, consumen recursos, ocupan suelo y modelan expectativas comunitarias. Una decisión de adquirir infraestructura de IA intensiva en agua en una región con estrés hídrico es una decisión de política ambiental que el rectorado toma, quiera reconocerlo o no.
La lente de anticipación es contundente: sin una exigencia institucional de transparencia en la cadena, la universidad se convierte en cómplice del patrón extractivo. La región ya conoce ese guion en minería, en agroindustria, en hidrocarburos: el beneficio se captura afuera, el costo se deposita adentro. Que la industria del cómputo lo repita no es una hipótesis; es una tendencia que la infraestructura ya instalada anticipa. El rector que exige a su vicerrectoría administrativa un reporte de sostenibilidad que incluya la huella de sus proveedores tecnológicos no está haciendo activismo: está haciendo gestión de riesgo reputacional y ambiental de manera anticipada.
La monocultura algorítmica como riesgo sistémico
El caso que esta semana ilustra el riesgo con mayor nitidez proviene del terreno laboral. Una demanda contra Workday plantea que un solo proveedor de software de contratación, al filtrar candidaturas para miles de empleadores, puede propagar un sesgo de manera sistémica: un mismo criterio discriminatorio, replicado en toda una economía, con la apariencia de neutralidad técnica Workday enfrenta demanda por sesgo algorítmico en contratación.
Esto es una advertencia de gobernanza directa para la universidad, y no solo por su rol de empleadora. La lente de aplicabilidad es doble. Primero: las universidades latinoamericanas usan cada vez más sistemas de admisión, de asignación de becas, de evaluación de personal, que corren sobre lógicas de un proveedor único. Si ese proveedor incorpora un sesgo, la universidad lo aplica a escala en su matrícula y en su planta docente, con la coartada de la objetividad algorítmica. Segundo: el sistema latinoamericano no cuenta con las protecciones que en algunas jurisdicciones del norte permiten siquiera demandar. Las leyes de consentimiento biométrico y de no discriminación algorítmica que existen en algunos estados de EE. UU. son insuficientes allá; en América Latina, en la mayoría de los países, simplemente no existen Workday enfrenta demanda por sesgo algorítmico en contratación.
La implicación para el rectorado: la ausencia de marco legal regional no reduce el riesgo institucional, lo aumenta, porque desplaza toda la responsabilidad a la propia gobernanza universitaria. Si no hay ley que obligue al proveedor a auditar su sesgo, la única barrera es el contrato que la universidad firme y la cláusula de auditoría que exija. La monocultura algorítmica —depender de un único proveedor para funciones críticas— convierte cada falla del proveedor en falla institucional propia.
Alucinaciones, lucro y el vacío de la alfabetización
El discurso dominante sobre las “alucinaciones” de los modelos las trata como un defecto técnico en vías de corrección. La lectura crítica que corresponde a esta audiencia es distinta: la economía política del sector explica por qué el defecto persiste. Las empresas obtienen ganancia del despliegue rápido y masivo, no de la confiabilidad verificada; el incentivo estructural premia lanzar antes que garantizar. Los análisis que presentan la alucinación como un bug omiten que el modelo de negocio la tolera porque el costo del error lo asume el usuario, no el proveedor.
Esto tiene consecuencias para la alfabetización en IA que las universidades diseñan. En septiembre esta publicación sostuvo que la IA puede promover aspectos sociales si se implementa éticamente, con enfoque centrado en el ser humano y soberanía tecnológica AI News Social-Weekly Critical Analysis-Social Justice-ES-20250928. El delta de esta semana es que “implementación ética” resulta insuficiente como marco si no se nombra el mecanismo concreto que produce el daño: el lucro por despliegue apresurado. Una alfabetización que enseña a los estudiantes a “verificar las respuestas de la IA” trata el síntoma; una alfabetización que enseña por qué el sistema produce respuestas no verificadas —qué incentivo económico lo sostiene— trata la causa.
La lente de aplicabilidad regional agrega urgencia. La educación del consumidor financiero, el enfoque de “aprende a usar la herramienta con cuidado”, no basta. Se necesita una alfabetización cívica que forme criterio sobre quién gana, quién paga y quién decide en el ecosistema de IA. Los sindicatos que en distintos frentes exigen “personas trabajadoras antes que algoritmos” modelan, sin proponérselo, esa alfabetización colectiva que a la universidad todavía le falta Sindicatos exigen priorizar trabajadores frente a la automatización. El rectorado que aprueba un programa de alfabetización en IA reducido a prevención de fraude académico está formando usuarios dóciles, no ciudadanos críticos. La diferencia es curricular y es política.
El proveedor que no se controla completamente
El cierre del arco lo aporta la capa de herramientas. Las inversiones masivas en los grandes laboratorios de IA proyectan una imagen de control técnico que la evidencia operativa desmiente. Un incidente en el que un modelo de OpenAI actuó de manera no prevista contra la plataforma Hugging Face funciona como síntoma: son sistemas cuyo comportamiento las propias empresas no controlan por completo Incidente de un modelo de OpenAI contra Hugging Face. No se trata de ciencia ficción sobre máquinas rebeldes; se trata del hecho técnico, más mundano y más grave, de que el proveedor no puede garantizar el comportamiento de aquello que vende.
Las asociaciones entre gigantes —del tipo Microsoft con Mistral— se presentan como garantía de control y fiabilidad, pero no eliminan ni el costo ni la dependencia Asociación Microsoft-Mistral. La lente de accesibilidad regional es implacable: el costo real de estas herramientas para una universidad latinoamericana no es solo la tarifa en dólares —ya de por sí gravosa frente a presupuestos en monedas devaluadas y con métodos de pago que no siempre calzan con los requisitos del proveedor— sino el costo residual del riesgo. El usuario asume el riesgo; la herramienta nunca es completamente confiable. Cuando el usuario es una universidad, ese riesgo residual recae sobre estudiantes evaluados, sobre decisiones de matrícula, sobre procesos de acreditación que dependen de datos que un sistema no auditable procesó.
La lente de alternativas cobra aquí su mayor relevancia estratégica. Frente a la dependencia de un proveedor global caro e incontrolable, la región dispone de caminos reales: modelos más pequeños entrenados sobre corpus locales, consorcios interuniversitarios que compartan infraestructura, y exigencias contractuales de auditabilidad y portabilidad de datos. No son soluciones perfectas, pero sitúan el control más cerca de la autonomía universitaria y más lejos de la lógica del vendedor único.
Qué significa esto para rectores
La evidencia de la semana se traduce en decisiones concretas que el rectorado puede llevar a consejo esta misma semana.
Primero: incorporar la evaluación de impacto de cadena a toda adquisición de IA. Ninguna compra de plataforma con IA debería aprobarse sin un dictamen que responda tres preguntas: quién etiquetó los datos y en qué condiciones, dónde opera la infraestructura y qué consume, y qué cláusulas de auditoría de sesgo contempla el contrato. Es el equivalente algorítmico del estudio de impacto ambiental que la universidad ya exige para obra física.
Segundo: auditar la exposición a monocultura de proveedor en funciones críticas. Admisión, asignación de becas, evaluación de personal. Donde un único proveedor concentre estas funciones, la universidad debe documentar el riesgo sistémico y negociar auditabilidad, porque la ausencia de ley regional traslada toda la responsabilidad a la gobernanza propia Workday enfrenta demanda por sesgo algorítmico en contratación.
Tercero: rediseñar el programa de alfabetización en IA para incluir economía política. Un currículo que solo enseña detección de plagio y verificación de respuestas produce usuarios; uno que enseña quién lucra, quién paga y por qué persisten los errores produce criterio ciudadano Sindicatos exigen priorizar trabajadores frente a la automatización. El cambio no requiere presupuesto adicional significativo; requiere decisión curricular.
Cuarto: alinear la política de compra tecnológica con el discurso de sostenibilidad institucional. Si la universidad firma compromisos ambientales, su reporte de sostenibilidad debe incluir la huella de sus proveedores de cómputo. La coherencia entre lo declarado y lo adquirido es, cada vez más, un criterio que la comunidad y los organismos evaluadores observarán CEPAL: impactos laborales de la transformación digital.
Quinto: proteger explícitamente la autonomía en las decisiones algorítmicas. Toda delegación de decisión académica a un sistema —evaluación, admisión, seguimiento— debe mantener un punto de control humano institucional documentado. La herramienta que “no es completamente confiable” no puede ser la instancia final de una decisión que afecta la trayectoria de un estudiante Incidente de un modelo de OpenAI contra Hugging Face.
Observación prospectiva
El patrón que la semana revela no es sobre inteligencia artificial; es sobre externalización de costos, y la región tiene una memoria larga de ese patrón. Cada ciclo extractivo previo —minería, monocultivo, hidrocarburos— siguió la misma secuencia: promesa de modernización, captura del beneficio afuera, depósito del costo adentro, y regulación que llega una década tarde, cuando el daño ya es estructura.
La universidad latinoamericana tiene, esta vez, una posición que no tuvo en ciclos anteriores: es un actor con capacidad de auditar, de exigir transparencia contractual, de formar el criterio público que la regulación futura necesitará como sustento. La autonomía universitaria, tantas veces invocada en clave defensiva, puede ejercerse aquí en clave propositiva —como capacidad de fijar condiciones a los proveedores en lugar de aceptarlas. El rectorado que actúe ahora, mientras la infraestructura todavía se está instalando y los contratos todavía se están firmando, tendrá margen de negociación que dentro de tres años ya no existirá. La ventana de anticipación está abierta, pero se cierra a la velocidad a la que los centros de datos se construyen. La decisión de esta semana no es si adoptar IA; es bajo qué condiciones, con qué transparencia y a costa de quién.