Un artículo firmado por el director de cultura y ciencia de la Fundación Bunge y Born afirma que geografía, economía, historia, literatura y filosofía son las materias clave para entender la inteligencia artificial, y no solo la informática.
Un artículo difundido por la Fundación Bunge y Born sostiene que la escuela debe promover la comprensión de la inteligencia artificial (IA) a partir de las materias que ya enseña, como geografía, economía, historia, literatura y filosofía. El texto, firmado por el director de cultura y ciencia de esa fundación, plantea que el abordaje de ChatGPT y otras tecnologías similares no debe reducirse a la informática.
El autor señala que un alumno puede entregar un ensayo impecable que no escribió y que una escuela puede contratar una capacitación para incorporar la IA, pero en ambos casos se parte de la idea de que se trata de un problema técnico con solución técnica. Según el artículo, ese enfoque es un error porque buena parte de lo necesario para entender la tecnología ya está en las disciplinas existentes.
El texto propone preguntar dónde está ChatGPT y responde que, además de un algoritmo, la IA es una construcción material y social compuesta por infraestructura, recursos naturales, geopolítica, trabajo y datos. Menciona que la nube implica galpones con servidores que funcionan las 24 horas, cables submarinos, chips fabricados en pocas empresas y países, y anuncios de inversiones en centros de datos por cientos de miles de millones de dólares.
También indica que esos centros de datos consumen agua y electricidad. Cita un trabajo de The Washington Post según el cual un correo de cien palabras generado con IA puede requerir cerca de medio litro de agua, aunque aclara que otras estimaciones son menores. Agrega que la demanda eléctrica crece y tensiona redes en varios países.
En el plano geopolítico, el artículo afirma que Estados Unidos y China concentran los modelos más avanzados, las empresas y la fabricación de chips decisivos, mientras que Europa sancionó la primera ley integral de inteligencia artificial. Sostiene que América Latina puede aportar territorio, agua, litio y datos, pero está lejos de competir en la construcción de sistemas de frontera.
El texto también aborda el trabajo humano detrás de la IA: trabajadores que etiquetan datos a mano y otros que clasifican contenidos violentos, tareas tercerizadas en el Sur global con salarios bajos y costo psicológico. Señala que los modelos se alimentan de textos, fotos, búsquedas y publicaciones subidas a internet, muchas veces sin conocimiento ni retribución para quienes las produjeron.
El autor menciona que la misma maquinaria puede ampliar la capacidad de resolver problemas y cita el caso de AlphaFold, de Google DeepMind, que predijo la forma de casi todas las proteínas conocidas y cuyos creadores recibieron el Nobel de Química en 2024. A partir de eso, propone mirar qué permite hacer la IA y qué recursos y decisiones supone, en lugar de juzgarla en abstracto.
Respecto de la escuela, el artículo afirma que el error más caro es creer que la inteligencia artificial es tema exclusivo de los profesores de informática. Detalla que el profesor de geografía puede preguntar dónde se instalan los centros de datos y por qué; el de economía, cómo funciona el negocio y quién captura el valor; el de historia, cuántas veces una tecnología prometió el paraíso o anunció el fin del mundo; el de literatura, qué significa ser autor cuando una máquina interviene en la escritura; y el de filosofía, qué implica que modelos produzcan textos asociados al pensamiento.
El texto sostiene que no se necesita un laboratorio sofisticado ni un software especial, sino poner sobre la mesa un caso real y dejar que cada disciplina lo interrogue. Agrega que un joven convencido de que la IA es asunto de especialistas queda mal preparado para participar como ciudadano en decisiones clave.
Como ejemplo, cita el caso de los Países Bajos, donde un algoritmo de la agencia tributaria acusó falsamente de fraude a unas 26.000 familias, muchas de doble nacionalidad y bajos ingresos, y el escándalo terminó con la caída del gobierno en 2021. Para el autor, entender qué falló exige preguntar quién definió las categorías, qué controles faltaron y quién podía impugnar una decisión automatizada.
El artículo también señala que la tecnología da nueva urgencia a preguntas de las humanidades y ciencias sociales sobre creatividad, autoría, comprensión o responsabilidad. Menciona que hace setenta años Alan Turing propuso juzgar la inteligencia de una máquina por su desempeño en una conversación y que hoy los modelos de lenguaje complican esa distinción.
En el plano democrático, sostiene que un sistema capaz de fabricar imágenes y mensajes falsos, adaptarlos a cada destinatario y distribuirlos a gran escala altera las condiciones en que se forman opiniones. Añade que si puede resumir millones de preferencias y proponer una decisión en nombre de todos, hay que preguntarse qué se entiende por representación y qué tareas se confían a las instituciones.
El texto cierra volviendo al alumno que delega un ensayo en una máquina. Plantea que el problema educativo no se agota en detectar la trampa, sino en preguntarse qué se quería que aprendiera al escribirlo y qué ejercicio deja de hacer al delegar la tarea. Afirma que la capacidad de formar un juicio propio se construye despacio y con errores, y que ninguna herramienta puede entregarla ya hecha. Concluye que formar personas capaces de construir ese criterio y hacerse responsables de sus decisiones es tarea de la escuela entera.
El artículo está firmado por Petrella, director de cultura y ciencia en la Fundación Bunge y Born.