La inteligencia artificial se está convirtiendo en infraestructura.
Está pasando a la búsqueda, el trabajo de oficina, la atención sanitaria, la educación, la investigación y la manufactura. También está entrando en los pequeños huecos donde ocurren las decisiones cotidianas: qué hacer primero, qué opción usa menos recursos, si una afirmación complicada merece nuestra confianza.
Eso cambia la pregunta que deberíamos estar haciendo. «¿Qué puede hacer la IA?» ya no es la pregunta más importante. La pregunta más difícil es esta: a medida que las capacidades de la IA avanzan más rápido que nuestras instituciones, sistemas energéticos y acuerdos sociales, ¿cómo nos aseguramos de que la IA amplíe la posibilidad humana en lugar de concentrar la eficiencia, los recursos y el poder en menos manos?
Este no es un argumento de que la IA salvará el mundo. Tampoco es un argumento de que la IA lo destruirá. Es una hipótesis de trabajo: la IA puede convertirse en un amplificador del desarrollo sostenible, pero solo después de que decidamos qué vale la pena amplificar.
Esa pregunta está cerca de cómo pensamos en AirJelly. Un compañero de IA proactivo no debería simplemente generar más resultados o interrumpir a las personas con más sugerencias. Debería ayudar a las personas a entender el contexto, reducir la fricción de bajo valor y mantener el juicio humano en el circuito. El mismo estándar debería aplicarse cuando pensamos en la IA a escala de la sociedad.
01. El progreso necesita una definición más amplia
Durante buena parte de las últimas décadas, el progreso tecnológico se ha medido por la velocidad, la escala y la producción. Los modelos se vuelven más rápidos. Las fábricas se vuelven más automatizadas. El contenido se vuelve más abundante. Las cadenas de decisión se acortan.
Esas medidas importan, pero no son lo mismo que el desarrollo humano.
Los Objetivos de Desarrollo Sostenible de las Naciones Unidas describen el desarrollo como un conjunto conectado de responsabilidades: acabar con la pobreza y el hambre, mejorar la salud y la educación, crear trabajo decente, reducir la desigualdad, tomar medidas climáticas y construir instituciones pacíficas y responsables. El crecimiento no es una única tabla de clasificación. Es un conjunto de relaciones que deben seguir siendo viables con el tiempo.
La IA plantea un desafío particular porque es muy buena optimizando objetivos locales.
Si el objetivo es minimizar el tiempo medio de respuesta en atención al cliente, un sistema puede reducir la intervención humana. Si el objetivo es maximizar la participación, puede producir más estímulo. Si el objetivo es mejorar la precisión predictiva, puede hacer que las experiencias de las minorías sean menos visibles. Toda métrica local puede mejorar mientras la calidad de vida general empeora.
La IA sostenible necesita una definición más amplia del éxito: valor fiable, justo y recuperable para más personas durante un período de tiempo más largo.
Eso significa que las métricas de producto deberían incluir preguntas menos glamorosas pero más trascendentes. ¿Cuánta energía y material ahorró el sistema? ¿Cuánto trabajo repetitivo eliminó? ¿Quién ganó capacidad y quién perdió elección? Cuando el sistema falla, ¿quién puede notarlo, corregirlo y desafiarlo?
Los mejores productos de IA no son los que hacen que las personas se sientan rodeadas de inteligencia. Son los que ayudan a las personas a dedicar su atención a lo que importa.
02. La IA puede ayudarnos a ver sistemas. No puede tomar las decisiones de valor por nosotros.
Los problemas climáticos y ecológicos son difíciles no solo porque nos falta información. Son difíciles porque los sistemas son complejos, la retroalimentación llega con retraso, la responsabilidad está distribuida y muchos costos no aparecen en el informe trimestral de una sola organización.
La IA está bien dotada para manejar partes de esa complejidad. Puede ayudar a los investigadores a combinar imágenes satelitales, datos de sensores, registros meteorológicos e información de la cadena de suministro. Puede ayudar a las redes eléctricas a pronosticar la demanda e integrar energía renovable. Puede ayudar a los arquitectos a comparar materiales, uso de energía e impactos del ciclo de vida. Puede ayudar a los agricultores a identificar patrones en el riego, las plagas y las condiciones del suelo.
El informe Energy and AI de la Agencia Internacional de la Energía señala oportunidades significativas para la IA en los sistemas eléctricos, los edificios, la industria, el transporte y la innovación energética. También hace imposible ignorar el otro lado de la ecuación: los centros de datos y la propia IA requieren más electricidad.
La IA no es inherentemente verde ni no verde. Su impacto depende del sistema en el que se despliega, la energía que la alimenta y el objetivo que se le pide optimizar.
El mismo modelo podría ayudar a una red a reducir la demanda máxima, o podría generar un flujo interminable de cómputo y consumo de bajo valor. No deberíamos preguntarnos solo cuánta energía usa un modelo. Deberíamos preguntarnos si ayuda al sistema en general a ahorrar más energía, material, tiempo o riesgo de lo que el modelo consume.
Por eso la IA debería tratarse como observadora, coordinadora y constructora de escenarios, no como jueza final. Puede producir pronósticos, revelar compensaciones y hacer legibles patrones complejos. No puede decidir por sí sola cuánto vale un río, si se debe urbanizar un humedal o cuyo riesgo es aceptable.
Esas decisiones siguen perteneciendo al debate público, la ley y el juicio humano.
03. La computación es parte del mundo material
Cuando hablamos de modelos grandes, es fácil ver solo resultados intangibles: texto, imágenes, respuestas y predicciones. Cada uno de esos resultados sigue dependiendo de chips físicos, servidores, sistemas de refrigeración, electricidad, tierra y agua.
La demanda de centros de datos se está convirtiendo en una cuestión de infraestructura. El análisis Electricity 2024 de la AIE proyectó que el consumo de electricidad de los centros de datos, la IA y las criptomonedas podría más que duplicarse para 2026. El aumento exacto variará según la eficiencia, las combinaciones energéticas regionales y la demanda, pero la dirección es clara: la IA no puede escalar independientemente del sistema eléctrico.
Esto no significa que la investigación o las aplicaciones útiles deban detenerse. Significa que necesitamos una mejor definición de eficiencia.
Un modelo más grande no crea automáticamente valor público proporcional a su costo. Una respuesta más larga no es automáticamente más útil. Enviar cada tarea al modelo más costoso no es automáticamente un mejor diseño de producto.
Un sistema maduro elige un modelo según la dificultad de la tarea. Reutiliza resultados cuando es posible. Evita llamadas innecesarias. Hace visibles los límites importantes de recursos. Trata la computación como algo que se gasta deliberadamente.
Este es un principio de producto simple: no dejes que la computación sustituya al pensamiento.
Cuando un problema difícil requiere razonamiento cuidadoso, la IA es una herramienta. Cuando un sistema sigue generando, recordando y reevaluando simplemente para parecer inteligente, se acerca más al desperdicio.
04. La sostenibilidad también significa no quitarle capacidad humana a las personas
Si la IA se usa solo para reducir costos laborales, el desarrollo sostenible se convierte en un eufemismo para hacer que menos personas hagan más trabajo. Ese es un camino fácil de tomar, y peligroso.
La investigación de 2023 de la Organización Internacional del Trabajo sobre la IA generativa y el empleo sugiere que la IA generativa es más probable que transforme y aumente tareas dentro de muchas ocupaciones que elimine de inmediato ocupaciones enteras. Pero los efectos son desiguales entre países, industrias, géneros y tipos de trabajo. Las ganancias promedio no nos dicen quién paga el costo de la transición.
Un sistema de IA centrado en las personas debería reemplazar la pregunta «¿Cuántos empleos automatizamos?» por preguntas más útiles:
- ¿Redujo el trabajo peligroso, repetitivo o de bajo valor?
- ¿Dio a las personas más tiempo para aprender, cuidar, crear y ejercer el juicio?
- ¿Entienden los usuarios los límites del sistema, o simplemente se espera que acepten sus conclusiones?
- ¿Pueden las personas afectadas por una decisión apelar, solicitar revisión y optar por no participar?
La Recomendación sobre la Ética de la Inteligencia Artificial de la UNESCO sitúa la dignidad humana, la autonomía, la transparencia, la explicabilidad, la rendición de cuentas y la protección del medio ambiente en el centro de una IA responsable. Estas pueden sonar abstractas hasta que se convierten en decisiones de producto: preservar la revisión humana; mostrar incertidumbre; mantener un historial de decisiones rastreable; no tratar el silencio como consentimiento; permitir que las personas corrijan lo que un sistema cree sobre ellas.
Aquí también importa el contexto personal. Un asistente que recuerda las cosas correctas puede reducir la carga cognitiva. Un asistente que silenciosamente convierte la memoria en control puede hacer lo contrario. En AirJelly, el sentido del contexto no es predecir perfectamente a una persona. Es ayudar a una persona a usar su propio contexto acumulado con más agencia.
Si la IA hace que las personas sean menos capaces de recordar, juzgar, organizar o discrepar, puede mejorar la eficiencia a corto plazo mientras debilita la resiliencia a largo plazo de la sociedad.
05 La línea divisoria no es si las personas tienen IA, sino quién puede usarla y gobernarla
El riesgo de sostenibilidad más profundo a menudo no es la tecnología en sí. Es la distribución desigual de sus beneficios y riesgos.
La computación avanzada, los datos, el talento y la infraestructura están concentrados en un número relativamente pequeño de países y empresas. Las regiones más ricas pueden usar la IA para el modelado climático, el cribado médico y la educación personalizada. Las regiones con menos recursos pueden recibir sistemas externos que puntúan, monitorean o clasifican a las personas sin que estas tengan un papel significativo en su diseño, auditoría o gobernanza.
Eso puede reproducir la desigualdad existente. Las personas con más datos reciben mejores servicios. Las organizaciones con más recursos obtienen más eficiencia. Los grupos vulnerables pasan a ser más propensos a ser predichos, categorizados y gestionados.
Por lo tanto, una agenda de sostenibilidad de la IA no puede centrarse únicamente en el despliegue. También debe construir capacidad pública: estándares abiertos, infraestructura asequible, sistemas multilingües, conocimiento local, investigación de interés público y mecanismos que permitan a los gobiernos, las escuelas, las comunidades y las organizaciones de la sociedad civil inspeccionar sistemas importantes.
La equidad no es un «modo de bien público» que se añade una vez terminado un producto. Comienza con la definición del problema, los datos, el contexto de despliegue, el modelo de precios y la forma en que se gestionan los fallos.
El mismo principio se aplica a la IA personal. Un compañero útil no debería convertir el contexto de una persona en una jaula propietaria. Debería hacer que el contexto sea más utilizable, dejando la propiedad, la corrección y la dirección en manos de la persona.
06 Convertir la IA en un colaborador a largo plazo
Si la IA va a apoyar el desarrollo sostenible, necesitamos principios que sean lo suficientemente simples para usarse y lo suficientemente estrictos para importar.
Empezar por el valor público y luego elegir el modelo
No empieces con «¿Podemos añadir un modelo aquí?». Empieza con «¿Qué problema real merece la pena resolver?». Un sistema que reduce la carga administrativa de las enfermeras no debería evaluarse con la misma métrica que un sistema que simplemente añade más contenido a un feed ya de por sí ruidoso.
Incluir el coste del ciclo de vida en las decisiones de producto
El coste incluye más que una factura de API. Incluye energía, hardware, gobernanza de datos, mantenimiento, migración, formación y el coste social de los errores. En entornos de alto impacto, la evaluación del ciclo de vida debería ser tan importante como la evaluación de funcionalidades.
Mostrar la incertidumbre a la persona que toma la decisión
Los sistemas sostenibles no pueden pretender ser ciertos todo el tiempo. La confianza, la frescura de los datos, el ámbito de aplicabilidad y los modos de fallo conocidos deberían ser visibles cuando las personas actúan. Decir «no lo sé» con honestidad suele ser más útil que dar una respuesta fluida y errónea.
Permitir que las personas afectadas participen en el diseño
Las personas que son evaluadas, atendidas o gestionadas por un sistema no deberían existir solo como filas en un conjunto de datos. Docentes, personal de enfermería, trabajadores, agricultores, personas con discapacidad y organizaciones comunitarias necesitan una voz real en el diseño, las pruebas y la revisión.
Preservar el derecho a salir y corregir
No todos los flujos de trabajo necesitan automatización. No todo flujo de trabajo automatizado debería ser irreversible. Los servicios esenciales necesitan canales alternativos, revisión humana y un proceso de apelación trazable.
Medir la madurez por lo que el sistema elige no hacer
Un producto de IA maduro no delega cada vez más decisiones a un modelo. Sabe qué decisiones deben seguir siendo humanas. Reducir la generación, las notificaciones y los bucles de decisión innecesarios también es progreso.
07 La pregunta final sigue siendo: ¿en qué tipo de personas queremos convertirnos?
La tecnología tiende a amplificar la forma en que las organizaciones ya trabajan.
Si tratamos la educación como producción de respuestas, el trabajo como un conjunto de tareas comprimibles, la naturaleza como un activo que optimizar y a las personas como usuarios predecibles, la IA acelerará esos supuestos.
Pero si tratamos la educación como el cultivo del juicio, el trabajo como creación compartida, la naturaleza como un sistema con el que debemos convivir y a las personas como seres dignos, relacionales y en parte incognoscibles, la IA puede ayudarnos a proteger el tiempo, ver la complejidad, colaborar a distancia y hacer espacio para objetivos a largo plazo.
El desarrollo sostenible nunca ha significado hacer que el mundo sea infinitamente eficiente. Significa preservar la capacidad de la humanidad para elegir, reparar relaciones y cuidar el futuro en un planeta finito.
Que la IA se convierta en un socio en esa labor depende de las tareas, los límites y las instituciones que le demos. Los modelos seguirán fortaleciéndose. Pero ningún modelo decidirá por nosotros qué vale la pena hacer.
Esa parte sigue siendo nuestra.
Referencias
- Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC). Informe de síntesis del AR6: Cambio climático 2023. 2023. https://www.ipcc.ch/report/ar6/syr/
- Naciones Unidas. Transformar nuestro mundo: la Agenda 2030 y los Objetivos de Desarrollo Sostenible. 2015. https://sdgs.un.org/2030agenda
- Agencia Internacional de la Energía (AIE). Electricidad 2024: Análisis y previsión hasta 2026. 2024. https://www.iea.org/reports/electricity-2024
- Agencia Internacional de la Energía (AIE). Energía e IA. 2025. https://www.iea.org/reports/energy-and-ai
- Gmyrek, P., Berg, J. y Bescond, D. La IA generativa y el empleo: un análisis global de los posibles efectos sobre la cantidad y la calidad del empleo. Documento de trabajo 96 de la OIT, Organización Internacional del Trabajo, 2023.
- UNESCO. Recomendación sobre la ética de la inteligencia artificial. 2021. https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence
- Programa de las Naciones Unidas para el Medio Ambiente (PNUMA). Informe sobre la brecha de emisiones 2024: ¡Basta de aire caliente... por favor!. 2024. https://www.unep.org/resources/emissions-gap-report-2024
- Instituto Stanford para la Inteligencia Artificial Centrada en el Ser Humano. Informe del Índice de IA 2025. 2025. https://hai.stanford.edu/ai-index/2025-ai-index-report
- OCDE. Principios de IA de la OCDE. Actualizado en 2024. https://oecd.ai/en/ai-principles