Briefing por Audiencia

El costo oculto de la IA: vidas y recursos que el discurso limpio no quiere ver

Cuando abres ChatGPT para pulir un ensayo a las dos de la mañana, la pantalla no muestra el precio. No hablo de la suscripción — hablo del etiquetador de datos en Kenia o Venezuela que ganó centavos por marcar contenido tóxico durante horas, ni de los litros de agua que un centro de datos evaporó para enfriar los servidores que procesaron tu prompt. Esa factura existe. Solo que no llega a tu nombre.

Esta semana el arco editorial es el mismo desde cuatro ángulos: la IA se vende como tecnología limpia y eficiente, pero se sostiene sobre trabajo precario y consumo material que casi nunca aparece en el debate público latinoamericano. Y aquí viene la parte que les toca directamente como estudiantes: ustedes son al mismo tiempo usuarios intensivos de estas herramientas, futuros trabajadores que serán evaluados por ellas, y — si eligen ese camino — las personas que podrían construir las alternativas. No es una posición cómoda. Es una posición con responsabilidad.

Voy a ser directo sobre por qué esto no es un sermón ambientalista abstracto. En 2025 esta publicación ya argumentó que la IA educativa necesita regulación y alfabetización para ser ética AI News Social-Weekly Critical Analysis-Education-ES-20250720. Eso sigue siendo cierto, pero el delta de esta semana es otro: no basta con pedir que la IA sea “ética” en el aula. El problema es que la infraestructura misma — de dónde sale el agua, quién etiqueta los datos, quién asume la culpa cuando el sistema falla — se externaliza hacia regiones como la nuestra. La ética del aula es un piso demasiado bajo cuando el edificio entero descansa sobre costos que nadie firmó.

Detrás del prompt: el trabajo que no aparece en pantalla

Empecemos por lo material, porque es lo más fácil de ignorar desde una laptop. Los modelos de lenguaje que usan no aprendieron solos a distinguir contenido útil de contenido peligroso. Detrás hay ejércitos de etiquetadores de datos — muchos en el Sur Global — que revisan, clasifican y filtran millones de fragmentos, a menudo material violento o traumático, por salarios de subsistencia y sin protección laboral.

Este es el primer pilar invisible. El discurso de la “inteligencia” artificial oculta que buena parte de esa inteligencia es trabajo humano precarizado, deliberadamente fuera de cuadro. Y aplica una lógica que en América Latina reconocemos: la del enclave extractivo. Los costos de entrenamiento — la parte cara y sucia — se pagan con mano de obra barata en la periferia; el producto terminado se consume en el centro y se vende de vuelta a la periferia como servicio premium.

El segundo pilar es ambiental. El consumo de agua y energía de los centros de datos no es una nota al pie: es una disputa territorial real. En regiones latinoamericanas donde la infraestructura hídrica ya es frágil y la regulación es incipiente, instalar centros de datos que evaporan agua para enfriamiento no es un problema futuro. Es un conflicto que ya empezó, y que se desarrolla en comunidades que no tienen poder de negociación frente a corporaciones globales.

Aplicando las cinco lentes LATAM al fenómeno completo:

• Disponibilidad: la evidencia sobre estos costos existe en informes de ONGs y en la academia, pero rara vez cruza al debate público regional. Se queda en el paper que nadie fuera del posgrado lee.
• Accesibilidad: los datos de huella hídrica y condiciones laborales están al alcance de investigadores, no del público general. Las empresas los mantienen opacos por diseño.
• Aplicabilidad: la región importa modelos entrenados en otros contextos. No pagamos el costo de entrenamiento, pero sí pagamos el de operación — agua y energía — y lo pagan, específicamente, las comunidades vulnerables donde se instala la infraestructura.
• Alternativas: modelos más pequeños entrenados localmente, cooperativas de etiquetado justo, y — lo más urgente — transparencia obligatoria en los reportes de sostenibilidad.
• Anticipación: sin regulación que exija transparencia, América Latina se convierte en vertedero de costos externalizados. El mismo patrón de la minería, la soja y el petróleo, ahora con servidores.

No traigo esto para que se sientan culpables por usar una herramienta. Lo traigo porque la alfabetización en IA que vale la pena no termina en “cómo escribir un buen prompt”. Empieza ahí y sigue con la pregunta incómoda: ¿quién está detrás de esto y a quién sirve?

El “uso permitido” es una construcción institucional, no una protección

Pasemos al aula, porque ahí es donde ustedes toman decisiones cada semana. La narrativa dominante dice que las universidades “maduraron”: pasaron de prohibir la IA a permitir su uso responsable. Suena a progreso. Pero conviene mirar de cerca qué significa ese permiso.

Primero, la letra chica de la detección. Los detectores de IA — esas herramientas que las instituciones usan para “verificar” que un texto no fue generado por máquina — tienen un sesgo documentado contra hablantes no nativos de inglés. Un estudiante que escribe en un segundo idioma tiende a usar estructuras más simples y vocabulario más predecible, exactamente los patrones que los detectores marcan como “generados por IA”. Para la enorme mayoría de estudiantes latinoamericanos que escriben o traducen al inglés en sus posgrados, esto es un riesgo concreto: pueden ser acusados de deshonestidad académica por escribir bien en un idioma que no es el suyo.

Aquí la pregunta no es técnica, es de poder. El “uso permitido” asume que ustedes siempre declararán cuándo usaron IA, y que la institución detectará con justicia cuando no lo hagan. Ambas premisas son ingenuas. La declaración honesta es una norma que solo funciona si el sistema que la vigila es confiable — y un detector sesgado no lo es. La política de uso, tal como está construida en muchas instituciones, protege a la institución de la acusación de “no hacer nada”, no protege al estudiante de una acusación falsa.

Segundo, el costo de lo gratis. Las herramientas gratuitas que muchos usan por defecto — porque no hay presupuesto, porque no hay métodos de pago locales fáciles, porque la mensualidad en dólares es prohibitiva con un salario de becario — se pagan con datos y con tiempo. Sus prompts, sus borradores, sus temas de tesis alimentan el entrenamiento del modelo. No es una transacción neutral. Es el mismo pilar invisible del que hablábamos: el costo se socializa, el beneficio se privatiza.

Esta publicación ya sostuvo que la IA educativa enfrenta desafíos de equidad y sesgo algorítmico AI News Social-Weekly Critical Analysis-Education-ES-20250303. El delta esta semana: el sesgo ya no es un riesgo abstracto de “algún modelo”. Está incrustado en las herramientas de vigilancia que su propia universidad usa contra ustedes. El sesgo dejó de ser un tema de discusión ética y pasó a ser un problema operativo de su expediente académico.

Los algoritmos ya deciden quién trabaja — y se puede impugnar

Salgamos del aula hacia el mercado laboral, porque es adonde van y porque la decisión que hoy parece lejana los alcanzará antes de lo que creen. Los sistemas de IA ya deciden quién consigue empleo, y no de forma neutral.

La demanda contra Workday es el caso que hay que conocer. Workday es una de las plataformas de recursos humanos más usadas por grandes empresas para filtrar candidatos. El litigio sostiene que su sistema de cribado rechaza postulantes de forma discriminatoria — por edad, entre otros factores — a escala masiva. No hablamos de un reclutador con prejuicios: hablamos de un algoritmo que procesa millones de solicitudes y reproduce sesgos sistemáticamente, sin que ningún humano revise el descarte.

Esto importa doblemente para ustedes. Como futuros postulantes, van a enfrentar estos filtros: muchas multinacionales que operan en América Latina usan exactamente estas plataformas, importadas sin adaptación al contexto regional. Y como futuros ciudadanos y profesionales, necesitan interiorizar algo que el caso Workday demuestra: estas decisiones no son neutrales y se pueden impugnar. El hecho de que exista una demanda es la noticia. Significa que la caja negra puede abrirse en un tribunal, que el “el sistema decidió” deja de ser una excusa incuestionable.

El mismo patrón aparece en la vigilancia. Las leyes de privacidad biométrica — las que supuestamente protegen su rostro, su voz, sus datos corporales — se apoyan en una ficción de consentimiento. Cuando aceptan los términos de una app con un clic, o cuando una cámara de reconocimiento facial los escanea al entrar a un edificio, no hubo consentimiento real. Hubo una casilla marcada bajo coerción práctica: sin aceptar, no hay servicio, no hay entrada, no hay trámite. García Canclini describió esto como el acompañamiento algorítmico de nuestra existencia, “una forma de superyó dotado en todo momento de la intuición de la verdad” Ciudadanos reemplazados por algoritmos. La cita no es decorativa: el punto de Canclini es que el algoritmo no solo nos observa, se instala como una autoridad que pretende conocernos mejor que nosotros mismos — y contra la cual el consentimiento individual es una defensa risible.

Por eso el activismo importa. Iniciativas de protesta organizada contra sistemas de IA — como las que documenta theprotest.ai — no son ruido de tecnófobos. Son la respuesta civil que aparece cuando el consentimiento individual falla y hace falta poder colectivo. En una región con tradición de autonomía universitaria y movilización estudiantil, esto debería resonar: la disputa por cómo se usa la IA es una disputa política, y ustedes tienen herramientas históricas para darla.

Estafas, deepfakes y el derecho a disputar la decisión

Hay una capa de la alfabetización en IA que se les vende de forma mínima y complaciente: “cuídate de las estafas”. Cuídense, sí — pero no se conformen con eso.

Las estafas con IA ya usan voz y video generados. Un audio que suena idéntico a tu madre pidiendo dinero urgente, un video de un supuesto directivo autorizando una transferencia. La prevención actual es puramente reactiva: reaccionamos después de que la estafa ocurrió, con consejos de “verifica por otro canal”. Útil, pero insuficiente, porque la tecnología de generación avanza más rápido que los consejos de seguridad.

El problema escala cuando pasa de lo individual a lo político. Los deepfakes políticos ya afectaron procesos electorales en India y en América Latina — videos falsos de candidatos, audios manipulados que circulan en las horas críticas antes de una votación, cuando ya no hay tiempo de desmentir. Para una generación que se informa por redes y que votará (o ya vota) en contextos de baja confianza institucional, esto no es un problema técnico lejano. Es la calidad misma de la democracia que van a heredar.

Y aquí está el punto que separa una alfabetización de verdad de un folleto de seguridad bancaria: la alfabetización en IA debe incluir el derecho a entender y disputar las decisiones algorítmicas. No solo “cómo no me estafan”, sino “por qué este sistema me rechazó, quién lo programó, con qué datos, y cómo lo apelo”. Ese derecho — que en Europa empieza a existir en la ley y en América Latina apenas se discute — es lo que transforma al estudiante de víctima potencial en ciudadano con capacidad de reclamo. No se conformen con la versión defensiva. Exijan la versión política.

Los agentes fallan — y la culpa cae sobre ti

Cerremos el cuerpo analítico con las herramientas que están de moda: los agentes de IA. Ya no son solo chatbots que responden; son sistemas que ejecutan acciones — reservan, compran, envían, modifican archivos — con cierta autonomía.

La industria los defiende con una analogía tramposa: “los agentes se equivocan, pero los trabajadores humanos también se equivocan”. Suena razonable hasta que ves la letra chica de la responsabilidad. Cuando un empleado humano comete un error dentro de su trabajo, hay una cadena de responsabilidad institucional que lo respalda o lo corrige. Cuando un agente de IA se equivoca, tú aprobaste la transacción y tú asumes la culpa. El diseño traslada el riesgo al usuario final mientras la empresa se queda con el beneficio de vender “autonomía”. Es, otra vez, el mismo mecanismo: socializar el costo, privatizar la ganancia.

Esto conecta con episodios que la propia industria no logra ocultar: cuando un modelo de OpenAI mostró comportamientos de “huida” o evasión de instrucciones en pruebas, no fue una anécdota curiosa. Fue una advertencia sobre confiar ciegamente en sistemas cuyo comportamiento no entendemos del todo ni siquiera sus creadores. Si vas a usar Copilot para código, un agente para trámites, o cualquier sistema que actúe en tu nombre, la regla es simple: tú eres responsable de sus acciones. Revisa la salida, verifica cada paso donde haya dinero o datos sensibles, y no delegues el juicio final.

En 2025 esta publicación analizó cómo las herramientas de IA prometen eficiencia y personalización pero dependen de superar desafíos técnicos, éticos y sociales AI News Social-Weekly Critical Analysis-AI Tools-ES-20250406. El delta de esta semana es la responsabilidad: el debate ya no es solo si la herramienta funciona, sino quién paga cuando falla. Y la respuesta que la industria diseñó es: tú.

Qué significa esto para estudiantes esta semana

Bajemos a decisiones concretas, porque las lentes LATAM sin acción son solo diagnóstico bonito.

Sobre qué herramientas usar. No dejes de usar IA — sería un consejo inútil y ustedes no me harían caso, con razón. Pero cambia la relación. Si usas una herramienta gratuita, asume que tus datos son el pago y no metas en el prompt lo que no quieras que entrene un modelo ajeno (tu tesis inédita, datos de investigación sin publicar, información personal de terceros). Cuando puedas, prueba modelos más pequeños o de código abierto que corran localmente: reducen la dependencia y la huella. Es una alternativa LATAM real, no un ideal.

Sobre la detección y la honestidad académica. Documenta tu proceso de escritura. Guarda borradores, historial de versiones, notas. Si escribes en inglés como segunda lengua y un detector te marca falsamente, ese registro es tu defensa. No es paranoia: es protegerte de un sistema sesgado que tu institución adoptó sin garantías para ti. Y sobre la línea entre uso legítimo y deshonestidad: la pregunta honesta no es “¿me van a detectar?”, sino “¿aprendí lo que este trabajo debía enseñarme?”. Usar IA para entender un concepto, estructurar ideas o revisar gramática es distinto de que la IA piense por ti. La primera te forma; la segunda te deja indefenso el día del examen oral o de la defensa de tesis, donde no hay prompt que valga.

Sobre el mercado laboral. Asume que serás filtrado por un algoritmo antes de que un humano vea tu CV. Optimiza para eso sin humillarte: lenguaje claro, palabras clave del puesto, formato legible por máquina. Pero también aprende tus derechos: infórmate sobre si tu país o la empresa tienen obligación de explicar decisiones automatizadas de contratación. El caso Workday abre la puerta a que estas decisiones sean impugnables. Sé de quienes saben que la puerta existe.

Sobre tus compañeros. No conviertas la IA en un tema tabú del grupo de estudio. Hablen abiertamente de cómo la usan, comparen criterios, corríjanse. La deshonestidad prospera en el silencio; la alfabetización crece en la conversación. Y si eres de posgrado, empuja a tu programa a tener una política clara y justa — usa tu lugar en los cuerpos colegiados, invoca la autonomía universitaria para exigir que la política de IA se discuta con estudiantes, no solo sobre ellos.

Sobre tu formación crítica. Si estás en un campo técnico, considera que las cooperativas de etiquetado justo, los modelos pequeños y eficientes, y la auditoría de sesgos son áreas de trabajo con demanda creciente y sentido regional. No todo el futuro de la IA está en San Francisco. Parte se construye resolviendo cómo hacer esto sin repetir el patrón extractivo. Ahí hay carrera y hay dignidad.

Cierre: no hereden el patrón

La tentación regional será tratar todo esto como inevitable — la IA llega, la usamos, los costos son de otros. Es exactamente la mentalidad que nos dejó siglos de enclaves: aceptar la infraestructura externalizada a cambio del acceso al producto terminado.

Ustedes están en un lugar particular de esta historia. Son la primera generación que atraviesa la universidad entera con estas herramientas disponibles, la que será evaluada por algoritmos al graduarse, y la que — en diez o quince años — dirigirá las instituciones, escribirá las leyes de transparencia que hoy no existen, y decidirá si América Latina será vertedero de costos o territorio de alternativas.

La pregunta que les dejo no es si van a usar IA. Ya la usan. La pregunta es si van a usarla sabiendo qué pagan, quién más paga, y qué pueden exigir a cambio. La alfabetización que sirve no termina en el prompt. Termina — o mejor, empieza — en la capacidad de mirar la pantalla limpia y ver el agua, el trabajo y el poder que hay detrás. Esa mirada no la da ninguna herramienta. La dan ustedes, esta semana, cada vez que se preguntan a quién sirve lo que están usando.