Desmitificar la Inteligencia Artificial: Crítica a los mitos tecnodominantes y propuesta para una alfabetización digital crítica

 Por: Aldo Hernán Zanabria Gálvez 

Resumen

La Inteligencia Artificial (IA) ha dejado de ser una promesa futurista para convertirse en una estructura de poder que opera bajo narrativas mitificadas. Estas narrativas, promovidas por sectores corporativos, tecnólogos e incluso marcos institucionales estatales, configuran una visión distorsionada y acrítica de lo que realmente implica el uso y expansión de la IA. En este artículo se revisan los seis mitos más difundidos —identificados por Galanos et al. (2020)— a través de una revisión crítica apoyada en literatura científica y académica reciente (Broussard, 2018; Crawford, 2021; Mitchell, 2021). Asimismo, se discuten las consecuencias sociales, epistémicas y ambientales de sostener dichos mitos, y se propone una ruta de alfabetización digital crítica con un enfoque contextual para América Latina.

1. Introducción

La narrativa que rodea a la Inteligencia Artificial, como bien señalan Ganascia (2022), Crawford (2021) y Broussard (2018), está más cargada de imaginarios que de comprensiones técnicas o éticas. Se presenta la IA como una suerte de oráculo digital: infalible, neutral, inevitable. Sin embargo, estas representaciones son construcciones culturales que obedecen a intereses concretos —políticos, económicos y militares— antes que a la realidad tecnológica. De hecho, tal como advierte Leufer (2020), el mito de una IA omnipotente y autónoma suele operar como legitimador de desigualdades estructurales, invisibilizando tanto el trabajo humano detrás de su funcionamiento como su huella ecológica. Es urgente, por tanto, desmontar estos relatos para formular una política pública y educativa verdaderamente democrática y emancipadora (UNESCO, 2023; Villarreal, 2024).

2. Mito 1: “La IA aprende como los humanos”

Este mito representa una de las falacias más persistentes en la cultura tecnológica contemporánea. Aunque los sistemas de machine learning pueden identificar patrones complejos, no comprenden el mundo de forma semántica ni contextual (Mitchell, 2021; Broussard, 2018; Leufer, 2020). A diferencia del aprendizaje humano, que es experiencial, situado y mediado por estructuras simbólicas, los modelos de IA aprenden por correlación estadística sin entender causalidades. Además, como señalan Crawford (2021), Galanos et al. (2020) y Villarreal (2024), el entrenamiento de estos sistemas depende de datasets curados por humanos que, a menudo, están impregnados de sesgos históricos, raciales y de género. Así, lejos de emular la cognición humana, la IA refleja los límites de su arquitectura técnica y los prejuicios de sus diseñadores.

3. Mito 2: “La IA reemplazará todos los empleos”

La narrativa de la “automatización total” ha sido instrumentalizada para justificar recortes laborales y reformulaciones neoliberales del trabajo (Eubanks, 2018; Crawford, 2021; Giray, 2024). Sin embargo, como advierten Mitchell (2021) y Broussard (2018), los sistemas de IA no sustituyen completamente al trabajador humano, sino que lo reconfiguran, muchas veces precarizándolo. Plataformas como Amazon Mechanical Turk evidencian una nueva clase obrera digital global, mal remunerada, invisibilizada y sin derechos (Crawford, 2021; Villarreal, 2024; UNESCO, 2023). Lejos de liberar al sujeto del trabajo alienado, la IA ha profundizado modelos de explotación algorítmica que fragmentan tareas, impiden la organización sindical y exacerban la desigualdad.

4. Mito 3: “La IA es inmaterial”

Uno de los engaños más extendidos es la ilusión de que la IA “habita la nube” y por tanto carece de impactos físicos. En realidad, como muestran Crawford (2021), Galanos et al. (2020) y Villarreal (2024), los sistemas de IA consumen enormes cantidades de energía, requieren minerales escasos como el litio o el cobalto, y dependen de infraestructuras industriales altamente contaminantes. Ganascia (2022) agrega que la lógica extractiva que sostiene la IA replica patrones coloniales, ya que la obtención de estos recursos recae principalmente sobre comunidades indígenas y naciones del sur global. De igual forma, la huella hídrica de los centros de datos y el uso intensivo de electricidad desafían cualquier afirmación sobre una IA “verde” o “sustentable” (UNESCO, 2023; Leufer, 2020; Mitchell, 2021).

5. Mito 4: “La IA tiene personalidad”

El antropomorfismo es una estrategia discursiva que facilita la aceptación social de tecnologías opacas (Galanos et al., 2020; Leufer, 2020; Mitchell, 2021). Aplicaciones como Siri o ChatGPT son frecuentemente percibidas como agentes con intención, afectividad o juicio moral, cuando en realidad se trata de sistemas basados en procesamiento de lenguaje sin comprensión real. Esta ilusión genera un falso sentido de confianza, delegando decisiones a sistemas que carecen de responsabilidad o agencia legal (Broussard, 2018; Crawford, 2021; Villarreal, 2024). Además, como señalan Giray (2024) y UNESCO (2023), la personificación de la IA refuerza la idea de una subjetividad computacional que nunca existió, desplazando la agencia humana y debilitando el control democrático sobre la tecnología.

6. Mito 5: “La IA actúa de forma autónoma”

La mayoría de avances en IA son altamente dependientes de la intervención humana: desde el diseño de arquitecturas hasta la supervisión de resultados y ajustes de parámetros (Mitchell, 2021; Broussard, 2018; Galanos et al., 2020). Los sistemas que aparentan autonomía operan bajo estrictos marcos de entrenamiento y optimización, lo que los vuelve ineficaces en entornos no estructurados o dinámicos. Leufer (2020) demuestra que muchas demostraciones virales sobre “robots inteligentes” están guionizadas o editadas, ocultando sus limitaciones reales. Esta falsa autonomía no solo alimenta el mito de la superioridad técnica, sino que también desplaza responsabilidades éticas y jurídicas a entidades que no pueden responder por sus actos (Crawford, 2021; Villarreal, 2024; UNESCO, 2023).

7. Mito 6: “La IA superará a la humanidad”

El discurso de la “singularidad” —según el cual la IA alcanzará y luego superará la inteligencia humana general— ha sido ampliamente promovido por gurús tecnológicos y medios de comunicación (Mitchell, 2021; Leufer, 2020; Broussard, 2018). Sin embargo, este escenario carece de fundamento científico sólido y responde más a intereses ideológicos que a proyecciones realistas. Crawford (2021) y Ganascia (2022) sostienen que esta visión futurista distrae la atención de los problemas actuales de la IA: sesgo, vigilancia masiva, exclusión digital, explotación laboral y daño ecológico. En lugar de una superinteligencia abstracta, lo que se necesita es una supervisión humana efectiva, una regulación ética y una ciudadanía empoderada que cuestione el uso y dirección de estas tecnologías.

8. Hacia una inteligencia artificial con ética y justicia

Superar los mitos de la IA implica más que una corrección técnica: requiere una transformación cultural y política (Villarreal, 2024; Crawford, 2021; UNESCO, 2023). América Latina, y en particular contextos como el peruano, debe apostar por una soberanía tecnológica que no se limite al consumo de plataformas extranjeras, sino que promueva la creación de soluciones locales, éticas y justas. La alfabetización digital crítica es un eje fundamental: no basta con saber usar herramientas digitales, hay que entender sus implicancias, cuestionar sus lógicas y reconfigurar sus objetivos. Este proceso exige participación comunitaria, reflexión académica interdisciplinaria y políticas públicas decididas a democratizar el futuro digital.

Referencias

Broussard, M. (2018). Artificial un-intelligence: How computers misunderstand the world. MIT Press.

Crawford, K. (2021). Atlas of AI: Power, politics, and the planetary costs of artificial intelligence. Yale University Press.

Galanos, V., Bennett, S. J., Aylett, R., & Hemment, D. (2020). AI myths debunked: Unpacking six common misconceptions. The New Real, 1(1), 79–83. https://doi.org/10.2218/newreal.9267

Ganascia, J.-G. (2022). Artificial intelligence: Between myth and reality. UNESCO Courier. https://courier.unesco.org/en/articles/artificial-intelligence-between-myth-and-reality

Giray, L. (2024). Ten myths about artificial intelligence in education. Higher Learning Research Communications, 14(2), 1–12. https://scholarworks.waldenu.edu/cgi/viewcontent.cgi?article=1508&context=hlrc

Leufer, D. (2020). Why we need to bust some myths about AI. Patterns, 1, 100124. https://doi.org/10.1016/j.patter.2020.100124

Mitchell, M. (2021). Why AI is harder than we think. arXiv. https://arxiv.org/abs/2104.12871

UNESCO. (2023). Ethics of Artificial Intelligence: Recommendation and implementation guidance. https://unesdoc.unesco.org/ark:/48223/pf0000382021

Villarreal, P. (2024). Inteligencia artificial. Ariel México