Alfabetizar para salvar el bolsillo, no la democracia: el estrecho enfoque de la educación en IA

Hay un momento en el que la advertencia se vuelve cómplice de aquello contra lo que advierte. Ocurre cuando un discurso repite tantas veces “cuidado, te pueden estafar” que termina persuadiéndote de que el único problema con la inteligencia artificial es que un delincuente la use contra tu cuenta bancaria. La estafa se vuelve, entonces, la figura completa del riesgo; y todo lo que queda fuera de ese encuadre —quién construye estos sistemas, quién los paga con su trabajo o con el agua de su comunidad, quién lucra con la desinformación que ellos mismos generan— se disuelve en el fondo, invisible por acuerdo tácito. Esta semana, la conversación pública sobre alfabetización en inteligencia artificial en América Latina se movió casi entera dentro de ese encuadre estrecho: protégete, desconfía, verifica tu billetera. Es un consejo útil. Y es, al mismo tiempo, una operación de reducción que conviene mirar de frente.

La tesis de este ensayo es incómoda precisamente porque la sensatez del consejo la disfraza. Los discursos dominantes de alfabetización en IA que circularon esta semana reducen la cuestión a una defensa individual del bolsillo: no caigas en el deepfake, no cliquees el enlace, no confíes en la voz clonada de tu nieto. Lo que queda sistemáticamente fuera es la comprensión de las estructuras de poder que hacen posibles esos fraudes, la economía política del modelo de negocio que necesita capturar tu atención y tus datos, y la posibilidad de una alfabetización colectiva —sindical, comunitaria, ciudadana— que no te trate como consumidor asustado sino como sujeto capaz de preguntar quién se beneficia. Desde las declaraciones de la administración Trump hasta las notas de servicio de Infobae, el mensaje implícito es homogéneo: cuida tu dinero, no preguntes por la estructura.

La estafa como pedagogía del miedo individual

Conviene empezar por reconocer que el problema es real. Los fraudes potenciados por IA generativa crecieron de forma abrupta y afectan de manera desproporcionada a las poblaciones con menor familiaridad tecnológica. La Comisión Federal de Comercio de Estados Unidos documentó que las pérdidas reportadas por fraude alcanzaron los 12.500 millones de dólares en 2024, un salto del 25% respecto al año anterior, con la suplantación de identidad y las estafas de inversión a la cabeza New FTC Data Show a Big Jump in Reported Losses to Fraud to $12.5 Billion in 2024. Nadie sensato diría que advertir sobre esto es un error. La pregunta es qué tipo de sujeto construye la advertencia cuando se detiene ahí.

Porque el consejo típico —el que aparece una y otra vez en las guías de “cómo protegerte de la IA”— comparte una gramática reconocible: enumera señales de alerta, recomienda desconfianza, y termina depositando la responsabilidad entera sobre el individuo. Verifica llamando a la persona real. Establece una palabra clave familiar. No compartas datos. Es la versión digital de “no camines de noche por ese barrio”: traslada la carga de la seguridad a la víctima potencial y deja intacta la estructura que produce el peligro. El FBI, por ejemplo, recomendó a las familias establecer una “palabra secreta” para verificar identidades ante el auge de las estafas por clonación de voz FBI Warns of Growing Threat of AI Voice Cloning Scams. Es un consejo razonable y, al mismo tiempo, un síntoma perfecto: el problema de que exista tecnología capaz de clonar una voz humana en tres segundos se resuelve pidiéndole a la abuela que memorice una contraseña.

Lo que falta en casi todas estas guías es lo que en periodismo forense se llama método: cómo verificar realmente una imagen, un audio, un video. No basta con decir “desconfía de los deepfakes”; hace falta enseñar a leer las inconsistencias en la iluminación, a rastrear la procedencia de un archivo, a usar las herramientas de búsqueda inversa, a entender qué significa que un contenido carezca de metadatos. La alfabetización defensiva sin herramientas forenses es puro reflejo condicionado de miedo: te vuelve más ansioso, no más capaz. Y un sujeto ansioso es, paradójicamente, más manipulable —más propenso a cliquear el botón de “verificar aquí” que resulta ser, él mismo, el fraude.

Naturalizar la máquina: el truco del “cuasi-humano”

Hay una segunda operación más sutil, y más costosa a largo plazo, en el modo en que se habla de IA para el público general. Se trata de la naturalización de estos sistemas como entidades cuasi-humanas: la IA “piensa”, “entiende”, “alucina”, “quiere”, “aprende”. Este vocabulario no es inocente. Cada verbo antropomórfico que le adjudicamos a un modelo estadístico desplaza la atención desde lo que realmente es —un motor de predicción de secuencias entrenado sobre cantidades masivas de datos extraídos— hacia una fantasía de interlocutor. Y una fantasía de interlocutor no tiene dueños, no tiene cadena de suministro, no tiene modelo de negocio. Simplemente “es”, como el clima.

Néstor García Canclini vio esto con nitidez incómoda cuando describió el modo en que el acompañamiento algorítmico de nuestra existencia convierte a la inteligencia artificial en “una forma de superyó dotado en todo momento de la intuición de la verdad y que orienta el curso de nuestras acciones individuales y colectivas” Ciudadanos reemplazados por algoritmos. El punto no es místico: es económico. Cuando aceptamos que la máquina “tiene la intuición de la verdad”, dejamos de preguntar quién eligió los datos, quién ajustó los pesos, quién decidió qué respuestas premiar. La antropomorfización es la coartada perfecta de la extracción, porque un ser no se cuestiona por su cadena de valor; se le atribuye una voluntad propia.

Kate Crawford lo formula desde el otro extremo del espejo cuando insiste en que las ilusiones sobre la IA “distraen de las preguntas mucho más relevantes: ¿a quién sirven estos sistemas? ¿Cuáles son las economías políticas de su construcción? ¿Y cuáles son las consecuencias planetarias más amplias?” The Atlas of AI - Power, Politics, and the Planetary Costs. Una alfabetización que enseña a “hablar” con ChatGPT como si fuera un asistente diligente —y esa es la promesa de la mayoría de los cursos comerciales que proliferaron esta temporada— es una alfabetización que, por diseño, esquiva esas tres preguntas. No porque sea malintencionada, sino porque el marco del “asistente útil” las vuelve literalmente impensables. No se pregunta por la cadena de valor de un amigo servicial.

Que García Canclini haya anticipado en 2019 que los bots “pulsarán cada vez más nuestros botones emocionales para vendernos autos o políticos” Ciudadanos reemplazados por algoritmos debería recordarnos que la dimensión persuasiva de estos sistemas no es un efecto colateral: es la función. La IA generativa no es neutral respecto de quién la financia. Y sin embargo el discurso de alfabetización dominante la presenta como una herramienta que puede usarse “para bien o para mal” según la voluntad del usuario, como un martillo. El martillo no tiene incentivos económicos para que lo uses de cierta manera. El modelo de lenguaje sí.

El lucro como causa ausente

Aquí está el vacío más grande. Preguntemos: ¿por qué los modelos de lenguaje “alucinan”? La respuesta que circula en las guías de alfabetización es técnica y pasiva: “porque son sistemas probabilísticos imperfectos”. Es verdad, pero es media verdad. La otra mitad es económica. Los sistemas se lanzan al mercado a medio cocer, con propensión conocida a inventar hechos, porque la competencia por captar usuarios y mercado premia velocidad sobre confiabilidad. La misma OpenAI reconoció en un documento técnico que sus procedimientos de entrenamiento y evaluación premian el adivinar por sobre reconocer la incertidumbre, incentivando estructuralmente la fabricación de respuestas Why Language Models Hallucinate. Es decir: la alucinación no es solo un límite técnico; es el resultado de decisiones de diseño orientadas por incentivos de negocio. Esa frase —“orientadas por incentivos de negocio”— es la que está sistemáticamente ausente del discurso de alfabetización.

Y esto importa muchísimo cuando pasamos de la alucinación individual a la desinformación a escala. Un informe de NewsGuard documentó que en 2024 se identificaron más de mil sitios de noticias generados por IA con mínima o nula supervisión humana, muchos operando como granjas de contenido diseñadas para captar tráfico publicitario o difundir propaganda Tracking AI-enabled Misinformation. El fenómeno no es un accidente de la tecnología; es un modelo de negocio. Alguien monetiza cada visita a esos sitios basura. Alguien compra la desinformación como servicio. Y la persona alfabetizada según el paradigma dominante —la que aprendió a “desconfiar de las noticias falsas”— no tiene herramientas para rastrear ese flujo de dinero, para entender que detrás de la mentira hay un mercado de atención que la remunera.

Shoshana Zuboff nombró la estructura de fondo cuando describió el capitalismo de vigilancia como un orden económico que reclama la experiencia humana como materia prima gratuita para prácticas comerciales de extracción, predicción y venta The Age of Surveillance Capitalism. Una alfabetización en IA que no incluya al menos una comprensión rudimentaria de este modelo —los datos como materia prima, la predicción como producto, tu atención como el bien que se subasta— es una alfabetización que enseña a esquivar los síntomas mientras deja la enfermedad sin nombrar. Te enseña a no caer en la estafa del príncipe nigeriano mientras el sistema entero de extracción sigue operando, legal, cotidiano e invisible.

La diferencia es política, no técnica. Protegerte de una estafa es un acto de defensa personal. Entender por qué existe la maquinaria que produce estafas a escala industrial es un acto de comprensión cívica. El primero te vuelve un consumidor más cauto; el segundo, un ciudadano capaz de exigir regulación. El discurso dominante prefiere lo primero, y no por casualidad: un público de consumidores cautos no presiona por transparencia obligatoria en los reportes de sostenibilidad ni por regulación de las granjas de contenido. Un público que entiende la economía política, sí.

El costo que la región paga sin haberlo consumido

Si el lucro es la causa ausente en el plano del discurso, hay un costo material que también permanece fuera de foco, y que en América Latina no es abstracto. Los grandes modelos de IA no funcionan en la nube etérea que la metáfora sugiere; funcionan en centros de datos físicos que consumen electricidad y, sobre todo, agua para refrigeración. Un estudio ampliamente citado estimó que entrenar un solo modelo grande puede consumir cientos de miles de litros de agua dulce, y que cada conversación breve con un chatbot tiene un costo hídrico medible Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. La Agencia Internacional de la Energía proyectó que el consumo eléctrico de los centros de datos podría más que duplicarse hacia 2030, impulsado en gran parte por la IA Energy and AI. Estos no son costos futuros ni hipotéticos.

Y aquí la geografía importa. Cuando una empresa transnacional decide dónde instalar un centro de datos, busca energía barata, terreno barato y regulación laxa —exactamente el perfil que ofrecen muchas regiones latinoamericanas. En Chile, un proyecto de centro de datos de Google en la comuna de Cerrillos enfrentó resistencia comunitaria y revisión judicial precisamente por su proyectado consumo de agua en una zona con estrés hídrico, obligando a la empresa a rediseñar el sistema de refrigeración Google’s Chile data centre gets green light after redesign to save water. Este caso es un adelanto de un patrón, no una excepción. La región importa modelos entrenados en otros contextos —el costo colosal del entrenamiento se paga en Silicon Valley— pero los costos de operación, el agua y la energía que consume cada centro de datos regional, sí se descargan sobre comunidades locales que rara vez tienen poder de negociación.

Crawford insiste en que el trabajo invisible que sostiene la IA “toma muchas formas —trabajo de cadena de suministro, trabajo bajo demanda, y trabajos tradicionales del sector servicios— y que las formas explotadoras de trabajo existen en todas las etapas del pipeline de IA, desde el sector minero, donde se extraen los recursos, hasta el lado del software” The Atlas of AI - Power, Politics, and the Planetary Costs. Esa cadena tiene su eslabón latinoamericano y africano en los etiquetadores de datos: miles de trabajadores que, por sueldos precarios, revisan y clasifican el contenido —incluido material tóxico y violento— que hace posible que un chatbot parezca educado. Se documentó que trabajadores en Kenia fueron pagados menos de dos dólares la hora para filtrar contenido traumático destinado a entrenar los sistemas de OpenAI OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. El “asistente amable” descansa sobre trabajo precarizado y sobre agua extraída de cuencas frágiles. Nada de esto aparece en las guías de “cómo usar IA de forma responsable”.

La pregunta que una alfabetización a la altura debería sembrar no es solo “¿cómo me protejo?” sino “¿qué estoy consumiendo, y quién paga por ello?”. Cada consulta a un modelo tiene un costo material y humano distribuido de manera profundamente desigual. El consumidor del Norte disfruta de la conveniencia; la comunidad del Sur absorbe la externalidad. Es el guion de las industrias extractivas de siempre, ahora con vocabulario de innovación.

De la defensa individual a la alfabetización colectiva

Si el diagnóstico es que el paradigma dominante es individualista, defensivo y ciego a la estructura, la salida no puede ser más de lo mismo. La alfabetización que necesita América Latina no es la que enseña a cada persona a blindar su cuenta bancaria, sino la que construye capacidad colectiva para nombrar y disputar el poder de estos sistemas. Y “colectiva” no es un adjetivo decorativo. Significa, concretamente, alfabetización sindical, comunitaria y ciudadana.

Consideremos el eje laboral. Cuando los trabajadores de un sector entienden colectivamente cómo la IA reconfigura sus condiciones —qué tareas se automatizan, qué datos sobre su desempeño se capturan, cómo se usan esos datos para intensificar el ritmo o justificar despidos— pueden negociar. El acuerdo histórico que los sindicatos de guionistas y actores de Hollywood arrancaron a los estudios en 2023, con cláusulas específicas sobre el uso de IA generativa y la protección de la imagen digital de los actores, demostró que la alfabetización colectiva se traduce en poder de negociación real Hollywood writers reach deal with studios to end strike after AI, streaming disputes. No fue un individuo desconfiando de un deepfake; fue un colectivo entendiendo la economía política de la herramienta y actuando en consecuencia. Esa es la diferencia entre alfabetizar el bolsillo y alfabetizar la ciudadanía.

Paulo Freire ya nos advirtió contra la pedagogía “bancaria” que deposita información en el sujeto pasivo como si fuera un recipiente vacío Pedagogía del oprimido. El discurso dominante de alfabetización en IA es bancario por excelencia: deposita listas de señales de alerta en el consumidor, sin invitarlo jamás a nombrar el mundo, a entender las relaciones de poder que producen su vulnerabilidad. Freire proponía lo contrario: una educación que parte de la lectura crítica de la realidad, que convierte al sujeto de objeto pasivo en agente que pregunta. Aplicado a la IA, esto significa una alfabetización que no empieza por “cómo usar la herramienta” sino por “quién se beneficia de que la uses así, y qué relación de poder se está reproduciendo”.

Esto no implica romantizar lo colectivo ni despreciar la autoprotección. Un matiz honesto: la persona que hoy recibe una llamada con la voz clonada de su hijo necesita, urgentemente, saber que existe una palabra clave familiar. La defensa individual salva situaciones concretas y no debe descartarse. Pero confundir esa defensa con el conjunto de la alfabetización es como confundir aprender a lavarse las manos con entender la epidemiología. Ambas cosas importan; solo una te permite exigir agua potable para tu barrio. El problema no es que se enseñe a protegerse, sino que se enseñe solamente a protegerse, clausurando el horizonte de la comprensión estructural antes de que se abra.

Las lentes latinoamericanas: disponibilidad y anticipación

Vale la pena mirar este fenómeno a través de dos de las lentes que esta publicación aplica a la realidad regional, porque revelan algo que el encuadre defensivo oculta.

Disponibilidad y accesibilidad. La evidencia sobre los costos humanos y ambientales de la IA existe. Está en los informes de Crawford, en los estudios sobre huella hídrica, en las investigaciones sobre los etiquetadores de Kenia, en los reportes de NewsGuard sobre granjas de desinformación. Pero disponibilidad no es lo mismo que accesibilidad. Esta evidencia está disponible para investigadores que leen inglés, acceden a papers de arXiv y navegan informes de ONGs; está prácticamente ausente del debate público latinoamericano, donde la conversación sobre IA oscila entre el entusiasmo tecnológico y el pánico a la estafa. Las empresas, por su parte, tienen todo el incentivo para mantener opacos sus datos de consumo hídrico y sus cadenas laborales; los reportes de sostenibilidad rara vez desglosan el costo real por región. La brecha entre lo disponible y lo accesible es, ella misma, una forma de poder: quien controla qué evidencia llega al público controla qué preguntas puede hacer ese público. Una alfabetización crítica tendría, como primera tarea, cerrar esa brecha —traducir, contextualizar y llevar al debate regional lo que hoy solo circula en circuitos especializados.

Anticipación. La lente más urgente. El patrón es reconocible porque América Latina ya lo vivió con las industrias extractivas: capital externo, recurso local barato, comunidad sin poder de negociación, ganancia que se va y externalidad que se queda. Galeano describió las venas abiertas de una región cuyos recursos financiaron la prosperidad ajena mientras la pobreza se quedaba en casa Las venas abiertas de América Latina. La infraestructura de IA amenaza con repetir la coreografía: centros de datos que consumen agua de cuencas estresadas, trabajo de etiquetado precarizado, modelos entrenados afuera y operados adentro a costa de recursos locales. Sin regulación que exija transparencia —reportes hídricos y energéticos obligatorios, condiciones laborales verificables para etiquetadores, auditorías de los flujos de desinformación—, la región corre el riesgo concreto de convertirse en vertedero de costos externalizados. Y aquí la asimetría de capacidades regionales importa: Costa Rica, con un índice ILIA de 62,7 sobre 100 y una economía donde el 22,9% de las exportaciones manufactureras son de alta tecnología Costa Rica country profile, ILIA 2024, tiene una posición negociadora distinta a la de El Salvador, con un ILIA de 42,9 y una economía mucho menor El Salvador country profile, ILIA 2024. La anticipación no es profecía: es la lectura de un patrón para intervenir antes de que se consolide.

Estas dos lentes convergen en un punto: la alfabetización que la región necesita no es una habilidad personal para navegar un mundo dado, sino una capacidad política para disputar cómo será ese mundo. Argentina, con un ILIA de 67,5 y un Plan Nacional de Inteligencia Artificial Argentina country profile, ILIA 2024, tiene la arquitectura institucional para exigir transparencia; la pregunta es si la voluntad política acompañará, o si el discurso del “protégete de la estafa” seguirá ocupando todo el espacio del debate, cómodamente, sin costo para nadie salvo para quienes ya pagan las externalidades.

Alternativas: lo que una alfabetización a la altura incluiría

No basta con criticar el encuadre estrecho; hay que nombrar qué contendría uno más amplio. Una alfabetización en IA a la altura del desafío latinoamericano incluiría, al menos, tres capas que el paradigma dominante omite.

Primero, herramientas forenses concretas, no reflejos de miedo. Enseñar a verificar la procedencia de un contenido, a leer metadatos, a usar búsqueda inversa de imágenes, a reconocer los patrones técnicos de la generación sintética. La verificación es una destreza que se aprende, no una virtud moral que se predica. Iniciativas de periodismo de datos en la región ya desarrollaron metodologías de verificación que podrían escalar hacia la alfabetización pública si hubiera voluntad de difundirlas más allá de las redacciones.

Segundo, comprensión de la economía política. No hace falta que cada persona lea a Zuboff, pero sí que entienda la mecánica básica: que sus datos son la materia prima, que su atención es el producto que se vende, que la desinformación tiene financiadores, que las alucinaciones responden a incentivos de negocio y no solo a límites técnicos. Esta comprensión transforma al usuario en analista: cuando algo en la pantalla te empuja a actuar rápido, la pregunta ya no es “¿es verdad?” sino “¿quién se beneficia de que yo crea que es verdad y actúe ahora?”.

Tercero, la dimensión colectiva y las alternativas materiales. Modelos más pequeños y entrenados localmente, que reduzcan la dependencia de infraestructura externa y su costo hídrico. Cooperativas de etiquetado con condiciones justas, que conviertan un eslabón precarizado de la cadena en trabajo digno. Marcos de transparencia obligatoria que obliguen a las empresas a desglosar el costo real de su operación por región. Ninguna de estas alternativas es utópica; todas requieren, eso sí, un público que sepa exigirlas, y ese público no se forma con guías para no caer en estafas.

Cierre: la pregunta que el bolsillo esconde

Vuelvo a la escena del inicio: la advertencia repetida que se vuelve cómplice. El problema del discurso dominante sobre alfabetización en IA no es que mienta —los deepfakes existen, las estafas crecen, la voz clonada es real—. El problema es qué deja fuera del marco, y qué tipo de sujeto produce con esa omisión. Un consumidor asustado y vigilante de su billetera es funcional a un orden en el que las preguntas incómodas —quién construye estos sistemas, quién los paga con su trabajo o su agua, quién lucra con la desinformación— nunca se formulan. La reducción al bolsillo no es un error pedagógico; es, quizás, una elección política sobre qué ciudadanía queremos: una que se defiende, o una que comprende y exige.

América Latina llega a esta encrucijada con una ventaja incómoda: ya conoce el guion. Sabe cómo se ve una región que provee recursos baratos y absorbe externalidades mientras la ganancia se va. Esa memoria histórica es, si se la activa, una forma de alfabetización en sí misma —la capacidad de reconocer un patrón viejo con ropa nueva. La pregunta abierta, entonces, no es técnica sino cívica: ¿construiremos una alfabetización en IA que enseñe a cada persona a protegerse individualmente mientras la estructura sigue intacta? ¿O una que enseñe a las comunidades, los sindicatos y los ciudadanos a preguntar en voz alta quién se beneficia, y a exigir que el costo deje de ser invisible?

La respuesta no la darán las guías de servicio ni los cursos comerciales de “domina la IA en diez pasos”. La darán —o no— las decisiones sobre qué se enseña, quién lo enseña y con qué propósito. Si la meta es salvar el bolsillo, ya tenemos abundante material. Si la meta es algo más ambicioso —una ciudadanía capaz de disputar el poder de estos sistemas antes de que la coreografía extractiva se vuelva irreversible—, entonces la alfabetización apenas empieza, y empieza por negarse a que el miedo a la estafa ocupe todo el espacio del pensamiento.