¿Cómo Puede la IA ayudarnos a sistematizar la sostenibilidad en contextos frágiles?
Por Ana Cristina Dahik Loor
Directora del Centro de Investigación en Responsabilidad Social (CIRES) y profesora de Entorno Político y Social de IPADE Business School.
Pocos temas en la actualidad generan tanta incertidumbre como la inteligencia artificial (IA). De acuerdo con el último reporte de Riesgos Globales 2024, que año con año emite el Foro Económico Mundial, el segundo riesgo que más preocupa a la sociedad global por sus potenciales consecuencias catastróficas es la desinformación que puede provocar la IA.
La definición más básica de IA es cualquier tecnología que pretenda imitar o mejorar el comportamiento humano. La IA funciona a partir de la acumulación de datos que le permitan aprender para sistematizar, generar conocimiento, generar predicciones e imitar. La clave está en eso: contar con los datos. Si la información generada es errónea (intencionalmente o no), esta información no deja de alimentar los sistemas de aprendizaje de la IA. Y, como se sabe, los riesgos que esto conlleva son infinitos (pérdida de privacidad, sesgos en algoritmos que refuercen sistemas de marginación de poblaciones en condiciones de vulnerabilidad, manipulación, seguridad, predicciones erróneas de decisiones con implicaciones significativas para la sociedad, entre muchos otros).
De acuerdo con los profesionales de la sostenibilidad, uno de los desafíos más complejos que enfrenta esta conversación es el acceso a sistemas de información y datos fidedignos. Sin datos -especialmente datos de alta calidad- el desarrollo sostenible está condenado a fracasar. Un estudio reciente del Harvard Data Science Review, titulado “Desafíos críticos de los datos en la medición del rendimiento de los Objetivos de Desarrollo Sostenible: Soluciones y el papel de la analítica de big data”, afirma que los datos de calidad se basan en tres criterios: volumen, exactitud e integridad de los datos. El estudio concluye que, en la actualidad, a nivel global no existen los mecanismos para contar data de calidad que mida la sostenibilidad. Por ende, los sistemas de IA no cuentan con los insumos adecuados para aprender correctamente. Esto se exacerba en contextos frágiles donde existen menos capacidades técnicas y de infraestructura para alimentar sistemas globales de medición.
¿Cómo empezar a generar datos de calidad desde contextos frágiles?
El primer paso requiere afinar los sistemas de monitoreo y medición locales que alimenten a los globales. Los esfuerzos de sistematización locales aún son deficientes. Educar los sistemas de IA con data que efectivamente ilustre el camino hacia construir para el bien común y desde la voz de contextos frágiles es una tarea pendiente y compleja. En muchos sentidos, requiere dar pasos atrás y retomar las riendas de los mecanismos de sistematización de data.
Un ejemplo de respuesta para la sistematización desde lo local es el IMPACT Lab que propone el Centro de Investigación en Responsabilidad Social (CIRES) de IPADE Business School. Se trata de una plataforma para sistematizar y medir proyectos generados por la iniciativa privada a favor de la sostenibilidad con una mirada local. Si estos pequeños esfuerzos logran dar participación a los datos locales en la conversación global, estamos apostando a que la IA se alimente cada vez con información más representativa y, en consecuencia, se convierta en un mejor aliado a favor de la sostenibilidad.
www.cires.ipade.mx / www.ipade.mx
