La IA: la promesa global que choca con barreras no técnicas
Aunque la inteligencia artificial se presenta como la clave para los Objetivos de Desarrollo Sostenible, existen obstáculos no técnicos que limitan su verdadero potencial. Analizamos qué frena la visión de un futuro impulsado por la IA.
La IA promete resolver los problemas del mundo. Es una idea que escuchamos con frecuencia. Se espera que acelere el descubrimiento de fármacos, mejore la gestión de recursos y prediga desastres globales. Las empresas tecnológicas y los grupos internacionales suelen promover esta narrativa popular. Ofrece una visión de posibilidades tecnológicas ilimitadas. Esa visión inspira a muchos. Sin embargo, a menudo ignora las profundas barreras no técnicas que impiden que la IA contribuya eficazmente a la solución de los grandes desafíos globales.
Los Objetivos de Desarrollo Sostenible (ODS) de la ONU son un plan global. Su objetivo es acabar con la pobreza, el hambre y mejorar la salud, la educación y la acción por el clima para 2030. Grupos como UNICEF y el Banco Mundial invierten en IA para ayudar a cumplir estos objetivos. La IA puede, por ejemplo, analizar imágenes satelitales para identificar la pobreza o estimar las cosechas. Esta tecnología es muy eficaz para el procesamiento de datos y la detección de patrones.
Las soluciones de IA suelen fracasar lejos de Silicon Valley. Las naciones en desarrollo, donde los grandes problemas son más acuciantes, suelen carecer de infraestructura básica. Un informe de 2023 de la Unión Internacional de Telecomunicaciones (UIT) mostró que 2600 millones de personas todavía no tienen acceso a internet. La mayoría vive en países de bajos ingresos. Los modelos de IA necesitan energía constante, una conexión a internet fiable y almacenamiento seguro de datos. Estos recursos son escasos precisamente donde la IA podría ser más útil.
Estos problemas de acceso digital no son problemas menores. Representan barreras enormes. Imagine una herramienta de IA destinada a diagnosticar tuberculosis en una aldea remota. Su precisión de nada servirá si la clínica local no tiene un suministro eléctrico constante para el dispositivo. La Dra. Maja Mataric, profesora de informática en la USC y experta en IA, lo expresa con claridad: “la IA más avanzada es inútil si no puede integrarse en sistemas existentes, a menudo frágiles”.
Datos e infraestructura: el verdadero coste
Los datos buenos y útiles para el entrenamiento de la IA suelen ser escasos, especialmente para problemas sociales complejos. Los modelos de IA aprenden de los datos. Su eficacia depende directamente de la calidad y cantidad de los datos que reciben. Si los datos son escasos, sesgados o inaccesibles, la IA sencillamente no puede funcionar.
Considere la atención médica en el África subsahariana. Los registros médicos suelen ser en papel, incompletos o no estandarizados. El Dr. Alaa Abd-El-Aziz, investigador de la Universidad de Ciudad del Cabo, señala un problema clave. Destaca que los modelos de IA entrenados con datos de poblaciones occidentales suelen ofrecer un rendimiento deficiente. Esto ocurre cuando se aplican a contextos africanos debido a las diferencias demográficas, la prevalencia de enfermedades y los factores ambientales. Esta brecha de datos compromete la precisión y la equidad. Joy Buolamwini, quien fundó la Algorithmic Justice League, demostró cómo los sistemas de reconocimiento facial fabricados en EE. UU. presentaban dificultades. Con frecuencia no lograban identificar con precisión a mujeres de piel más oscura. Su investigación de 2018, con Timnit Gebru, reveló tasas de sesgo de hasta el 34,7% para mujeres de piel más oscura. Para hombres de piel más clara, fue solo del 0,8%. Esto puso de manifiesto un grave problema en la representación de las personas a través de los datos.
Joy Buolamwini, fundadora de Algorithmic Justice League, expuso cómo los sistemas de reconocimiento facial fabricados en EE. UU. presentaban dificultades para identificar a mujeres de piel más oscura, con tasas de sesgo de hasta el 34,7% en comparación con el 0,8% para los hombres de piel más clara. Su investigación pionera subraya las brechas críticas de datos que comprometen la equidad y la precisión de la IA en diversos contextos. (Fuente: pbs.org)
Construir y mantener la infraestructura digital es otra tarea de gran envergadura. El “Informe de Riesgos Globales” de 2021 del Foro Económico Mundial identificó el colapso de la infraestructura como un riesgo global importante. Las aplicaciones de IA, especialmente aquellas con grandes modelos de lenguaje o aprendizaje automático complejo, requieren una considerable potencia informática. Los centros de datos consumen enormes cantidades de energía, a menudo procedentes de combustibles fósiles. Esto contribuye a los mismos problemas climáticos que la IA afirma resolver.
Incluso cuando existe infraestructura, suele fallar. Los desastres naturales pueden devastar las redes de comunicación, como después del terremoto de Haití de 2021. Un estudio de 2022 del Programa de las Naciones Unidas para el Desarrollo (PNUD) reveló cómo la falta de acceso digital agrava la desigualdad. Esto impide que las comunidades frágiles accedan a servicios vitales, incluidos los gestionados por IA. Invertir en IA antes que en infraestructura básica es como comprar una supercomputadora para una aldea sin electricidad.
Más allá del código: personas y política
Las personas capacitadas son esenciales para que los sistemas de IA funcionen y sean sostenibles a largo plazo. La IA no es una solución sencilla de “conectar y usar”. Necesita personas capacitadas para configurarla, supervisarla y adaptarla. Esto incluye científicos de datos, ingenieros y expertos locales. Estos expertos deben comprender las particularidades culturales y sociales específicas del problema. Tales habilidades suelen ser escasas en los lugares que más las necesitan.
Un informe de la Unión Africana de 2023 señaló que el continente cuenta con un número insuficiente de investigadores y profesionales de IA. Las universidades no pueden capacitar a suficientes graduados con habilidades avanzadas en IA. Esto significa que incluso si se construyen herramientas de IA, las comunidades locales no pueden apropiarse de ellas, mantenerlas o mejorarlas. Esto las hace depender de expertos externos, a menudo de países más ricos. Esto socava el control local y el éxito a largo plazo.
Las normas éticas plantean otro problema significativo. La implementación de sistemas de IA robustos en campos sensibles como la salud, la educación o la justicia requiere directrices éticas sólidas. Estas reglas deben abordar la privacidad de los datos, el sesgo algorítmico, la rendición de cuentas y la transparencia. La Ley de IA de la UE, por ejemplo, es un sólido intento de regular la IA. Pero hacer que reglas tan complejas se apliquen eficazmente en contextos globales tan diversos es muy difícil.
Por ejemplo, una herramienta de IA destinada a distribuir recursos escasos, como la ayuda alimentaria, podría dañar accidentalmente a ciertos grupos. Esto puede ocurrir si no se diseña y supervisa cuidadosamente. La Dra. Kate Crawford, una destacada experta en IA y justicia, escribe en su libro de 2021 Atlas of AI: “Los sistemas de IA no son neutrales; reflejan y amplifican los sesgos incrustados en los datos con los que se entrenan y en las sociedades que los construyen”. Sin un control y una supervisión local rigurosos, la IA puede empeorar las desigualdades existentes, en lugar de contribuir a su solución.
Los centros de datos masivos, la columna vertebral física de las aplicaciones de IA, requieren una inmensa potencia informática y consumen vastas cantidades de energía, a menudo procedentes de combustibles fósiles. Esta demanda energética contribuye a los mismos problemas climáticos que la IA pretende resolver, lo que subraya un desafío crítico en la construcción de una infraestructura digital sostenible. (Fuente: dreamstime.com)
Más allá del algoritmo: cambio real
El enfoque en las capacidades de la IA a menudo desvía la atención de problemas más profundos que obstaculizan el cambio social genuino. A menudo se argumenta que la IA puede “saltarse” etapas del desarrollo, prescindiendo de la infraestructura tradicional gracias a las nuevas tecnologías. Esto suena bien, pero a menudo pasa por alto la realidad subyacente. El cambio real necesita más que un código inteligente.
Un mejor enfoque ve la IA como una herramienta, no como una panacea. Prioriza a las personas, la infraestructura básica y regulaciones robustas. En lugar de simplemente introducir soluciones de IA prediseñadas, deberíamos desarrollar tecnología junto a las comunidades locales. Así se garantiza que se adapte a las necesidades locales, desarrolle habilidades locales y solucione problemas genuinos.
Considere la preparación para desastres. La IA puede predecir patrones climáticos. Pero las redes humanas y las comunidades resilientes son fundamentales. Las alertas tempranas requieren una buena comunicación y ayudantes locales capacitados. Un estudio de 2023 del Fondo de Defensa Ambiental mostró que la combinación de modelos climáticos de IA con monitoreo comunitario conduce a mejores planes. Esto ayuda a las comunidades a adaptarse de forma más eficaz.
Para que la IA ayude eficazmente a la sociedad, necesitamos cambiar nuestra forma de pensar. Esto significa superar la idea de que la tecnología por sí sola puede solucionarlo todo. El poder real de la IA emerge solo cuando se integra en sistemas sociales robustos. Necesita acceso equitativo a los recursos y normas éticas claras. Este enfoque –poner a las personas y la infraestructura en primer lugar, junto con el código– es la única manera de lograr un cambio genuino y duradero. Cualquier otra cosa es solo un sueño.
Preguntas frecuentes
P1: ¿Qué es la “IA para el impacto”? R1: La “IA para el impacto” se refiere al uso de la inteligencia artificial para abordar grandes problemas sociales. Estos suelen alinearse con los Objetivos de Desarrollo Sostenible de la ONU, como la mejora de la salud, la reducción de la pobreza o la lucha contra el cambio climático. La premisa es aprovechar la capacidad de la IA para generar un impacto positivo.
P2: ¿Por qué la calidad de los datos es un problema para la IA en los países en desarrollo? R2: La calidad de los datos es un problema porque muchas regiones en desarrollo carecen de datos estandarizados, digitalizados o completos. Los modelos de IA entrenados con datos de otros lugares suelen tener un rendimiento deficiente cuando se utilizan allí. Esto puede derivar en predicciones erróneas, resultados injustos y una prestación de servicios deficiente.
En muchas comunidades, los ayudantes locales capacitados son la columna vertebral de la preparación ante desastres, traduciendo las alertas meteorológicas tempranas impulsadas por la IA en medidas concretas y garantizando una comunicación eficaz dentro de sus redes, lo que encarna el enfoque de 'las personas primero' para el cambio social. (Fuente: nyc.gov)
P3: ¿Crea la IA nuevos problemas mientras resuelve otros? R3: Sí, la IA puede agravar problemas de forma inadvertida si no se usa con cuidado. Por ejemplo, los algoritmos sesgados pueden exacerbar las desigualdades sociales existentes. Además, los sistemas de IA consumen mucha energía. Esto puede contribuir a las preocupaciones climáticas, contrarrestando los esfuerzos para combatir el cambio climático.
El rápido retroceso de los glaciares en todo el mundo, como el glaciar Okjökull en Islandia, que fue declarado muerto en 2019, es un indicador visual contundente del cambio climático global, un problema que se ve exacerbado por el significativo consumo energético de los sistemas de IA. (Fuente: earth.com)
También te puede interesar:
👉 La quimera de la colonización espacial: soluciones reales para la Tierra
👉 Futuros Sostenibles: Inversión, Ciberseguridad y Futuro del Trabajo
