Con demasiada frecuencia la IA responsable sigue siendo más declarativa que operativa. Y el dato es elocuente: pocas organizaciones pueden decir claramente quien asume la responsabilidad de los riesgos éticos.
De las promesas a la diligencia debida
El problema ya no es que muchas organizaciones carezcan de principios sobre IA. De hecho, el problema es que demasiado a menudo nadie sabe decir quién va a responder cuando la IA se equivoque. Varias fuentes solventes coinciden en esta alerta: la IA responsable sigue siendo, en demasiados casos, más declarativa que operativa.
Las cifras lo ilustran. Según informes internacionales, sólo una minoría de organizaciones analiza el impacto ambiental de la IA que utiliza, menos aún evalúa su impacto en derechos humanos, y pocas pueden identificar claramente quién asume la responsabilidad de los riesgos éticos. Por tanto, esto pesa mucho más en entidades que trabajan con confianza, derechos y legitimidad.
Existe además una conversación que ya no podemos dejar fuera: la cadena de datos. En este sentido, la IA se construye a menudo sobre trabajo invisible, con condiciones laborales y estándares de transparencia demasiado opacos. Adoptar IA sin mirar a proveedores, subcontratos y prácticas de datos es externalizar riesgos y quedarse sólo con la capa más cómoda de la innovación.
Por eso es más útil hablar de diligencia debida que de promesas: identificar impactos, prevenirlos, seguir sus resultados, comunicar qué se está haciendo y prever remedio cuando algo falla. Ésta es la diferencia entre una política que queda bien y una gobernanza que aguanta.
La cadena de datos: el coste invisible
La cadena de datos es la parte más incómoda de esa conversación porque queda lejos de la vista. De hecho, la IA que una entidad utiliza se ha construido a menudo sobre trabajo mal pagado y poco transparente, en países y condiciones que el contrato no menciona. Adoptarla sin preguntar sobre el origen es quedarse con la capa cómoda de la innovación y externalizar su coste.
Para una organización que defiende derechos laborales o justicia global, mirar esa cara del problema no es opcional: es coherencia. Y traducirla en preguntas concretas al proveedor como de dónde salen los datos o en qué condiciones se han etiquetado, es la diferencia entre una política que queda bien y una diligencia que aguanta.
En definitiva, antes de desplegar IA, la pregunta útil es simple: ¿podemos demostrar quién responde, qué medimos y qué condiciones exigimos a quien nos la provee? ¿Tu entidad podría demostrarlo?
✳ Este artículo se ha elaborado con apoyo de IA generativa. Revisión y responsabilidad editorial: Enric Guinart Mauri. Más información →
