Wilmer Lopez Lopez

Etiqueta: Futuro

  • Capital natural e biodiversidade na nova era digital: rumo a uma inteligência ecológica para o século XXI

    Introdução

    A crise contemporânea do capital natural exige novas formas de compreensão, gestão e ação coletiva. Neste artigo, o capital natural é entendido como o conjunto de componentes bióticos e abióticos que sustentam a vida e os processos ecológicos, enquanto a biodiversidade se refere especificamente à variedade de genes, espécies, comunidades e ecossistemas que o integram. Embora os dois conceitos estejam estreitamente relacionados, eles não são equivalentes: a biodiversidade constitui uma dimensão central do capital natural e possui, além de suas funções ecológicas e sociais, um valor intrínseco que não depende exclusivamente de sua utilidade econômica.

    Nesse contexto, a expressão infraestrutura viva designa o conjunto de sistemas ecológicos que sustentam processos territoriais como a regulação hídrica, a formação dos solos, a polinização, a conectividade ecológica, o fornecimento de alimentos, a estabilidade climática e a reprodução cultural das comunidades. Essa infraestrutura não se manifesta de maneira uniforme. A biota apresenta formas, densidades, relações e vulnerabilidades distintas nas florestas tropicais úmidas, florestas secas, páramos, áreas úmidas, zonas costeiras, ambientes marinhos, savanas, desertos e sistemas urbanos. Por isso, qualquer estratégia digital deve reconhecer a expressão diferenciada da vida nos grandes contextos ecológicos do planeta e evitar a aplicação da mesma grade, indicador ou modelo como se todos os territórios fossem comparáveis.

    O estudo da natureza utiliza tecnologias há várias décadas. A cartografia, a fotografia aérea, o sensoriamento remoto, os bancos de dados, os sistemas de informação geográfica, a telemetria e a modelagem ecológica fazem parte da prática científica contemporânea. A novidade da nova era digital não reside, portanto, em digitalizar aquilo que antes era inteiramente analógico, mas em automatizar a coleta, a classificação, a integração e a interpretação de grandes volumes de informação. A inteligência artificial, os sensores remotos, o DNA ambiental, a bioacústica automatizada, os gêmeos digitais e as plataformas de relatórios ampliam as escalas espaciais e temporais da observação, mas também introduzem novos vieses, dependências tecnológicas e desafios de interpretação.

    Na América Latina surge um paradoxo decisivo: a região concentra uma extraordinária riqueza biológica, mas grande parte de suas informações permanece dispersa, não digitalizada, afetada por lacunas taxonômicas, baixa interoperabilidade e acesso desigual. Essas desigualdades manifestam-se entre áreas urbanas e rurais, entre instituições com diferentes capacidades financeiras, entre ecossistemas intensamente monitorados e territórios remotos, bem como entre línguas dominantes e conhecimentos locais que nem sempre encontram espaço nas plataformas digitais. Democratizar a informação biótica exige, portanto, conectividade, infraestrutura pública, formação especializada, padrões comuns, reconhecimento de autoria e mecanismos de proteção para dados sensíveis (Comissão Econômica para a América Latina e o Caribe [CEPAL], 2024).

    Essas tensões levantam questões incontornáveis: quem controla os dados do capital natural? Quem decide o que deve ser medido e em qual escala? Como evitar que a natureza seja reduzida a indicadores financeiros? Os limites biogeográficos, humanos e ecológicos são respeitados quando a vida é representada por meio de grades digitais? O que acontece com o conceito de unidade mínima cartografável quando os algoritmos agregam ou simplificam territórios heterogêneos? Qual é o lugar atribuído às comunidades locais, aos povos indígenas e aos conhecimentos territoriais? Essas perguntas não questionam o uso da tecnologia em si; questionam a ideia de que automatizar equivale necessariamente a compreender.

    Da caracterização territorial a uma inteligência ecológica assistida

    A conservação da biodiversidade tem se apoiado historicamente em inventários biológicos, coleções científicas, áreas protegidas, restauração ecológica, monitoramento de populações e regulamentação ambiental. Essas estratégias continuam sendo fundamentais. Antes de automatizar, é necessário conhecer o território: percorrê-lo, descrevê-lo, identificar espécies, registrar interações, compreender os ciclos ecológicos e confrontar os dados com a experiência daqueles que o habitam. Nenhum algoritmo substitui o trabalho de campo, a validação taxonômica ou a interpretação situada do pesquisador.

    A modernização científica exige métodos estatísticos explícitos, rastreabilidade e decisões baseadas em evidências. No entanto, essa exigência não deve ocorrer em detrimento da caracterização básica. Os modelos dependem dos dados de origem, e os dados dependem de observações realizadas em condições específicas. Quando as amostras são escassas, geograficamente enviesadas ou derivadas de categorias mal definidas, a automação não elimina o problema: ela o amplia e lhe confere uma aparência de precisão.

    Nesse contexto, a inteligência ecológica digital não deve ser entendida como uma qualidade autônoma das máquinas, mas como uma capacidade humana, científica e institucional apoiada por ferramentas computacionais. Os sistemas geralmente denominados inteligência artificial são treinados para reconhecer padrões, classificar registros ou estimar probabilidades. Eles podem emular determinadas operações cognitivas, mas não possuem a compreensão biológica, histórica, ética e territorial que orienta a pesquisa ecológica. Sua função deve ser auxiliar, e não substituir.

    Essas ferramentas podem contribuir para a identificação de espécies, a análise de imagens e sons, a detecção de mudanças na cobertura do solo, a modelagem da distribuição das espécies e a geração de alertas precoces. Seus resultados, entretanto, devem ser submetidos à validação de campo, à análise de incertezas, à avaliação de vieses e ao exame de sua transferibilidade entre diferentes regiões. Um modelo treinado em uma floresta úmida, em uma coleção urbana ou a partir de um conjunto de espécies bem documentadas não pode ser automaticamente extrapolado para outros contextos. A inteligência ecológica resulta da articulação entre dados, conhecimento naturalista, métodos quantitativos, experiência territorial e deliberação pública (Cañas et al., 2025).

    O capital natural como sistema de informação, e não como mercadoria

    Na era digital, os sinais dos ecossistemas podem ser transformados em dados: imagens, sons, sequências genéticas, registros de ocorrência, variáveis climáticas, propriedades do solo, fluxos hídricos e mudanças na vegetação. Sensores, satélites, drones, armadilhas fotográficas, DNA ambiental e plataformas geoespaciais permitem construir camadas de informação que anteriormente eram difíceis de integrar. Entretanto, os dados não são a natureza; são representações parciais produzidas a partir de decisões relacionadas à escala, à amostragem, à resolução, às categorias e aos métodos de validação.

    Essa distinção é importante porque o capital natural não pode ser reduzido a um conjunto de ativos, riscos ou oportunidades. A vida possui valores intrínsecos, relacionais, culturais e ecológicos que não são ordinais nem plenamente intercambiáveis. Uma espécie endêmica, uma área úmida sagrada, um corredor biológico ou uma relação ecológica não podem ser automaticamente substituídos por mecanismos de compensação contábil. Reconhecer os impactos e as dependências empresariais pode ser útil, mas isso não deve suprimir o direito dos ecossistemas de persistir nem as obrigações coletivas de cuidado (Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services [IPBES], 2022).

    A abordagem LEAP, desenvolvida pela Taskforce on Nature-related Financial Disclosures, pode ajudar as organizações a localizar, avaliar, analisar e preparar respostas para questões relacionadas à natureza. Sua aplicação, porém, exige consulta significativa, participação antecipada e governança de dados. Aplicá-la em territórios indígenas ou comunitários sem consentimento, sem acordos sobre a propriedade e o uso das informações ou sem mecanismos de repartição de benefícios pode transformar o monitoramento em uma forma de extrativismo de dados. As próprias orientações da TNFD reconhecem que o envolvimento dos povos indígenas, das comunidades locais e das partes interessadas afetadas deve estar integrado a todo o processo de avaliação, e não limitado a uma validação posterior (Taskforce on Nature-related Financial Disclosures [TNFD], 2023a, 2023b).

    Tecnologias antecipatórias submetidas a limites ecológicos e padrões comuns

    Uma das principais possibilidades oferecidas pela automação consiste no fortalecimento de uma gestão antecipatória. Em vez de intervir somente depois que o dano ocorre, as ferramentas digitais podem detectar sinais precoces de desmatamento, fragmentação, perda de espécies, alteração hidrológica, incêndios, poluição ou mudanças fenológicas. Essas capacidades podem apoiar governos, universidades, comunidades e organizações, desde que os sistemas de alerta precoce estejam conectados a decisões, recursos e responsabilidades concretas.

    A utilidade dessas ferramentas depende da qualidade, da representatividade e da comparabilidade dos dados. A América Latina ainda está distante de alcançar uma interoperabilidade plena: persistem registros não digitalizados, os padrões são aplicados de maneira desigual, os metadados são incompletos, permanecem lacunas geográficas e taxonômicas e existem dificuldades para integrar informações provenientes de diferentes países, instituições e ecossistemas. As plataformas globais contribuíram para mobilizar os dados, mas não corrigem, por si mesmas, os vieses de origem nem garantem a validação nomenclatural e ecológica (Global Biodiversity Information Facility [GBIF], 2020; Bloom et al., 2021).

    A agenda regional deve avançar em direção a protocolos de amostragem comparáveis, vocabulários controlados, identificadores persistentes, metadados completos, coleções de referência, validação taxonômica, interoperabilidade entre sistemas e acesso multilíngue. Democratizar não significa publicar de maneira indiscriminada. A localização de algumas espécies ameaçadas, os conhecimentos tradicionais ou os dados genéticos exigem níveis diferenciados de acesso. A abertura deve estar associada à proteção, à atribuição, ao consentimento e à responsabilidade.

    Natureza positiva: um horizonte político, e não uma garantia tecnológica

    O conceito de natureza positiva propõe interromper e reverter a perda de biodiversidade, restaurar ecossistemas e reorganizar as atividades econômicas para que não destruam as bases ecológicas das quais dependem. Como horizonte político, ele pode mobilizar ações relevantes, mas se torna problemático quando é apresentado de forma determinista, como se a tecnologia pudesse reverter unilateralmente processos complexos ou restaurar qualquer sistema degradado.

    Os ecossistemas respondem a limiares, dependências históricas, interações não lineares e períodos de recuperação que nem sempre correspondem aos ciclos de investimento ou de políticas públicas. Algumas perdas são irreversíveis; outras exigem décadas e não podem ser compensadas por um aumento equivalente em outro local. A noção de natureza positiva, portanto, somente adquire sentido operacional quando está vinculada a inventários, linhas de base, áreas de referência, limites ecológicos, monitoramento contínuo, verificação de campo, participação comunitária e gestão adaptativa.

    O Marco Global da Biodiversidade de Kunming-Montreal estabeleceu quatro objetivos para 2050 e 23 metas de ação para 2030, acompanhados de um marco de monitoramento destinado a orientar sua implementação. Seu alcance não deve ser interpretado como uma autorização para simplificar a natureza em um painel de indicadores, mas como um convite para fortalecer as capacidades científicas, institucionais e sociais necessárias à conservação, à restauração e ao uso sustentável da biodiversidade (Convention on Biological Diversity [CBD], 2022). A medição é necessária, mas não pode substituir a deliberação sobre o que deve ser protegido, para quem e dentro de quais limites.

    A pegada material e biogeográfica do digital

    Nem tudo o que é digital é ecologicamente sustentável. A infraestrutura tecnológica consome energia, água, minerais, terras e materiais; produz resíduos eletrônicos e exige redes de armazenamento e processamento cuja pegada frequentemente permanece invisível para os usuários. Até mesmo a observação da Terra produz impactos associados aos satélites, aos centros de dados, à transmissão, ao armazenamento e ao processamento em nuvem (Anderson et al., 2024). A expansão do setor tecnológico também aumenta a dependência de energia, água, minerais críticos e infraestruturas físicas, podendo exercer pressões adicionais sobre os ecossistemas (World Economic Forum, 2025).

    Essas pegadas não são territorialmente equivalentes. Um centro de dados instalado em uma região submetida ao estresse hídrico, caracterizada por elevada sensibilidade ecológica ou dependente de uma matriz energética intensiva em carbono não produz os mesmos efeitos que uma instalação localizada em outro contexto. As políticas industriais frequentemente tratam o consumo de água ou energia como um valor agregado e ignoram aspectos biogeográficos básicos: disponibilidade sazonal, conectividade hidrológica, espécies endêmicas, vulnerabilidade dos aquíferos e usos culturais do território.

    A mesma contradição aparece nos minerais críticos que alimentam dispositivos, baterias e redes. A extração de coltan e de outros minerais nas fronteiras amazônicas, assim como a exploração de lítio nos salares dos planaltos andinos, pode degradar ecossistemas frágeis, afetar fontes de água e intensificar conflitos com as comunidades locais. A precisão geográfica é fundamental: não se trata de afirmar que todos esses minerais são extraídos nos mesmos ambientes, mas de reconhecer que a infraestrutura digital conecta territórios distantes por meio de cadeias materiais cujos custos ecológicos permanecem ocultos.

    Os estudos realizados em áreas úmidas e salares de elevada altitude também mostram que cada bacia possui características hidrogeológicas e ecológicas específicas e não pode ser tratada como diretamente comparável a outros territórios ou projetos. A extração de lítio pode modificar os balanços hídricos, alterar as relações entre águas superficiais e subterrâneas e aumentar a pressão sobre ecossistemas que dependem de condições ambientais muito específicas (García-Sanz et al., 2021; Vera et al., 2023).

    Governança, Protocolo de Nagoya e soberania dos dados

    A digitalização pode transformar informações genéticas, registros de espécies, mapas ecológicos e conhecimentos tradicionais em ativos circuláveis. Esse processo levanta questões relacionadas à apropriação, à validação, à propriedade intelectual e à repartição de benefícios. Os dados relativos ao capital natural podem ser comercializados sem validação taxonômica? Quem autoriza sua utilização quando são originados em territórios administrados coletivamente? Como são reconhecidas as contribuições dos pesquisadores locais, das comunidades e dos responsáveis pelas coleções?

    O Protocolo de Nagoya fornece um marco para o acesso aos recursos genéticos, o consentimento prévio informado, as condições mutuamente acordadas e a repartição justa e equitativa dos benefícios decorrentes de sua utilização. Sua implementação é essencial para evitar que a digitalização reproduza formas extrativistas de bioprospecção. A circulação de sequências, modelos e bancos de dados, entretanto, cria desafios adicionais que exigem regulamentações nacionais, acordos comunitários e mecanismos de rastreabilidade adaptados ao ambiente digital (Convention on Biological Diversity, 2011).

    A soberania dos dados ambientais não pode ser reduzida ao armazenamento de informações em servidores nacionais. Ela exige a capacidade de produzir, interpretar, validar e proteger os dados, bem como de decidir sobre seus usos. Sem inventários biológicos, coleções científicas, taxonomistas, ecólogos de campo, infraestruturas públicas, conectividade territorial e comunidades com poder de decisão, a soberania digital se transforma em uma aspiração vazia. Conhecer o território é uma condição para conservá-lo; digitalizar sem conhecer pode reforçar as mesmas assimetrias que a digitalização pretende superar.

    América Latina e Colômbia: da abundância biológica à autonomia científica

    A América Latina ocupa uma posição central nesse debate em razão da diversidade de suas florestas tropicais úmidas, florestas secas, páramos, savanas, áreas úmidas, zonas costeiras, ambientes marinhos e sistemas de alta montanha, bem como da pluralidade cultural de seus territórios. Essa riqueza convive com o desmatamento, a mineração, a expansão urbana, a fragmentação, os conflitos relacionados à água e profundas desigualdades científicas e tecnológicas. A região não enfrenta uma escassez de vida, mas uma escassez relativa de informações interoperáveis, capacidades distribuídas e controle público sobre as infraestruturas que transformam a vida em dados.

    A Colômbia tem a oportunidade de construir uma agenda de inteligência ecológica situada. Essa agenda deveria começar pelo fortalecimento dos inventários, das coleções, do monitoramento de campo e da formação taxonômica; pela articulação entre universidades, institutos de pesquisa, comunidades, Estado e empresas; pelo desenvolvimento de infraestruturas públicas para dados biológicos; pela adoção de padrões interoperáveis; pela proteção dos conhecimentos tradicionais; e pela promoção de modelos computacionais validados nos ecossistemas do país.

    O objetivo não deve ser transformar a biodiversidade em uma nova matéria-prima digital, mas ampliar a autonomia necessária para compreender, cuidar e governar o território. A região pode deixar de ser apenas fornecedora de recursos e dados para se tornar produtora de seus próprios conhecimentos, tecnologias e decisões, desde que a inovação permaneça subordinada aos limites ecológicos, aos direitos coletivos e às responsabilidades públicas. A sequência é importante: primeiro o território, o inventário e a compreensão; depois, a automação.

    Conclusão

    A nova era digital está transformando a maneira como o capital natural é observado e administrado, mas não altera uma verdade fundamental: a vida não é um banco de dados e os ecossistemas não são dispositivos que podem ser simplesmente reiniciados. As tecnologias podem ampliar as capacidades de observação, acelerar as análises e apoiar os sistemas de alerta precoce; elas não podem substituir o trabalho de campo, a validação científica, a experiência territorial ou a deliberação ética.

    Uma inteligência ecológica digital responsável deve reconhecer a heterogeneidade biogeográfica, o valor intrínseco da natureza, os limites da automação, a necessidade de padrões comuns, a participação das comunidades e a pegada material da própria infraestrutura tecnológica. Também deve impedir que as informações biológicas sejam extraídas, comercializadas ou processadas sem consentimento, rastreabilidade e repartição justa dos benefícios.

    O principal perigo do reducionismo digital consiste em imaginar a natureza como um simples “Ctrl + Z”: um sistema no qual todos os danos poderiam ser desfeitos por meio de dados, restauração automatizada ou compensações. Essa ilusão tecnocrática ignora a irreversibilidade, os limiares ecológicos e a singularidade de cada território. A tarefa do século XXI não consiste em digitalizar a biodiversidade até torná-la abstrata, mas em governar a tecnologia a partir da vida, do território e de seus limites ecológicos.

    Referências

    Anderson, K., Brewin, R. J. W., Mleczko, M. M., Mueller, M., Shutler, J. D., Wilkinson, R., Yan, X., & Gaston, K. J. (2024). The dark side of Earth observation. Nature Sustainability, 7(3), 224–227. https://doi.org/10.1038/s41893-023-01262-x

    Bloom, D. A., Zermoglio, P., & Guralnick, R. (2021). Analysis of biodiversity data needs in the post-2020 framework. GBIF Secretariat. https://doi.org/10.35035/doc-2ph8-0403

    Cañas, J. S., Parra-Guevara, C., Montoya-Castrillón, M., Ramírez-Mejía, J. M., Perilla, G. A., Marentes, E., Leuro, N., Sandoval-Sierra, J. V., Martínez-Callejas, S., Díaz, A., Murcia, M., Noguera-Urbano, E. A., Ochoa-Quintero, J. M., Rodríguez Buriticá, S., & Ulloa, J. S. (2025). Inteligencia artificial para la conservación y uso sostenible de la biodiversidad: Una visión desde Colombia [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14543

    Comissão Econômica para a América Latina e o Caribe. (2024, 2 de fevereiro). Brechas de conectividad como factor de exclusión. Observatorio de Desarrollo Digital. https://desarrollodigital.cepal.org/es/datos-y-hechos/brechas-de-conectividad-como-factor-de-exclusion

    Convention on Biological Diversity. (2011). Nagoya Protocol on Access to Genetic Resources and the Fair and Equitable Sharing of Benefits Arising from Their Utilization. Secretariat of the Convention on Biological Diversity. https://www.cbd.int/abs/doc/protocol/nagoya-protocol-en.pdf

    Convention on Biological Diversity. (2022). Decision 15/4: Kunming-Montreal Global Biodiversity Framework. https://www.cbd.int/doc/decisions/cop-15/cop-15-dec-04-en.pdf

    García-Sanz, I., Heine-Fuster, I., Luque, J. A., Pizarro, H., Castillo, R., Pailahual, M., Prieto, M., Pérez-Portilla, P., & Aránguiz-Acuña, A. (2021). Limnological response from high-altitude wetlands to the water supply in the Andean Altiplano. Scientific Reports, 11, Article 7681. https://doi.org/10.1038/s41598-021-87162-6

    Global Biodiversity Information Facility. (2020). Improving biodiversity data quality in Latin America: Documenting best practices across data workflows and life cycles [Projeto]. https://www.gbif.org/project/5JJH6ZKCjztKrqT50OAadQ/improving-biodiversity-data-quality-in-latin-america-documenting-best-practices-across-data-workflows-and-life-cycles

    Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. (2022). Summary for policymakers of the methodological assessment report on the diverse values and valuation of nature of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (U. Pascual, P. Balvanera, M. Christie, B. Baptiste, D. González-Jiménez, C. B. Anderson, S. Athayde, R. Chaplin-Kramer, S. Jacobs, E. Kelemen, R. Kumar, E. Lazos, A. Martin, T. H. Mwampamba, B. Nakangu, P. O’Farrell, C. M. Raymond, S. M. Subramanian, M. Termansen, … A. Vatn, Eds.). IPBES Secretariat. https://doi.org/10.5281/zenodo.6522392

    Taskforce on Nature-related Financial Disclosures. (2023a). Guidance on the identification and assessment of nature-related issues: The LEAP approach (Version 1.1). https://tnfd.global/publication/additional-guidance-on-assessment-of-nature-related-issues-the-leap-approach/

    Taskforce on Nature-related Financial Disclosures. (2023b). Guidance on engagement with Indigenous Peoples, Local Communities and affected stakeholders (Version 1.0). https://tnfd.global/publication/guidance-on-engagement-with-indigenous-peoples-local-communities-and-affected-stakeholders/

    Vera, M. L., Torres, W. R., Galli, C. I., Chagnes, A., & Flexer, V. (2023). Environmental impact of direct lithium extraction from brines. Nature Reviews Earth & Environment, 4, 149–165. https://doi.org/10.1038/s43017-022-00387-5

    World Economic Forum. (2025). Nature positive: Role of the technology sector. World Economic Forum. https://www.weforum.org/publications/nature-positive-role-of-the-technology-sector/

  • Capital naturel et biodiversité à l’ère numérique: vers une intelligence écologique pour le XXIe siècle

    Introduction

    La crise contemporaine du capital naturel exige de nouvelles formes de compréhension, de gestion et d’action collective. Dans cet article, le capital naturel est défini comme l’ensemble des composantes biotiques et abiotiques qui soutiennent la vie et les processus écologiques, tandis que la biodiversité désigne plus précisément la variété des gènes, des espèces, des communautés et des écosystèmes qui le composent. Bien que ces deux notions soient étroitement liées, elles ne sont pas équivalentes : la biodiversité constitue une dimension fondamentale du capital naturel et possède, outre ses fonctions écologiques et sociales, une valeur intrinsèque qui ne dépend pas exclusivement de son utilité économique.

    Dans ce cadre, l’expression infrastructure vivante désigne l’ensemble des systèmes écologiques qui soutiennent des processus territoriaux tels que la régulation de l’eau, la formation des sols, la pollinisation, la connectivité écologique, l’approvisionnement alimentaire, la stabilité climatique et la reproduction culturelle des communautés. Cette infrastructure ne se manifeste pas de manière uniforme. Le biote présente des formes, des densités, des relations et des vulnérabilités différentes dans les forêts tropicales humides, les forêts sèches, les páramos, les zones humides, les littoraux, les milieux marins, les savanes, les déserts et les systèmes urbains. Toute stratégie numérique doit donc reconnaître l’expression différenciée de la vie selon les grands contextes écologiques de la planète et éviter d’appliquer une même grille, un même indicateur ou un même modèle comme si tous les territoires étaient comparables.

    L’étude de la nature utilise des technologies depuis plusieurs décennies. La cartographie, la photographie aérienne, la télédétection, les bases de données, les systèmes d’information géographique, la télémétrie et la modélisation écologique font partie de la pratique scientifique contemporaine. La nouveauté de l’ère numérique ne réside donc pas dans la numérisation de ce qui était auparavant entièrement analogique, mais dans l’automatisation de la collecte, de la classification, de l’intégration et de l’interprétation de grandes quantités d’informations. L’intelligence artificielle, les capteurs à distance, l’ADN environnemental, la bioacoustique automatisée, les jumeaux numériques et les plateformes de rapport élargissent les échelles spatiales et temporelles de l’observation, mais introduisent également de nouveaux biais, de nouvelles dépendances technologiques et des difficultés d’interprétation.

    Un paradoxe déterminant apparaît en Amérique latine : la région possède une richesse biologique extraordinaire, mais une grande partie de ses informations demeure dispersée, non numérisée, affectée par des lacunes taxonomiques, une faible interopérabilité et un accès inégal. Ces écarts se manifestent entre les zones urbaines et rurales, entre les institutions disposant de capacités financières différentes, entre les écosystèmes intensément surveillés et les territoires éloignés, ainsi qu’entre les langues dominantes et les savoirs locaux qui ne trouvent pas toujours leur place dans les plateformes numériques. La démocratisation de l’information biotique exige donc de la connectivité, des infrastructures publiques, une formation spécialisée, des normes communes, la reconnaissance des auteurs et des mécanismes de protection des données sensibles (Commission économique pour l’Amérique latine et les Caraïbes [CEPALC], 2024).

    Ces tensions soulèvent des questions incontournables : qui contrôle les données relatives au capital naturel ? Qui décide de ce qui doit être mesuré et à quelle échelle ? Comment empêcher que la nature soit réduite à des indicateurs financiers ? Les limites biogéographiques, humaines et écologiques sont-elles respectées lorsque la vie est représentée au moyen de grilles numériques ? Que devient la notion d’unité minimale cartographiable lorsque les algorithmes agrègent ou simplifient des territoires hétérogènes ? Quelle place est accordée aux communautés locales, aux peuples autochtones et aux savoirs territoriaux ? Ces questions ne remettent pas en cause l’utilisation de la technologie elle-même ; elles contestent plutôt l’idée selon laquelle l’automatisation équivaudrait nécessairement à la compréhension.

    De la caractérisation territoriale à une intelligence écologique assistée

    La conservation de la biodiversité s’est historiquement appuyée sur les inventaires biologiques, les collections scientifiques, les aires protégées, la restauration écologique, le suivi des populations et la réglementation environnementale. Ces stratégies restent indispensables. Avant d’automatiser, il est nécessaire de connaître le territoire : le parcourir, le décrire, identifier les espèces, enregistrer les interactions, comprendre les cycles écologiques et confronter les données à l’expérience de ceux qui l’habitent. Aucun algorithme ne peut remplacer le travail de terrain, la validation taxonomique ou l’interprétation située du chercheur.

    La modernisation scientifique exige des méthodes statistiques explicites, une traçabilité et des décisions fondées sur des données probantes. Cette exigence ne doit cependant pas se faire au détriment de la caractérisation de base. Les modèles dépendent des données sources, et les données dépendent d’observations réalisées dans des conditions précises. Lorsque les échantillons sont rares, géographiquement biaisés ou issus de catégories mal définies, l’automatisation ne supprime pas le problème : elle l’amplifie et lui confère une apparence de précision.

    Dans ce contexte, l’intelligence écologique numérique ne doit pas être comprise comme une qualité autonome des machines, mais comme une capacité humaine, scientifique et institutionnelle soutenue par des outils informatiques. Les systèmes généralement qualifiés d’intelligence artificielle sont entraînés à reconnaître des régularités, classer des enregistrements ou estimer des probabilités. Ils peuvent imiter certaines opérations cognitives, mais ils ne possèdent pas la compréhension biologique, historique, éthique et territoriale qui oriente la recherche écologique. Leur fonction doit être d’assister, et non de remplacer.

    Ces outils peuvent contribuer à l’identification des espèces, à l’analyse d’images et de sons, à la détection des changements dans l’occupation des sols, à la modélisation de la répartition des espèces et à la production d’alertes précoces. Leurs résultats doivent toutefois être soumis à une validation sur le terrain, à une analyse de l’incertitude, à une évaluation des biais et à un examen de leur transférabilité entre les régions. Un modèle entraîné dans une forêt humide, à partir d’une collection urbaine ou d’un ensemble d’espèces bien documentées ne peut pas être automatiquement extrapolé à d’autres contextes. L’intelligence écologique résulte de l’articulation entre les données, les connaissances naturalistes, les méthodes quantitatives, l’expérience territoriale et la délibération publique (Cañas et al., 2025).

    Le capital naturel comme système d’information, et non comme marchandise

    À l’ère numérique, les signaux des écosystèmes peuvent être transformés en données : images, sons, séquences génétiques, relevés de présence, variables climatiques, propriétés des sols, flux hydriques et changements de la végétation. Les capteurs, les satellites, les drones, les pièges photographiques, l’ADN environnemental et les plateformes géospatiales permettent de construire des couches d’information autrefois difficiles à intégrer. Les données ne sont cependant pas la nature ; elles en sont des représentations partielles, produites à partir de décisions relatives à l’échelle, à l’échantillonnage, à la résolution, aux catégories et aux méthodes de validation.

    Cette distinction est importante, car le capital naturel ne peut être réduit à un ensemble d’actifs, de risques ou d’opportunités. La vie possède des valeurs intrinsèques, relationnelles, culturelles et écologiques qui ne sont ni ordinales ni entièrement interchangeables. Une espèce endémique, une zone humide sacrée, un corridor biologique ou une relation écologique ne peuvent être automatiquement remplacés par des mécanismes de compensation comptable. La reconnaissance des impacts et des dépendances des entreprises peut être utile, mais elle ne doit pas écarter le droit des écosystèmes à perdurer ni les obligations collectives de protection (Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services [IPBES], 2022).

    L’approche LEAP élaborée par la Taskforce on Nature-related Financial Disclosures peut aider les organisations à localiser, évaluer, analyser et préparer des réponses aux enjeux liés à la nature. Son application exige toutefois une consultation significative, une participation précoce et une gouvernance des données. L’appliquer dans des territoires autochtones ou communautaires sans consentement, sans accord sur la propriété et l’utilisation de l’information ou sans mécanisme de partage des avantages peut transformer la surveillance en une forme d’extractivisme des données. Les orientations de la TNFD reconnaissent elles-mêmes que la participation des peuples autochtones, des communautés locales et des parties prenantes concernées doit être intégrée à l’ensemble du processus d’évaluation, et non limitée à une validation ultérieure (Taskforce on Nature-related Financial Disclosures [TNFD], 2023a, 2023b).

    Des technologies anticipatrices soumises à des limites écologiques et à des normes communes

    L’une des principales possibilités offertes par l’automatisation réside dans le renforcement d’une gestion anticipatrice. Au lieu d’intervenir uniquement après la survenue des dommages, les outils numériques peuvent détecter des signes précoces de déforestation, de fragmentation, de disparition d’espèces, d’altération hydrologique, d’incendies, de pollution ou de changements phénologiques. Ces capacités peuvent soutenir les gouvernements, les universités, les communautés et les organisations, à condition que les systèmes d’alerte précoce soient liés à des décisions, à des ressources et à des responsabilités concrètes.

    L’utilité de ces outils dépend de la qualité, de la représentativité et de la comparabilité des données. L’Amérique latine reste encore loin d’une interopérabilité complète : des documents non numérisés subsistent, les normes sont appliquées de manière inégale, les métadonnées sont incomplètes, les lacunes géographiques et taxonomiques demeurent, et l’intégration d’informations provenant de différents pays, institutions et écosystèmes reste difficile. Les plateformes mondiales ont contribué à mobiliser les données, mais elles ne corrigent pas à elles seules les biais des sources et ne garantissent pas la validation nomenclaturale et écologique (Global Biodiversity Information Facility [GBIF], 2020 ; Bloom et al., 2021).

    L’agenda régional devrait progresser vers des protocoles d’échantillonnage comparables, des vocabulaires contrôlés, des identifiants persistants, des métadonnées complètes, des collections de référence, une validation taxonomique, l’interopérabilité des systèmes et un accès multilingue. La démocratisation ne signifie pas une publication sans restriction. La localisation de certaines espèces menacées, les savoirs traditionnels ou les données génétiques exigent des niveaux d’accès différenciés. L’ouverture doit être associée à la protection, à l’attribution, au consentement et à la responsabilité.

    Une nature positive : un horizon politique, et non une garantie technologique

    Le concept de nature positive propose d’enrayer et d’inverser la perte de biodiversité, de restaurer les écosystèmes et de réorganiser les activités économiques afin qu’elles ne détruisent pas les fondements écologiques dont elles dépendent. En tant qu’horizon politique, il peut mobiliser des actions pertinentes, mais il devient problématique lorsqu’il est présenté de manière déterministe, comme si la technologie pouvait inverser unilatéralement des processus complexes ou restaurer n’importe quel système dégradé.

    Les écosystèmes répondent à des seuils, à des dépendances historiques, à des interactions non linéaires et à des périodes de récupération qui ne correspondent pas nécessairement aux cycles de l’investissement ou des politiques publiques. Certaines pertes sont irréversibles ; d’autres nécessitent plusieurs décennies et ne peuvent être compensées par une augmentation équivalente ailleurs. La notion de nature positive ne prend donc un sens opérationnel que lorsqu’elle est associée à des inventaires, à des situations de référence, à des zones témoins, à des limites écologiques, à un suivi continu, à une vérification sur le terrain, à la participation communautaire et à une gestion adaptative.

    Le Cadre mondial de la biodiversité de Kunming-Montréal a établi quatre objectifs pour 2050 et 23 cibles d’action pour 2030, accompagnés d’un cadre de suivi destiné à orienter sa mise en œuvre. Sa portée ne doit pas être interprétée comme une autorisation de simplifier la nature en un tableau de bord d’indicateurs, mais comme une invitation à renforcer les capacités scientifiques, institutionnelles et sociales nécessaires à la conservation, à la restauration et à l’utilisation durable de la biodiversité (Convention on Biological Diversity [CBD], 2022). La mesure est nécessaire, mais elle ne peut remplacer la délibération sur ce qui doit être protégé, pour qui et dans quelles limites.

    L’empreinte matérielle et biogéographique du numérique

    Tout ce qui est numérique n’est pas nécessairement durable sur le plan écologique. Les infrastructures technologiques consomment de l’énergie, de l’eau, des minéraux, des terres et des matériaux ; elles produisent des déchets électroniques et nécessitent des réseaux de stockage et de traitement dont l’empreinte reste souvent invisible pour les utilisateurs. Même l’observation de la Terre génère des impacts liés aux satellites, aux centres de données, à la transmission, au stockage et au traitement informatique en nuage (Anderson et al., 2024). L’expansion du secteur technologique accroît également la dépendance à l’égard de l’énergie, de l’eau, des minéraux critiques et des infrastructures physiques, ce qui peut exercer des pressions supplémentaires sur les écosystèmes (World Economic Forum, 2025).

    Ces empreintes ne sont pas équivalentes d’un territoire à l’autre. Un centre de données implanté dans une région soumise à un stress hydrique, caractérisée par une forte sensibilité écologique ou dépendante d’un bouquet énergétique à forte intensité carbone ne produit pas les mêmes effets qu’une installation située dans un autre contexte. Les politiques industrielles traitent souvent la consommation d’eau ou d’énergie comme une valeur agrégée et négligent la biogéographie élémentaire : disponibilité saisonnière, connectivité hydrologique, espèces endémiques, vulnérabilité des aquifères et usages culturels du territoire.

    La même contradiction apparaît dans les minéraux critiques qui alimentent les dispositifs, les batteries et les réseaux. L’extraction du coltan et d’autres minerais dans les zones frontalières de l’Amazonie, ainsi que l’exploitation du lithium dans les salars des hauts plateaux andins, peuvent dégrader des écosystèmes fragiles, affecter les sources d’eau et intensifier les conflits avec les communautés locales. La précision géographique est essentielle : il ne s’agit pas d’affirmer que tous ces minerais sont extraits dans les mêmes environnements, mais de reconnaître que les infrastructures numériques relient des territoires éloignés par l’intermédiaire de chaînes matérielles dont les coûts écologiques restent dissimulés.

    Les études menées dans les zones humides et les salars de haute altitude montrent en outre que chaque bassin possède des caractéristiques hydrogéologiques et écologiques particulières et qu’il ne peut être directement comparé à d’autres territoires ou projets. L’extraction du lithium peut modifier les bilans hydriques, altérer les relations entre les eaux de surface et les eaux souterraines et accroître les pressions exercées sur des écosystèmes dépendant de conditions environnementales très spécifiques (García-Sanz et al., 2021 ; Vera et al., 2023).

    Gouvernance, Protocole de Nagoya et souveraineté des données

    La numérisation peut transformer les informations génétiques, les relevés d’espèces, les cartes écologiques et les savoirs traditionnels en actifs susceptibles de circuler. Ce processus soulève des questions relatives à l’appropriation, à la validation, à la propriété intellectuelle et au partage des avantages. Les données relatives au capital naturel peuvent-elles être commercialisées sans validation taxonomique ? Qui autorise leur utilisation lorsqu’elles proviennent de territoires administrés collectivement ? Comment reconnaître les contributions des chercheurs locaux, des communautés et des responsables de collections ?

    Le Protocole de Nagoya fournit un cadre pour l’accès aux ressources génétiques, le consentement préalable donné en connaissance de cause, les conditions convenues d’un commun accord et le partage juste et équitable des avantages découlant de leur utilisation. Sa mise en œuvre est essentielle pour empêcher que la numérisation ne reproduise des formes extractives de bioprospection. La circulation des séquences, des modèles et des bases de données crée toutefois des difficultés supplémentaires qui nécessitent des réglementations nationales, des accords communautaires et des mécanismes de traçabilité adaptés à l’environnement numérique (Convention on Biological Diversity, 2011).

    La souveraineté des données environnementales ne peut se limiter au stockage des informations sur des serveurs nationaux. Elle exige la capacité de produire, d’interpréter, de valider et de protéger les données, ainsi que de décider de leurs utilisations. Sans inventaires biologiques, collections scientifiques, taxonomistes, écologues de terrain, infrastructures publiques, connectivité territoriale et communautés disposant d’un pouvoir de décision, la souveraineté numérique devient une aspiration vide. Connaître le territoire constitue une condition préalable à sa conservation ; numériser sans connaître peut renforcer les mêmes asymétries que la numérisation prétend dépasser.

    Amérique latine et Colombie : de l’abondance biologique à l’autonomie scientifique

    L’Amérique latine occupe une place centrale dans ce débat en raison de la diversité de ses forêts tropicales humides, de ses forêts sèches, de ses páramos, de ses savanes, de ses zones humides, de ses littoraux, de ses milieux marins et de ses systèmes de haute montagne, ainsi que de la pluralité culturelle de ses territoires. Cette richesse coexiste avec la déforestation, l’exploitation minière, l’expansion urbaine, la fragmentation, les conflits liés à l’eau et de profondes inégalités scientifiques et technologiques. La région ne souffre pas d’un manque de vie, mais plutôt d’un manque relatif d’informations interopérables, de capacités réparties sur les territoires et de contrôle public sur les infrastructures qui transforment la vie en données.

    La Colombie a la possibilité de construire un programme d’intelligence écologique ancré dans son territoire. Un tel programme devrait commencer par renforcer les inventaires, les collections, le suivi de terrain et la formation taxonomique ; articuler les universités, les instituts de recherche, les communautés, l’État et les entreprises ; développer des infrastructures publiques pour les données biologiques ; adopter des normes interopérables ; protéger les savoirs traditionnels ; et promouvoir des modèles informatiques validés dans les écosystèmes du pays.

    L’objectif ne doit pas être de transformer la biodiversité en une nouvelle matière première numérique, mais d’accroître l’autonomie nécessaire pour comprendre, protéger et gouverner le territoire. La région peut passer du statut de fournisseur de ressources et de données à celui de producteur de ses propres connaissances, technologies et décisions, à condition que l’innovation demeure subordonnée aux limites écologiques, aux droits collectifs et aux responsabilités publiques. L’ordre des étapes est important : d’abord le territoire, l’inventaire et la compréhension ; ensuite l’automatisation.

    Conclusion

    L’ère numérique transforme la manière dont le capital naturel est observé et géré, mais elle ne modifie pas une vérité fondamentale : la vie n’est pas une base de données et les écosystèmes ne sont pas des dispositifs que l’on peut simplement redémarrer. Les technologies peuvent élargir les capacités d’observation, accélérer les analyses et soutenir les systèmes d’alerte précoce ; elles ne peuvent remplacer le travail de terrain, la validation scientifique, l’expérience territoriale ou la délibération éthique.

    Une intelligence écologique numérique responsable doit reconnaître l’hétérogénéité biogéographique, la valeur intrinsèque de la nature, les limites de l’automatisation, la nécessité de normes communes, la participation des communautés et l’empreinte matérielle des infrastructures technologiques elles-mêmes. Elle doit également empêcher que les informations biologiques soient extraites, commercialisées ou traitées sans consentement, sans traçabilité et sans partage équitable des avantages.

    Le principal danger du réductionnisme numérique consiste à imaginer la nature comme un simple « Ctrl + Z » : un système dans lequel tout dommage pourrait être annulé grâce aux données, à la restauration automatisée ou à la compensation. Cette illusion technocratique ignore l’irréversibilité, les seuils écologiques et la singularité de chaque territoire. La tâche du XXIe siècle ne consiste pas à numériser la biodiversité jusqu’à la rendre abstraite, mais à gouverner la technologie à partir de la vie, du territoire et de leurs limites écologiques.

    Références

    Anderson, K., Brewin, R. J. W., Mleczko, M. M., Mueller, M., Shutler, J. D., Wilkinson, R., Yan, X., & Gaston, K. J. (2024). The dark side of Earth observation. Nature Sustainability, 7(3), 224–227. https://doi.org/10.1038/s41893-023-01262-x

    Bloom, D. A., Zermoglio, P., & Guralnick, R. (2021). Analysis of biodiversity data needs in the post-2020 framework. GBIF Secretariat. https://doi.org/10.35035/doc-2ph8-0403

    Cañas, J. S., Parra-Guevara, C., Montoya-Castrillón, M., Ramírez-Mejía, J. M., Perilla, G. A., Marentes, E., Leuro, N., Sandoval-Sierra, J. V., Martínez-Callejas, S., Díaz, A., Murcia, M., Noguera-Urbano, E. A., Ochoa-Quintero, J. M., Rodríguez Buriticá, S., & Ulloa, J. S. (2025). Inteligencia artificial para la conservación y uso sostenible de la biodiversidad: Una visión desde Colombia [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14543

    Commission économique pour l’Amérique latine et les Caraïbes. (2024, 2 février). Brechas de conectividad como factor de exclusión. Observatorio de Desarrollo Digital. https://desarrollodigital.cepal.org/es/datos-y-hechos/brechas-de-conectividad-como-factor-de-exclusion

    Convention on Biological Diversity. (2011). Nagoya Protocol on Access to Genetic Resources and the Fair and Equitable Sharing of Benefits Arising from Their Utilization. Secretariat of the Convention on Biological Diversity. https://www.cbd.int/abs/doc/protocol/nagoya-protocol-en.pdf

    Convention on Biological Diversity. (2022). Decision 15/4: Kunming-Montreal Global Biodiversity Framework. https://www.cbd.int/doc/decisions/cop-15/cop-15-dec-04-en.pdf

    García-Sanz, I., Heine-Fuster, I., Luque, J. A., Pizarro, H., Castillo, R., Pailahual, M., Prieto, M., Pérez-Portilla, P., & Aránguiz-Acuña, A. (2021). Limnological response from high-altitude wetlands to the water supply in the Andean Altiplano. Scientific Reports, 11, Article 7681. https://doi.org/10.1038/s41598-021-87162-6

    Global Biodiversity Information Facility. (2020). Improving biodiversity data quality in Latin America: Documenting best practices across data workflows and life cycles [Projet]. https://www.gbif.org/project/5JJH6ZKCjztKrqT50OAadQ/improving-biodiversity-data-quality-in-latin-america-documenting-best-practices-across-data-workflows-and-life-cycles

    Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. (2022). Summary for policymakers of the methodological assessment report on the diverse values and valuation of nature of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (U. Pascual, P. Balvanera, M. Christie, B. Baptiste, D. González-Jiménez, C. B. Anderson, S. Athayde, R. Chaplin-Kramer, S. Jacobs, E. Kelemen, R. Kumar, E. Lazos, A. Martin, T. H. Mwampamba, B. Nakangu, P. O’Farrell, C. M. Raymond, S. M. Subramanian, M. Termansen, … A. Vatn, Éds.). IPBES Secretariat. https://doi.org/10.5281/zenodo.6522392

    Taskforce on Nature-related Financial Disclosures. (2023a). Guidance on the identification and assessment of nature-related issues: The LEAP approach (Version 1.1). https://tnfd.global/publication/additional-guidance-on-assessment-of-nature-related-issues-the-leap-approach/

    Taskforce on Nature-related Financial Disclosures. (2023b). Guidance on engagement with Indigenous Peoples, Local Communities and affected stakeholders (Version 1.0). https://tnfd.global/publication/guidance-on-engagement-with-indigenous-peoples-local-communities-and-affected-stakeholders/

    Vera, M. L., Torres, W. R., Galli, C. I., Chagnes, A., & Flexer, V. (2023). Environmental impact of direct lithium extraction from brines. Nature Reviews Earth & Environment, 4, 149–165. https://doi.org/10.1038/s43017-022-00387-5

    World Economic Forum. (2025). Nature positive: Role of the technology sector. World Economic Forum. https://www.weforum.org/publications/nature-positive-role-of-the-technology-sector/

  • Natural Capital and Biodiversity in the New Digital Era: Toward Ecological Intelligence for the Twenty-First Century

    Introduction

    The contemporary crisis of natural capital demands new forms of understanding, management, and collective action. In this article, natural capital is understood as the set of biotic and abiotic components that sustain life and ecological processes, while biodiversity refers specifically to the variety of genes, species, communities, and ecosystems that comprise it. Although the two concepts are closely related, they are not equivalent: biodiversity is a central dimension of natural capital and possesses, in addition to its ecological and social functions, an intrinsic value that does not depend exclusively on its economic usefulness.

    Within this framework, the term living infrastructure refers to the set of ecological systems that sustain territorial processes such as water regulation, soil formation, pollination, ecological connectivity, food provision, climate stability, and the cultural reproduction of communities. This infrastructure does not manifest itself uniformly. Biota assumes different forms, densities, relationships, and vulnerabilities across tropical rainforests, dry forests, páramos, wetlands, coastlines, marine environments, savannas, deserts, and urban systems. Any digital strategy must therefore recognize the differential expression of life across the planet’s major ecological settings and avoid applying the same grid, indicator, or model as though all territories were comparable.

    The study of nature has relied on technology for decades. Cartography, aerial photography, remote sensing, databases, geographic information systems, telemetry, and ecological modeling are all part of contemporary scientific practice. The novelty of the new digital era does not therefore lie in digitizing what was previously entirely analog, but in automating the capture, classification, integration, and interpretation of large volumes of information. Artificial intelligence, remote sensors, environmental DNA, automated bioacoustics, digital twins, and reporting platforms expand the spatial and temporal scales of observation, but they also introduce new biases, technological dependencies, and interpretive challenges.

    A decisive paradox emerges in Latin America: the region contains extraordinary biological richness, yet much of its information remains dispersed, undigitized, affected by taxonomic gaps, characterized by limited interoperability, and marked by unequal access. These disparities are evident between urban and rural areas, between institutions with different financial capacities, between intensively monitored ecosystems and remote territories, and between dominant languages and local knowledge that does not always find a place within digital platforms. Democratizing biotic information therefore requires connectivity, public infrastructure, specialized training, common standards, recognition of authorship, and protection mechanisms for sensitive data (Economic Commission for Latin America and the Caribbean [ECLAC], 2024).

    These tensions raise unavoidable questions: Who controls natural capital data? Who decides what is measured and at what scale? How can nature be prevented from being reduced to financial indicators? Are biogeographical, human, and ecological boundaries respected when life is represented through digital grids? What happens to the concept of the minimum mapping unit when algorithms aggregate or simplify heterogeneous territories? What role is assigned to local communities, Indigenous Peoples, and territorial knowledge? These questions do not challenge the use of technology itself; rather, they challenge the assumption that automation necessarily amounts to understanding.

    From Territorial Characterization to Assisted Ecological Intelligence

    Biodiversity conservation has historically relied on biological inventories, scientific collections, protected areas, ecological restoration, population monitoring, and environmental regulation. These strategies remain essential. Before automating, it is necessary to know the territory: to visit it, describe it, identify species, record interactions, understand ecological cycles, and compare data with the experience of those who inhabit it. No algorithm can replace fieldwork, taxonomic validation, or the situated interpretation of the researcher.

    Scientific modernization requires explicit statistical methods, traceability, and evidence-based decision-making. Nevertheless, this requirement should not come at the expense of basic characterization. Models depend on source data, and data depend on observations made under specific conditions. When samples are scarce, geographically biased, or derived from poorly defined categories, automation does not eliminate the problem; it amplifies it and gives it an appearance of precision.

    Within this context, digital ecological intelligence should not be understood as an autonomous quality of machines, but as a human, scientific, and institutional capacity supported by computational tools. Systems commonly referred to as artificial intelligence are trained to recognize patterns, classify records, or estimate probabilities. They may emulate certain cognitive operations, but they do not possess the biological, historical, ethical, and territorial understanding that guides ecological research. Their role should be to assist, not replace.

    These tools can support species identification, image and sound analysis, detection of land-cover changes, species-distribution modeling, and the generation of early warnings. Their results, however, must be subjected to field validation, uncertainty analysis, bias assessment, and evaluation of transferability across regions. A model trained in a humid forest, an urban collection, or a group of well-documented species cannot automatically be extrapolated to other contexts. Ecological intelligence emerges from the articulation of data, natural history knowledge, quantitative methods, territorial experience, and public deliberation (Cañas et al., 2025).

    Natural Capital as an Information System, Not as a Commodity

    In the digital era, ecosystem signals can be transformed into data: images, sounds, genetic sequences, occurrence records, climatic variables, soil properties, water flows, and vegetation changes. Sensors, satellites, drones, camera traps, environmental DNA, and geospatial platforms make it possible to construct layers of information that were previously difficult to integrate. Nevertheless, data are not nature; they are partial representations produced through decisions concerning scale, sampling, resolution, categories, and validation methods.

    This distinction is important because natural capital cannot be reduced to a collection of assets, risks, or opportunities. Life possesses intrinsic, relational, cultural, and ecological values that are neither ordinal nor fully interchangeable. An endemic species, a sacred wetland, a biological corridor, or an ecological relationship cannot be automatically replaced through accounting-based compensation. Recognizing corporate impacts and dependencies may be useful, but it should not displace the right of ecosystems to persist or collective obligations of care (Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services [IPBES], 2022).

    The LEAP approach developed by the Taskforce on Nature-related Financial Disclosures can help organizations locate, evaluate, assess, and prepare responses to nature-related issues. Its application, however, requires meaningful consultation, early participation, and data governance. Applying it in Indigenous or community territories without consent, without agreements concerning ownership and use of information, or without benefit-sharing mechanisms may turn monitoring into a form of data extractivism. TNFD guidance itself recognizes that engagement with Indigenous Peoples, local communities, and affected stakeholders should be embedded throughout the assessment process rather than limited to subsequent validation (Taskforce on Nature-related Financial Disclosures [TNFD], 2023a, 2023b).

    Anticipatory Technologies with Ecological Limits and Common Standards

    One of the most significant possibilities offered by automation is the strengthening of anticipatory management. Rather than intervening only after damage has occurred, digital tools can detect early signs of deforestation, fragmentation, species loss, hydrological alteration, fires, pollution, or phenological change. These capabilities can support governments, universities, communities, and organizations, provided that early-warning systems are connected to concrete decisions, resources, and responsibilities.

    The usefulness of these tools depends on the quality, representativeness, and comparability of the data. Latin America remains far from achieving full interoperability: undigitized records persist, standards are applied unevenly, metadata are incomplete, geographical and taxonomic gaps remain, and information from different countries, institutions, and ecosystems is difficult to integrate. Global platforms have helped mobilize data, but they do not by themselves correct source biases or guarantee nomenclatural and ecological validation (Global Biodiversity Information Facility [GBIF], 2020; Bloom et al., 2021).

    The regional agenda should move toward comparable sampling protocols, controlled vocabularies, persistent identifiers, complete metadata, reference collections, taxonomic validation, system interoperability, and multilingual access. Democratization does not mean indiscriminate publication. Some locations of threatened species, traditional knowledge, or genetic data require differentiated levels of access. Openness must be combined with protection, attribution, consent, and accountability.

    Nature Positive: A Political Horizon, Not a Technological Guarantee

    The concept of nature positive proposes halting and reversing biodiversity loss, restoring ecosystems, and reorganizing economic activities so that they do not destroy the ecological foundations on which they depend. As a political horizon, it may mobilize relevant action, but it becomes problematic when presented deterministically, as though technology could unilaterally reverse complex processes or restore any degraded system.

    Ecosystems respond to thresholds, historical dependencies, nonlinear interactions, and recovery periods that do not necessarily correspond to investment or public-policy cycles. Some losses are irreversible; others require decades and cannot be compensated for by an equivalent increase elsewhere. The notion of nature positive therefore becomes operationally meaningful only when connected to inventories, baselines, reference areas, ecological limits, continuous monitoring, field verification, community participation, and adaptive management.

    The Kunming-Montreal Global Biodiversity Framework established four goals for 2050 and 23 action targets for 2030, accompanied by a monitoring framework to guide implementation. Its scope should not be interpreted as permission to simplify nature into a dashboard of indicators, but as an invitation to strengthen the scientific, institutional, and social capacities required to conserve, restore, and sustainably use biodiversity (Convention on Biological Diversity [CBD], 2022). Measurement is necessary, but it cannot replace deliberation about what should be protected, for whom, and within what limits.

    The Material and Biogeographical Footprint of Digital Technology

    Not everything digital is ecologically sustainable. Technological infrastructure consumes energy, water, minerals, land, and materials; generates electronic waste; and requires storage and processing networks whose footprint often remains invisible to users. Even Earth observation produces impacts associated with satellites, data centers, transmission, storage, and cloud computing (Anderson et al., 2024). The expansion of the technology sector also increases dependence on energy, water, critical minerals, and physical infrastructure, potentially creating additional pressures on ecosystems (World Economic Forum, 2025).

    These footprints are not territorially equivalent. A data center located in a region affected by water stress, high ecosystem sensitivity, or a carbon-intensive energy matrix does not produce the same impacts as a facility located in a different context. Industrial policy frequently treats water or energy consumption as an aggregate figure and overlooks basic biogeography: seasonal availability, hydrological connectivity, endemic species, aquifer vulnerability, and cultural uses of territory.

    The same contradiction appears in the critical minerals that support devices, batteries, and networks. The extraction of coltan and other minerals along Amazonian frontiers, as well as lithium extraction in high-Andean salt flats, may degrade fragile ecosystems, affect water sources, and intensify conflicts with local communities. Geographical precision is essential: the point is not to claim that all these minerals are extracted from the same environments, but to recognize that digital infrastructure connects distant territories through material supply chains whose ecological costs remain concealed.

    Studies conducted in high-Andean wetlands and salt-flat environments also show that each basin has specific hydrogeological and ecological characteristics and cannot be treated as directly comparable with other territories or projects. Lithium extraction may alter water balances, modify relationships between surface water and groundwater, and increase pressure on ecosystems that depend on highly specific environmental conditions (García-Sanz et al., 2021; Vera et al., 2023).

    Governance, the Nagoya Protocol, and Data Sovereignty

    Digitization can turn genetic information, species records, ecological maps, and traditional knowledge into circulating assets. This process raises questions concerning appropriation, validation, intellectual property, and benefit sharing. Can natural capital data be commercialized without taxonomic validation? Who authorizes their use when they originate in collectively governed territories? How are the contributions of local researchers, communities, and collection custodians recognized?

    The Nagoya Protocol provides a framework for access to genetic resources, prior informed consent, mutually agreed terms, and the fair and equitable sharing of benefits arising from their utilization. Its implementation is essential to prevent digitization from reproducing extractive forms of bioprospecting. The circulation of sequences, models, and databases, however, creates additional challenges that require national regulations, community agreements, and traceability mechanisms adapted to the digital environment (Convention on Biological Diversity, 2011).

    Environmental data sovereignty cannot be reduced to storing information on national servers. It requires the capacity to produce, interpret, validate, protect, and make decisions about the use of data. Without biological inventories, scientific collections, taxonomists, field ecologists, public infrastructure, territorial connectivity, and communities with decision-making power, digital sovereignty becomes an empty aspiration. Knowing the territory is a condition for conserving it; digitizing without knowing may reinforce the same asymmetries that digitization is intended to overcome.

    Latin America and Colombia: From Biological Abundance to Scientific Autonomy

    Latin America occupies a central place in this debate because of the diversity of its rainforests, dry forests, páramos, savannas, wetlands, coastlines, marine environments, and high-mountain systems, as well as the cultural plurality of its territories. This richness coexists with deforestation, mining, urban expansion, fragmentation, water conflicts, and profound scientific and technological inequalities. The region does not face a shortage of life, but rather a relative shortage of interoperable information, distributed capacities, and public control over the infrastructures that transform life into data.

    Colombia has an opportunity to build a situated agenda for ecological intelligence. Such an agenda should begin by strengthening inventories, collections, field monitoring, and taxonomic training; articulating universities, research institutes, communities, the state, and businesses; developing public infrastructure for biological data; adopting interoperable standards; protecting traditional knowledge; and promoting computational models validated within the country’s ecosystems.

    The objective should not be to transform biodiversity into a new digital raw material, but to increase autonomy in understanding, caring for, and governing territory. The region can move from being a provider of resources and data to becoming a producer of its own knowledge, technology, and decisions, provided that innovation remains subordinate to ecological limits, collective rights, and public responsibilities. The sequence matters: first territory, inventory, and understanding; then automation.

    Conclusion

    The new digital era is transforming the way natural capital is observed and managed, but it does not alter a fundamental truth: life is not a database, and ecosystems are not devices that can simply be restarted. Technologies can expand observation, accelerate analysis, and support early-warning systems; they cannot replace fieldwork, scientific validation, territorial experience, or ethical deliberation.

    Responsible digital ecological intelligence must recognize biogeographical heterogeneity, the intrinsic value of nature, the limits of automation, the need for common standards, community participation, and the material footprint of technological infrastructure itself. It must also prevent biological information from being extracted, commercialized, or processed without consent, traceability, and fair benefit sharing.

    The main danger of digital reductionism is the tendency to imagine nature as a simple “Ctrl + Z”: a system in which all damage could be undone through data, automated restoration, or compensation. This technocratic illusion disregards irreversibility, ecological thresholds, and the uniqueness of each territory. The task of the twenty-first century is not to digitize biodiversity until it becomes abstract, but to govern technology from the standpoint of life, territory, and ecological limits.

    References

    Anderson, K., Brewin, R. J. W., Mleczko, M. M., Mueller, M., Shutler, J. D., Wilkinson, R., Yan, X., & Gaston, K. J. (2024). The dark side of Earth observation. Nature Sustainability, 7(3), 224–227. https://doi.org/10.1038/s41893-023-01262-x

    Bloom, D. A., Zermoglio, P., & Guralnick, R. (2021). Analysis of biodiversity data needs in the post-2020 framework. GBIF Secretariat. https://doi.org/10.35035/doc-2ph8-0403

    Cañas, J. S., Parra-Guevara, C., Montoya-Castrillón, M., Ramírez-Mejía, J. M., Perilla, G. A., Marentes, E., Leuro, N., Sandoval-Sierra, J. V., Martínez-Callejas, S., Díaz, A., Murcia, M., Noguera-Urbano, E. A., Ochoa-Quintero, J. M., Rodríguez Buriticá, S., & Ulloa, J. S. (2025). Inteligencia artificial para la conservación y uso sostenible de la biodiversidad: Una visión desde Colombia [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14543

    Economic Commission for Latin America and the Caribbean. (2024, February 2). Brechas de conectividad como factor de exclusión. Observatorio de Desarrollo Digital. https://desarrollodigital.cepal.org/es/datos-y-hechos/brechas-de-conectividad-como-factor-de-exclusion

    Convention on Biological Diversity. (2011). Nagoya Protocol on Access to Genetic Resources and the Fair and Equitable Sharing of Benefits Arising from Their Utilization. Secretariat of the Convention on Biological Diversity. https://www.cbd.int/abs/doc/protocol/nagoya-protocol-en.pdf

    Convention on Biological Diversity. (2022). Decision 15/4: Kunming-Montreal Global Biodiversity Framework. https://www.cbd.int/doc/decisions/cop-15/cop-15-dec-04-en.pdf

    García-Sanz, I., Heine-Fuster, I., Luque, J. A., Pizarro, H., Castillo, R., Pailahual, M., Prieto, M., Pérez-Portilla, P., & Aránguiz-Acuña, A. (2021). Limnological response from high-altitude wetlands to the water supply in the Andean Altiplano. Scientific Reports, 11, Article 7681. https://doi.org/10.1038/s41598-021-87162-6

    Global Biodiversity Information Facility. (2020). Improving biodiversity data quality in Latin America: Documenting best practices across data workflows and life cycles [Project]. https://www.gbif.org/project/5JJH6ZKCjztKrqT50OAadQ/improving-biodiversity-data-quality-in-latin-america-documenting-best-practices-across-data-workflows-and-life-cycles

    Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. (2022). Summary for policymakers of the methodological assessment report on the diverse values and valuation of nature of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (U. Pascual, P. Balvanera, M. Christie, B. Baptiste, D. González-Jiménez, C. B. Anderson, S. Athayde, R. Chaplin-Kramer, S. Jacobs, E. Kelemen, R. Kumar, E. Lazos, A. Martin, T. H. Mwampamba, B. Nakangu, P. O’Farrell, C. M. Raymond, S. M. Subramanian, M. Termansen, … A. Vatn, Eds.). IPBES Secretariat. https://doi.org/10.5281/zenodo.6522392

    Taskforce on Nature-related Financial Disclosures. (2023a). Guidance on the identification and assessment of nature-related issues: The LEAP approach (Version 1.1). https://tnfd.global/publication/additional-guidance-on-assessment-of-nature-related-issues-the-leap-approach/

    Taskforce on Nature-related Financial Disclosures. (2023b). Guidance on engagement with Indigenous Peoples, Local Communities and affected stakeholders (Version 1.0). https://tnfd.global/publication/guidance-on-engagement-with-indigenous-peoples-local-communities-and-affected-stakeholders/

    Vera, M. L., Torres, W. R., Galli, C. I., Chagnes, A., & Flexer, V. (2023). Environmental impact of direct lithium extraction from brines. Nature Reviews Earth & Environment, 4, 149–165. https://doi.org/10.1038/s43017-022-00387-5

    World Economic Forum. (2025). Nature positive: Role of the technology sector. World Economic Forum. https://www.weforum.org/publications/nature-positive-role-of-the-technology-sector/

  • Capital natural y biodiversidad en la nueva era digital: hacia una inteligencia ecológica para el siglo XXI

    La crisis contemporánea del capital natural exige nuevas formas de comprensión, gestión y acción colectiva. En este artículo, el capital natural se entiende como el conjunto de componentes bióticos y abióticos que sostienen la vida y los procesos ecológicos, mientras que la biodiversidad alude específicamente a la variedad de genes, especies, comunidades y ecosistemas que lo integran. Ambos conceptos se relacionan, pero no son equivalentes: la biodiversidad constituye una dimensión central del capital natural y posee, además de funciones ecológicas y sociales, un valor intrínseco que no depende de su utilidad económica.

    En este marco, la expresión infraestructura viva designa el conjunto de sistemas ecológicos que sostienen procesos territoriales, como la regulación hídrica, la formación de suelos, la polinización, la conectividad ecológica, la provisión de alimentos, la estabilidad climática y la reproducción cultural de las comunidades. Esta infraestructura no se manifiesta de manera homogénea. La biota adquiere formas, densidades, relaciones y vulnerabilidades distintas en selvas tropicales, bosques secos, páramos, humedales, costas, ambientes marinos, sabanas, desiertos y sistemas urbanos. Por ello, cualquier estrategia digital debe reconocer la expresión diferencial de la vida según los macroescenarios del planeta y evitar que una misma grilla, indicador o modelo sea aplicado como si todos los territorios fueran comparables.

    El estudio de la naturaleza utiliza tecnologías desde hace décadas: cartografía, fotografía aérea, teledetección, bases de datos, sistemas de información geográfica, telemetría y modelación ecológica forman parte de la práctica científica contemporánea. La novedad de la nueva era digital no radica, por tanto, en digitalizar lo que antes era completamente analógico, sino en automatizar la captura, clasificación, integración e interpretación de grandes volúmenes de información. La inteligencia artificial, los sensores remotos, el ADN ambiental, la bioacústica automatizada, los gemelos digitales y las plataformas de reporte amplían las escalas espaciales y temporales de observación, pero también introducen nuevos sesgos, dependencias tecnológicas y problemas de interpretación.

    En América Latina aparece una paradoja decisiva: la región concentra una extraordinaria riqueza biológica, pero gran parte de su información permanece dispersa, sin digitalizar, con vacíos taxonómicos, baja interoperabilidad y acceso desigual. Las brechas se expresan entre áreas urbanas y rurales, entre instituciones con distintas capacidades financieras, entre ecosistemas intensamente monitoreados y territorios remotos, y entre lenguas dominantes y conocimientos locales que no siempre encuentran un lugar en las plataformas digitales. Democratizar la información biótica exige conectividad, infraestructura pública, formación especializada, estándares comunes, reconocimiento de autorías y mecanismos de protección para datos sensibles (Comisión Económica para América Latina y el Caribe [CEPAL], 2024).

    A partir de esta tensión surgen preguntas ineludibles: ¿quién controla los datos del capital natural?, ¿quién define qué se mide y a qué escala?, ¿cómo se evita que la naturaleza sea reducida a indicadores financieros?, ¿se respetan los límites biogeográficos, humanos y ecológicos cuando la vida se representa en grillas digitales?, ¿qué ocurre con la unidad mínima cartografiable cuando los algoritmos agregan o simplifican territorios heterogéneos?, ¿qué lugar ocupan las comunidades locales, los pueblos indígenas y los saberes territoriales? Estas preguntas no cuestionan el uso de tecnología en sí mismo; cuestionan la idea de que automatizar equivale necesariamente a comprender.

    De la caracterización territorial a una inteligencia ecológica asistida

    La conservación de la biodiversidad se ha apoyado históricamente en inventarios biológicos, colecciones científicas, áreas protegidas, restauración ecológica, monitoreo de poblaciones y regulación ambiental. Estas estrategias continúan siendo fundamentales. Antes de automatizar es necesario conocer el territorio: recorrerlo, describirlo, identificar especies, registrar interacciones, comprender ciclos ecológicos y contrastar los datos con la experiencia de quienes lo habitan. Ningún algoritmo reemplaza el trabajo de campo, la validación taxonómica ni la interpretación situada del investigador.

    La modernización científica exige métodos estadísticos explícitos, trazabilidad y decisiones basadas en evidencia. Sin embargo, esa exigencia no debe sacrificar la caracterización básica. Los modelos dependen de datos de origen, y los datos dependen de observaciones realizadas bajo condiciones concretas. Cuando las muestras son escasas, están geográficamente sesgadas o provienen de categorías mal definidas, la automatización no elimina el problema: lo amplifica y le otorga una apariencia de precisión.

    En este contexto, la inteligencia ecológica digital no debe entenderse como una cualidad autónoma de las máquinas, sino como una capacidad humana, científica e institucional apoyada por herramientas computacionales. Los sistemas denominados de inteligencia artificial se entrenan para reconocer regularidades, clasificar registros o estimar probabilidades; pueden emular ciertas operaciones cognitivas, pero no poseen la comprensión biológica, histórica, ética y territorial que orienta la investigación ecológica. Su función es asistir, no suplantar.

    Estas herramientas pueden apoyar la identificación de especies, el análisis de imágenes y sonidos, la detección de cambios en coberturas, el modelamiento de distribuciones y la generación de alertas tempranas. No obstante, sus resultados deben someterse a validación de campo, análisis de incertidumbre, revisión de sesgos y evaluación de transferibilidad entre regiones. Un modelo entrenado en un bosque húmedo, una colección urbana o un conjunto de especies bien documentadas no puede extrapolarse automáticamente a otros contextos. La inteligencia ecológica surge de la articulación entre datos, conocimiento naturalista, métodos cuantitativos, experiencia territorial y deliberación pública (Cañas et al., 2025).

    El capital natural como sistema de información, no como mercancía

    En la era digital, las señales de los ecosistemas pueden convertirse en datos: imágenes, sonidos, secuencias genéticas, registros de presencia, variables climáticas, propiedades del suelo, flujos hídricos y cambios en la vegetación. Sensores, satélites, drones, cámaras trampa, ADN ambiental y plataformas geoespaciales permiten construir capas de información que antes eran difíciles de integrar. Sin embargo, los datos no son la naturaleza; son representaciones parciales producidas mediante decisiones sobre escala, muestreo, resolución, categorías y métodos de validación.

    Esta distinción es importante porque el capital natural no puede reducirse a una suma de activos, riesgos u oportunidades. La vida posee valores intrínsecos, relacionales, culturales y ecológicos que no son ordinales ni plenamente intercambiables. Una especie endémica, un humedal sagrado, un corredor biológico o una relación ecológica no pueden reemplazarse automáticamente mediante compensaciones contables. Reconocer impactos y dependencias empresariales puede ser útil, pero no debe desplazar el derecho de los ecosistemas a persistir ni las obligaciones colectivas de cuidado (Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services [IPBES], 2022).

    El enfoque LEAP de la Taskforce on Nature-related Financial Disclosures puede ayudar a localizar, evaluar, analizar y preparar respuestas frente a asuntos relacionados con la naturaleza. Su uso, sin embargo, requiere consulta significativa, participación temprana y gobernanza de datos. Aplicarlo en territorios indígenas o comunitarios sin consentimiento, sin acuerdos sobre propiedad y uso de la información, o sin distribución de beneficios puede convertir el monitoreo en una forma de extractivismo de datos. La propia orientación de la TNFD reconoce que la participación de pueblos indígenas, comunidades locales y actores afectados debe atravesar la evaluación y no limitarse a una validación posterior (Taskforce on Nature-related Financial Disclosures [TNFD], 2023a, 2023b).

    Tecnologías emergentes para una sostenibilidad anticipatoria

    Una de las mayores posibilidades de la automatización es fortalecer una gestión anticipatoria. En lugar de intervenir únicamente después de que ocurre el daño, las herramientas digitales pueden detectar señales tempranas de deforestación, fragmentación, pérdida de especies, alteración hídrica, incendios, contaminación o cambios en la fenología. Estas capacidades pueden apoyar a gobiernos, universidades, comunidades y organizaciones, siempre que los sistemas de alerta estén conectados con decisiones, recursos y responsabilidades concretas.

    La utilidad de estas herramientas depende de la calidad, representatividad y comparabilidad de los datos. América Latina todavía se encuentra lejos de una interoperabilidad plena: persisten registros no digitalizados, estándares aplicados de manera desigual, metadatos incompletos, vacíos geográficos y taxonómicos, y dificultades para integrar información proveniente de países, instituciones y ecosistemas diferentes. Las plataformas globales han contribuido a movilizar datos, pero no corrigen por sí solas los sesgos de origen ni garantizan la validación nomenclatural y ecológica (Global Biodiversity Information Facility [GBIF], 2020; Bloom et al., 2021).

    La agenda regional debe avanzar hacia protocolos de muestreo comparables, vocabularios controlados, identificadores persistentes, metadatos completos, colecciones de referencia, validación taxonómica, interoperabilidad entre sistemas y acceso multilingüe. Democratizar no significa publicar indiscriminadamente: algunas localizaciones de especies amenazadas, conocimientos tradicionales o datos genéticos requieren niveles diferenciados de acceso. La apertura debe combinarse con protección, atribución, consentimiento y responsabilidad.

    Naturaleza positiva: horizonte político, no garantía tecnológica

    El concepto de naturaleza positiva propone detener y revertir la pérdida de biodiversidad, restaurar ecosistemas y reorganizar actividades económicas para que no destruyan la base ecológica que las sostiene. Como horizonte político puede movilizar acciones relevantes, pero resulta problemático cuando se presenta de manera determinista, como si la tecnología pudiera revertir unilateralmente procesos complejos o restablecer cualquier sistema degradado.

    Los ecosistemas responden a umbrales, dependencias históricas, interacciones no lineales y tiempos de recuperación que no siempre coinciden con los ciclos de inversión o de política pública. Algunas pérdidas son irreversibles; otras requieren décadas y no pueden compensarse con un incremento equivalente en otro lugar. Por ello, la noción de naturaleza positiva solo adquiere contenido operativo cuando se vincula con inventarios, líneas base, áreas de referencia, límites ecológicos, monitoreo permanente, verificación de campo, participación comunitaria y manejo adaptativo.

    El Marco Global de Biodiversidad de Kunming-Montreal estableció cuatro objetivos para 2050 y 23 metas de acción hacia 2030, acompañadas de un sistema de seguimiento para orientar su implementación. Su alcance no debe interpretarse como una licencia para simplificar la naturaleza en un tablero de indicadores, sino como una invitación a fortalecer las capacidades científicas, institucionales y sociales necesarias para conservar, restaurar y utilizar sosteniblemente la biodiversidad (Convention on Biological Diversity [CBD], 2022). La medición es necesaria, pero no sustituye la deliberación sobre qué debe protegerse, para quién y bajo qué límites.

    La huella material y biogeográfica de lo digital

    No todo lo digital es ecológicamente sostenible. La infraestructura tecnológica consume energía, agua, minerales, suelo y materiales; genera residuos electrónicos y demanda redes de almacenamiento y procesamiento cuya huella suele permanecer fuera del campo visual del usuario. Incluso la observación de la Tierra produce impactos asociados con satélites, centros de datos, transmisión, almacenamiento y procesamiento en la nube (Anderson et al., 2024). La expansión del sector tecnológico también incrementa las dependencias respecto de energía, agua, minerales críticos e infraestructuras físicas que pueden generar presiones adicionales sobre los ecosistemas (World Economic Forum, 2025).

    Estas huellas no son territorialmente equivalentes. Un centro de datos ubicado en una región con estrés hídrico, alta sensibilidad ecosistémica o matriz energética intensiva en carbono no produce los mismos efectos que una instalación situada en otro contexto. La política industrial suele tratar el consumo de agua o energía como una cifra agregada y omite la biogeografía básica: disponibilidad estacional, conectividad hídrica, especies endémicas, vulnerabilidad de acuíferos y usos culturales del territorio.

    La misma contradicción aparece en los minerales críticos que alimentan dispositivos, baterías y redes. La extracción de coltán y otros minerales en fronteras amazónicas, así como la explotación de litio en salares altoandinos, puede degradar ecosistemas frágiles, afectar fuentes de agua y profundizar conflictos con comunidades locales. La precisión geográfica es importante: no se trata de afirmar que todos estos minerales se extraen en los mismos ambientes, sino de reconocer que la infraestructura digital conecta territorios distantes mediante cadenas materiales cuyos costos ecológicos permanecen ocultos. Los estudios sobre salares muestran, además, que cada cuenca posee una hidrogeología particular y no admite extrapolaciones simples entre proyectos (García-Sanz et al., 2021; Vera et al., 2023).

    Gobernanza, Protocolo de Nagoya y soberanía de los datos

    La digitalización puede convertir información genética, registros de especies, mapas ecológicos y conocimientos tradicionales en activos circulables. Este proceso plantea preguntas sobre apropiación, validación, propiedad intelectual y distribución de beneficios. ¿Pueden comercializarse datos del capital natural sin validación taxonómica? ¿Quién autoriza su uso cuando provienen de territorios colectivos? ¿Cómo se reconoce la contribución de investigadores locales, comunidades y custodios de colecciones?

    El Protocolo de Nagoya ofrece un marco para el acceso a recursos genéticos, el consentimiento fundamentado previo, las condiciones mutuamente acordadas y la participación justa y equitativa en los beneficios. Su aplicación resulta esencial para evitar que la digitalización reproduzca formas de bioprospección extractiva. Sin embargo, la circulación de secuencias, modelos y bases de datos plantea desafíos adicionales que requieren normas nacionales, acuerdos comunitarios y mecanismos de trazabilidad adaptados al entorno digital (Convention on Biological Diversity, 2011).

    La soberanía de datos ambientales no puede limitarse a almacenar información en servidores nacionales. Exige capacidad para producirla, interpretarla, validarla, protegerla y decidir sobre sus usos. Sin inventarios biológicos, colecciones científicas, taxónomos, ecólogos de campo, infraestructuras públicas, conectividad territorial y comunidades con poder de decisión, la soberanía digital se convierte en una aspiración vacía. Conocer el territorio es una condición para conservarlo; digitalizar sin conocer puede consolidar las mismas asimetrías que se pretende superar.

    América Latina y Colombia: de la abundancia biológica a la autonomía científica

    América Latina ocupa un lugar central en esta discusión por la diversidad de sus selvas, bosques secos, páramos, sabanas, humedales, costas, mares y sistemas de alta montaña, así como por la pluralidad cultural de sus territorios. Esa riqueza convive con deforestación, minería, expansión urbana, fragmentación, conflictos por el agua y profundas desigualdades científicas y tecnológicas. La región no enfrenta una escasez de vida, sino una escasez relativa de información interoperable, capacidades distribuidas y control público sobre las infraestructuras que convierten la vida en datos.

    Colombia tiene la oportunidad de construir una agenda de inteligencia ecológica situada. Esta agenda debería comenzar por fortalecer inventarios, colecciones, monitoreo de campo y formación taxonómica; articular universidades, institutos, comunidades, Estado y empresas; desarrollar infraestructura pública para datos biológicos; adoptar estándares interoperables; proteger los conocimientos tradicionales; y promover modelos computacionales validados en los ecosistemas del país.

    El objetivo no debe ser convertir la biodiversidad en una nueva materia prima digital, sino aumentar la autonomía para conocer, cuidar y gobernar el territorio. La región puede pasar de ser proveedora de recursos y datos a producir conocimiento, tecnología y decisiones propias, siempre que la innovación se subordine a límites ecológicos, derechos colectivos y responsabilidades públicas. La secuencia importa: primero territorio, inventario y comprensión; después automatización.

    Conclusión

    La nueva era digital transforma la manera en que observamos y gestionamos el capital natural, pero no modifica una verdad fundamental: la vida no es una base de datos y los ecosistemas no son dispositivos reiniciables. Las tecnologías pueden ampliar la observación, acelerar análisis y apoyar alertas tempranas; no pueden reemplazar el trabajo de campo, la validación científica, la experiencia territorial ni la deliberación ética.

    Una inteligencia ecológica digital responsable debe reconocer la heterogeneidad biogeográfica, el valor intrínseco de la naturaleza, los límites de la automatización, la necesidad de estándares comunes, la participación de las comunidades y la huella material de la propia infraestructura tecnológica. También debe impedir que la información biológica se extraiga, comercialice o procese sin consentimiento, trazabilidad y distribución justa de beneficios.

    El principal riesgo del reduccionismo digital es imaginar la naturaleza como un simple “Ctrl + Z”: un sistema en el que todo daño podría deshacerse mediante datos, restauración automatizada o compensaciones. Esa ilusión tecnocrática desconoce la irreversibilidad, los umbrales ecológicos y la singularidad de cada territorio. La tarea del siglo XXI no consiste en digitalizar la biodiversidad hasta volverla abstracta, sino en gobernar la tecnología desde la vida, el territorio y sus límites.

    Especial agadecimiento por sus lecturas, recomendaciones y visiones, al profesor: Vladimir Minorta-Cely PhD.

    Referencias

    Anderson, K., Brewin, R. J. W., Mleczko, M. M., Mueller, M., Shutler, J. D., Wilkinson, R., Yan, X., & Gaston, K. J. (2024). The dark side of Earth observation. Nature Sustainability, 7(3), 224–227. https://doi.org/10.1038/s41893-023-01262-x

    Bloom, D. A., Zermoglio, P., & Guralnick, R. (2021). Analysis of biodiversity data needs in the post-2020 framework. GBIF Secretariat. https://doi.org/10.35035/doc-2ph8-0403

    Cañas, J. S., Parra-Guevara, C., Montoya-Castrillón, M., Ramírez-Mejía, J. M., Perilla, G. A., Marentes, E., Leuro, N., Sandoval-Sierra, J. V., Martínez-Callejas, S., Díaz, A., Murcia, M., Noguera-Urbano, E. A., Ochoa-Quintero, J. M., Rodríguez Buriticá, S., & Ulloa, J. S. (2025). Inteligencia artificial para la conservación y uso sostenible de la biodiversidad: Una visión desde Colombia [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2503.14543

    Comisión Económica para América Latina y el Caribe. (2024, 2 de febrero). Brechas de conectividad como factor de exclusión. Observatorio de Desarrollo Digital. https://desarrollodigital.cepal.org/es/datos-y-hechos/brechas-de-conectividad-como-factor-de-exclusion

    Convention on Biological Diversity. (2011). Nagoya Protocol on Access to Genetic Resources and the Fair and Equitable Sharing of Benefits Arising from Their Utilization. Secretariat of the Convention on Biological Diversity. https://www.cbd.int/abs/doc/protocol/nagoya-protocol-en.pdf

    Convention on Biological Diversity. (2022). Decision 15/4: Kunming-Montreal Global Biodiversity Framework. https://www.cbd.int/doc/decisions/cop-15/cop-15-dec-04-en.pdf

    García-Sanz, I., Heine-Fuster, I., Luque, J. A., Pizarro, H., Castillo, R., Pailahual, M., Prieto, M., Pérez-Portilla, P., & Aránguiz-Acuña, A. (2021). Limnological response from high-altitude wetlands to the water supply in the Andean Altiplano. Scientific Reports, 11, Article 7681. https://doi.org/10.1038/s41598-021-87162-6

    Global Biodiversity Information Facility. (2020). Improving biodiversity data quality in Latin America: Documenting best practices across data workflows and life cycles [Proyecto]. https://www.gbif.org/project/5JJH6ZKCjztKrqT50OAadQ/improving-biodiversity-data-quality-in-latin-america-documenting-best-practices-across-data-workflows-and-life-cycles

    Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services. (2022). Summary for policymakers of the methodological assessment report on the diverse values and valuation of nature of the Intergovernmental Science-Policy Platform on Biodiversity and Ecosystem Services (U. Pascual, P. Balvanera, M. Christie, B. Baptiste, D. González-Jiménez, C. B. Anderson, S. Athayde, R. Chaplin-Kramer, S. Jacobs, E. Kelemen, R. Kumar, E. Lazos, A. Martin, T. H. Mwampamba, B. Nakangu, P. O’Farrell, C. M. Raymond, S. M. Subramanian, M. Termansen, … A. Vatn, Eds.). IPBES Secretariat. https://doi.org/10.5281/zenodo.6522392

    Taskforce on Nature-related Financial Disclosures. (2023a). Guidance on the identification and assessment of nature-related issues: The LEAP approach (Version 1.1). https://tnfd.global/publication/additional-guidance-on-assessment-of-nature-related-issues-the-leap-approach/

    Taskforce on Nature-related Financial Disclosures. (2023b). Guidance on engagement with Indigenous Peoples, Local Communities and affected stakeholders (Version 1.0). https://tnfd.global/publication/guidance-on-engagement-with-indigenous-peoples-local-communities-and-affected-stakeholders/

    Vera, M. L., Torres, W. R., Galli, C. I., Chagnes, A., & Flexer, V. (2023). Environmental impact of direct lithium extraction from brines. Nature Reviews Earth & Environment, 4, 149–165. https://doi.org/10.1038/s43017-022-00387-5

    World Economic Forum. (2025). Nature positive: Role of the technology sector. World Economic Forum. https://www.weforum.org/publications/nature-positive-role-of-the-technology-sector/

  • Infraestrutura Robótica para a América Latina: Autonomia Tecnológica e Competitividade Global na Economia Digital do Século XXI

    A América Latina precisa desenvolver sua própria infraestrutura robótica — interoperável, sensível aos contextos territoriais e estrategicamente orientada — se pretende participar com maior autonomia da nova economia industrial global. A robótica não deve mais ser compreendida apenas como a aquisição de braços industriais, drones ou sistemas automatizados isolados. Pelo contrário, deve ser concebida como uma infraestrutura tecnológica complexa, que integra robôs físicos, automação baseada em software, inteligência artificial, sensores, conectividade, dados, cibersegurança, talento humano, laboratórios, normas e capacidades produtivas locais.

    Essa discussão torna-se cada vez mais urgente. Em escala mundial, a implantação da robótica avança em ritmos muito diferentes entre as regiões, aprofundando desigualdades já existentes em produtividade, inovação e competitividade industrial. Segundo a Federação Internacional de Robótica, a China concentrou 54% das instalações globais de robôs industriais em 2024, com quase 295 mil unidades instaladas naquele ano, consolidando sua posição como o maior mercado robótico do mundo. Essa tendência confirma que a robótica deixou de ser um ativo tecnológico periférico e se tornou uma infraestrutura crítica para competir na economia industrial contemporânea.

    A robótica como infraestrutura estratégica

    Durante décadas, a robótica foi associada principalmente à manufatura avançada e à automação industrial. Hoje, no entanto, essa interpretação tornou-se limitada. A robótica converteu-se em uma infraestrutura transversal, com aplicações na produção, logística, saúde, agricultura, mineração, energia, educação, inspeção de obras, gestão urbana e serviços.

    Falar em infraestrutura robótica implica reconhecer várias camadas interconectadas. A primeira é uma camada física, composta por robôs industriais, robôs colaborativos, drones, veículos autônomos, robôs móveis, sensores, atuadores, laboratórios, estações de recarga e ambientes operacionais. A segunda é uma camada digital, que inclui softwares robóticos, plataformas de controle, gêmeos digitais, sistemas de simulação, inteligência artificial, Internet Industrial das Coisas, APIs, computação em nuvem e edge computing. A terceira é uma camada de dados, orientada à captura, armazenamento, análise, rastreabilidade, treinamento de modelos, monitoramento preditivo e governança de dados. Por fim, há uma camada organizacional, que envolve talento humano, normas, regulamentações, cibersegurança, modelos de manutenção, ética tecnológica e estratégias de adoção empresarial.

    Nessa perspectiva, uma política de robótica para a América Latina não pode se limitar à compra de equipamentos. Ela deve construir uma arquitetura de capacidades capaz de articular indústria, universidades, setor público, empreendedorismo, pesquisa aplicada e formação de talentos.

    O desafio geoeconômico: a China escala, os Estados Unidos inovam e a América Latina adota lentamente

    O panorama internacional revela uma lacuna profunda. A China transformou a robótica em uma política industrial de grande escala. Sua liderança não se explica apenas pelo tamanho de sua economia, mas pela articulação coordenada entre capacidade manufatureira, mecanismos de financiamento, fornecedores locais, desenvolvimento tecnológico, automação produtiva e estratégia industrial. De acordo com a Federação Internacional de Robótica, a China não foi apenas o maior mercado mundial de robôs industriais em 2024; também superou dois milhões de robôs industriais em operação, constituindo o maior estoque operacional do mundo.

    Os Estados Unidos, por sua vez, mantêm fortalezas significativas em pesquisa, inteligência artificial, software, startups, laboratórios universitários e robótica avançada. No entanto, mesmo nos Estados Unidos, cresce o reconhecimento da necessidade de uma estratégia nacional mais coordenada. Em 2025, a Association for Advancing Automation propôs uma visão para uma estratégia nacional de robótica, voltada ao fortalecimento da coordenação interinstitucional, da liderança tecnológica, da segurança econômica e da inovação robótica.

    A América Latina ocupa uma posição distinta. A região tem avançado em automação industrial, drones, robótica educacional, aplicações em saúde, logística, mineração, agricultura de precisão e automação de processos. Contudo, ainda não dispõe de uma infraestrutura robótica regional suficientemente articulada. O Banco Interamericano de Desenvolvimento destacou que a robótica está transformando setores como manufatura, logística, agricultura e serviços, ao mesmo tempo em que evidencia a crescente relevância dos robôs colaborativos, drones e sistemas humanoides nos ambientes produtivos contemporâneos.

    Em outras palavras, a lacuna latino-americana não é apenas uma lacuna em robótica. Trata-se também de uma lacuna em produtividade, investimento, talento, conectividade, sofisticação industrial, governança de dados, financiamento tecnológico e política pública.

    Autonomia tecnológica: além da dependência de plataformas importadas
    A autonomia tecnológica não deve ser entendida como isolamento tecnológico. Ela se refere, antes, à capacidade de decidir, adaptar, integrar, manter, auditar e desenvolver tecnologias de acordo com as necessidades específicas de cada território. No campo da robótica, a dependência pode surgir em vários níveis: hardware importado, software proprietário, dados hospedados fora da região, serviços externos de manutenção, modelos de inteligência artificial não treinados com dados locais e normas definidas por ecossistemas industriais estrangeiros.

    A América Latina pode e deve importar tecnologia. Entretanto, não pode limitar-se a ser uma consumidora passiva de plataformas externas. A região precisa fortalecer sua capacidade de desenhar soluções, adaptar robôs a ambientes locais, integrar sensores, desenvolver software, criar laboratórios, formar talentos especializados, gerar seus próprios dados e construir cadeias de valor associadas à robótica.

    Essa autonomia é especialmente importante em setores estratégicos como agroindústria, saúde, transição energética, infraestrutura viária, portos, biodiversidade, gestão da água, mineração responsável, manufatura, segurança do trabalho e cidades inteligentes. Como assinalou a CEPAL, os países da América Latina e do Caribe enfrentam desafios estruturais que limitam a adoção efetiva das tecnologias digitais. Torna-se, portanto, necessário fortalecer as condições habilitadoras para uma transformação digital inclusiva e sustentável.

    Competitividade global: sem robótica, não haverá salto produtivo
    A América Latina historicamente apresenta baixos níveis de produtividade em comparação com economias mais industrializadas. A robótica pode tornar-se uma alavanca essencial para reduzir parte dessa lacuna, mas apenas se estiver inserida em uma estratégia mais ampla de transformação produtiva.

    A infraestrutura robótica pode contribuir para automatizar tarefas repetitivas, perigosas ou de baixa precisão; melhorar a qualidade e a rastreabilidade; reduzir desperdícios; aumentar a produtividade; otimizar a logística; fortalecer a agricultura de precisão; melhorar a segurança do trabalho; e criar novas capacidades exportadoras. No entanto, esses benefícios não surgem automaticamente. Eles exigem investimento, formação, infraestrutura digital, conectividade, sistemas de dados e capacidades organizacionais.

    Por essa razão, a robótica não deve ser tratada como uma simples coleção de dispositivos isolados. Ela deve ser compreendida como uma dimensão avançada da transformação digital produtiva. Seu valor não depende apenas das máquinas em si, mas também dos ecossistemas que tornam possível sua adoção, adaptação e escalabilidade.

    A infraestrutura robótica deve incluir robôs físicos e robôs lógicos

    Um equívoco comum é associar a robótica exclusivamente às máquinas físicas. Na realidade, a infraestrutura robótica contemporânea também inclui robôs lógicos: sistemas de software capazes de automatizar processos digitais.

    Os robôs físicos atuam sobre o mundo material. Eles montam, transportam, inspecionam, limpam, assistem, medem e manipulam objetos. Os robôs lógicos, por outro lado, atuam sobre a informação. Eles validam dados, integram sistemas, processam solicitações, geram alertas, automatizam procedimentos, extraem informações, executam regras e apoiam a tomada de decisões.

    Para a América Latina, essa distinção é especialmente importante. Muitos setores podem iniciar sua transformação robótica por meio da automação de processos, robotic process automation, agentes de inteligência artificial, bots de integração e sistemas de análise operacional. Com o tempo, essa camada digital pode ser integrada a robôs físicos em hospitais, portos, fábricas, laboratórios, centros logísticos e territórios inteligentes.

    Essa compreensão ampliada da robótica permite que a região avance gradualmente da automação digital para formas mais complexas de integração ciberfísica.

    Setores prioritários para a América Latina
    Uma agenda latino-americana de infraestrutura robótica deve priorizar setores nos quais a região enfrenta necessidades críticas e, ao mesmo tempo, possui vantagens potenciais significativas.

    Na agroindústria e na segurança alimentar, a robótica pode apoiar o monitoramento de cultivos, a irrigação inteligente, a colheita assistida, a análise de solos, o uso de drones agrícolas e a rastreabilidade alimentar.

    Na saúde e nos serviços hospitalares, a robótica pode contribuir por meio de robôs de transporte interno, automação de farmácias, cirurgia assistida, gestão logística, automação administrativa, monitoramento remoto e processos de rastreabilidade.

    Na infraestrutura física, drones, robôs móveis e redes de sensores podem apoiar a inspeção de pontes, estradas, túneis, redes elétricas, aquedutos, barragens e edificações.

    Na manufatura e na logística, a robótica colaborativa pode aumentar a produtividade de pequenas e médias empresas industriais, centros de distribuição, portos, zonas francas e cadeias de valor orientadas à exportação.

    Na mineração, energia e transição ecológica, os robôs podem apoiar inspeções remotas, operações em ambientes perigosos, manutenção preditiva e monitoramento ambiental.

    Na educação e na pesquisa, universidades, institutos técnicos e escolas devem se tornar nós de formação, experimentação, pesquisa aplicada e transferência tecnológica.

    Esses setores mostram que a infraestrutura robótica não deve ser compreendida apenas como uma questão de modernização industrial. Ela também deve ser vista como uma política de desenvolvimento vinculada à transformação territorial, à produtividade, à sustentabilidade e à soberania tecnológica.

    Rumo a uma agenda regional
    A América Latina precisa passar de projetos isolados para uma estratégia sistêmica. Uma política regional de infraestrutura robótica deveria incluir ao menos oito eixos estratégicos: laboratórios nacionais e regionais de robótica aplicada; formação em larga escala de talentos técnicos, tecnológicos e profissionais; centros de teste para pequenas e médias empresas; políticas de dados industriais; compras públicas inovadoras; colaboração universidade-empresa-Estado; cibersegurança e soberania digital; e cooperação latino-americana.

    Uma agenda desse tipo é coerente com a necessidade de avançar em direção a uma transformação digital inclusiva, sustentável e orientada ao desenvolvimento produtivo. Também reconhece a robótica como uma tecnologia transversal, capaz de transformar simultaneamente múltiplos setores.

    O desafio não é simplesmente adotar mais robôs. O verdadeiro desafio consiste em construir as condições institucionais, tecnológicas, educacionais e produtivas que permitam à robótica tornar-se uma plataforma de desenvolvimento.

    Os riscos da inação
    Se a América Latina não desenvolver sua própria infraestrutura robótica, enfrentará diversos riscos: maior dependência tecnológica, perda de competitividade industrial, atraso nas cadeias globais de valor automatizadas, dificuldade para atrair investimentos avançados, persistência de baixa produtividade, criação limitada de empregos intensivos em tecnologia, vulnerabilidade diante de fornecedores externos e menor capacidade de escalar soluções locais para desafios territoriais.

    O maior risco não é simplesmente que os robôs substituam determinadas tarefas humanas. O risco mais profundo é que a América Latina seja excluída das cadeias de valor nas quais robótica, inteligência artificial, dados e automação já se tornaram condições básicas de competição global.

    Enquanto a China avança por meio de uma implantação industrial massiva e os Estados Unidos buscam consolidar sua liderança por meio de uma estratégia nacional de robótica, a América Latina deve formular seu próprio roteiro — um roteiro que responda às suas lacunas estruturais, capacidades existentes e setores estratégicos.

    Conclusão

    A infraestrutura robótica deve tornar-se uma prioridade estratégica para a América Latina. Não como uma moda tecnológica, mas como uma condição para construir autonomia, produtividade e competitividade global.

    A China avança com escala industrial. Os Estados Unidos continuam fortalecendo suas capacidades de fronteira em inovação, inteligência artificial e software. A América Latina ainda tem a oportunidade de construir seu próprio caminho, fundamentado em suas necessidades produtivas, sociais e territoriais.

    Esse caminho não deve limitar-se à importação de robôs. Deve incluir desenvolvimento de talentos, laboratórios aplicados, apoio às pequenas e médias empresas, desenvolvimento de software, geração de dados, proteção de infraestruturas críticas, colaboração entre universidades e empresas, bem como políticas públicas de longo prazo.

    A questão central já não é se a América Latina deve adotar a robótica. A verdadeira questão é se ela o fará como consumidora dependente ou como uma região capaz de construir suas próprias capacidades tecnológicas.

    Uma infraestrutura robótica latino-americana é, em última instância, uma infraestrutura para a autonomia. E, sem autonomia tecnológica, a competitividade global será cada vez mais difícil de sustentar.

    References

    Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

    Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

    Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

    International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

  • Infrastructure robotique pour l’Amérique latine : autonomie technologique et compétitivité mondiale dans l’économie numérique du XXIe siècle

    L’Amérique latine doit développer sa propre infrastructure robotique — interopérable, adaptée à ses contextes territoriaux et orientée stratégiquement — si elle souhaite participer avec une plus grande autonomie à la nouvelle économie industrielle mondiale. La robotique ne doit plus être comprise uniquement comme l’acquisition de bras industriels, de drones ou de systèmes automatisés isolés. Elle doit plutôt être conçue comme une infrastructure technologique complexe, réunissant des robots physiques, des systèmes d’automatisation logicielle, l’intelligence artificielle, des capteurs, la connectivité, les données, la cybersécurité, les talents humains, les laboratoires, les normes et les capacités productives locales.

    Cette discussion devient de plus en plus urgente. À l’échelle mondiale, le déploiement de la robotique progresse à des rythmes très différents selon les régions, accentuant les écarts existants en matière de productivité, d’innovation et de compétitivité industrielle. Selon la Fédération internationale de robotique, la Chine a représenté 54 % des installations mondiales de robots industriels en 2024, avec près de 295 000 robots industriels installés cette année-là, consolidant ainsi sa position de plus grand marché robotique au monde. Cette tendance confirme que la robotique n’est plus un actif technologique périphérique, mais une infrastructure critique pour rivaliser dans l’économie industrielle contemporaine.

    1. La robotique comme infrastructure stratégique
    Pendant plusieurs décennies, la robotique a été principalement associée à la fabrication avancée et à l’automatisation industrielle. Aujourd’hui, cette interprétation est devenue trop étroite. La robotique s’est transformée en une infrastructure transversale, avec des applications dans la production, la logistique, la santé, l’agriculture, l’exploitation minière, l’énergie, l’éducation, l’inspection des infrastructures, la gestion urbaine et les services.

    Parler d’infrastructure robotique implique de reconnaître plusieurs couches interconnectées. La première est une couche physique, composée de robots industriels, de robots collaboratifs, de drones, de véhicules autonomes, de robots mobiles, de capteurs, d’actionneurs, de laboratoires, de stations de recharge et d’environnements opérationnels. La deuxième est une couche numérique, qui comprend les logiciels robotiques, les plateformes de contrôle, les jumeaux numériques, les systèmes de simulation, l’intelligence artificielle, l’Internet industriel des objets, les API, l’informatique en nuage et l’edge computing. La troisième est une couche de données, centrée sur la capture, le stockage, l’analyse, la traçabilité, l’entraînement de modèles, la surveillance prédictive et la gouvernance des données. Enfin, il existe une couche organisationnelle, qui comprend les talents humains, les normes, les réglementations, la cybersécurité, les modèles de maintenance, l’éthique technologique et les stratégies d’adoption par les entreprises.

    Dans cette perspective, une politique robotique pour l’Amérique latine ne peut pas se réduire à l’achat d’équipements. Elle doit plutôt construire une architecture de capacités capable de relier l’industrie, les universités, le secteur public, l’entrepreneuriat, la recherche appliquée et la formation des talents.

    2. Le défi géoéconomique : la Chine se développe à grande échelle, les États-Unis innovent, l’Amérique latine adopte lentement

    Le paysage international révèle un écart profond. La Chine a transformé la robotique en une politique industrielle de grande ampleur. Son leadership ne s’explique pas seulement par la taille de son économie, mais aussi par l’articulation coordonnée de sa capacité manufacturière, de ses mécanismes de financement, de ses fournisseurs locaux, de son développement technologique, de son automatisation productive et de sa stratégie industrielle. Selon la Fédération internationale de robotique, la Chine n’a pas seulement été le plus grand marché mondial des robots industriels en 2024 ; elle a également dépassé les deux millions de robots industriels en fonctionnement, constituant ainsi le plus grand parc opérationnel au monde.

    Les États-Unis, pour leur part, conservent des forces importantes dans la recherche, l’intelligence artificielle, les logiciels, les startups, les laboratoires universitaires et la robotique avancée. Toutefois, même aux États-Unis, la nécessité d’une stratégie nationale plus coordonnée est de plus en plus reconnue. En 2025, l’Association for Advancing Automation a proposé une vision pour une stratégie nationale de robotique, visant à renforcer la coordination interinstitutionnelle, le leadership technologique, la sécurité économique et l’innovation robotique.

    L’Amérique latine occupe une position différente. La région a réalisé des progrès dans l’automatisation industrielle, les drones, la robotique éducative, les applications en santé, la logistique, l’exploitation minière, l’agriculture de précision et l’automatisation des processus. Cependant, elle ne dispose pas encore d’une infrastructure robotique régionale suffisamment articulée. La Banque interaméricaine de développement a souligné que la robotique transforme des secteurs tels que la fabrication, la logistique, l’agriculture et les services, tout en mettant en évidence l’importance croissante des robots collaboratifs, des drones et des systèmes humanoïdes dans les environnements productifs contemporains.

    En d’autres termes, le retard de l’Amérique latine n’est pas seulement un retard en matière de robotique. Il s’agit également d’un écart en matière de productivité, d’investissement, de talents, de connectivité, de sophistication industrielle, de gouvernance des données, de financement technologique et de politique publique.

    3. Autonomie technologique : au-delà de la dépendance aux plateformes importées

    L’autonomie technologique ne doit pas être comprise comme un isolement technologique. Elle renvoie plutôt à la capacité de décider, d’adapter, d’intégrer, de maintenir, d’auditer et de développer des technologies en fonction des besoins spécifiques de chaque territoire. Dans le domaine de la robotique, la dépendance peut apparaître à plusieurs niveaux : matériel importé, logiciels propriétaires, données hébergées hors de la région, services de maintenance externes, modèles d’intelligence artificielle non entraînés sur des données locales et normes définies par des écosystèmes industriels étrangers.

    L’Amérique latine peut et doit importer des technologies. Toutefois, elle ne peut pas se limiter à être une consommatrice passive de plateformes externes. La région doit renforcer sa capacité à concevoir des solutions, adapter les robots aux environnements locaux, intégrer des capteurs, développer des logiciels, créer des laboratoires, former des talents spécialisés, générer ses propres données et construire des chaînes de valeur associées à la robotique.

    Cette autonomie est particulièrement importante dans des secteurs stratégiques tels que l’agro-industrie, la santé, la transition énergétique, les infrastructures routières, les ports, la biodiversité, la gestion de l’eau, l’exploitation minière responsable, la fabrication, la sécurité au travail et les villes intelligentes. Comme l’a indiqué la CEPALC, les pays d’Amérique latine et des Caraïbes font face à des défis structurels qui limitent l’adoption effective des technologies numériques. Il devient donc nécessaire de renforcer les conditions permettant une transformation numérique inclusive et durable.

    4. Compétitivité mondiale : sans robotique, il n’y aura pas de saut productif


    L’Amérique latine a historiquement présenté de faibles niveaux de productivité par rapport aux économies plus industrialisées. La robotique pourrait devenir un levier essentiel pour réduire une partie de cet écart, mais seulement si elle est intégrée à une stratégie plus large de transformation productive.

    L’infrastructure robotique peut contribuer à automatiser les tâches répétitives, dangereuses ou de faible précision ; améliorer la qualité et la traçabilité ; réduire les déchets ; augmenter la productivité ; optimiser la logistique ; renforcer l’agriculture de précision ; améliorer la sécurité au travail ; et créer de nouvelles capacités d’exportation. Cependant, ces bénéfices n’émergent pas automatiquement. Ils exigent des investissements, de la formation, une infrastructure numérique, de la connectivité, des systèmes de données et des capacités organisationnelles.

    Pour cette raison, la robotique ne doit pas être considérée comme une simple collection de dispositifs isolés. Elle doit être comprise comme une dimension avancée de la transformation numérique productive. Sa valeur ne dépend pas seulement des machines elles-mêmes, mais aussi des écosystèmes qui rendent possibles leur adoption, leur adaptation et leur montée en échelle.

    5. L’infrastructure robotique doit inclure à la fois des robots physiques et des robots logiques
    Une idée reçue consiste à associer la robotique exclusivement aux machines physiques. Or, l’infrastructure robotique contemporaine inclut également des robots logiques : des systèmes logiciels capables d’automatiser des processus numériques.

    Les robots physiques agissent sur le monde matériel. Ils assemblent, transportent, inspectent, nettoient, assistent, mesurent et manipulent des objets. Les robots logiques, en revanche, agissent sur l’information. Ils valident des données, intègrent des systèmes, traitent des demandes, génèrent des alertes, automatisent des procédures, extraient de l’information, exécutent des règles et soutiennent la prise de décision.

    Pour l’Amérique latine, cette distinction est particulièrement importante. De nombreux secteurs peuvent commencer leur transformation robotique par l’automatisation des processus, la robotic process automation, les agents d’intelligence artificielle, les bots d’intégration et les systèmes d’analytique opérationnelle. Avec le temps, cette couche numérique peut être intégrée à des robots physiques dans les hôpitaux, les ports, les usines, les laboratoires, les centres logistiques et les territoires intelligents.

    Cette compréhension élargie de la robotique permet à la région de progresser graduellement de l’automatisation numérique vers des formes plus complexes d’intégration cyberphysique.

    6. Secteurs prioritaires pour l’Amérique latine
    Un agenda latino-américain pour l’infrastructure robotique devrait donner la priorité aux secteurs dans lesquels la région fait face à des besoins critiques tout en possédant des avantages potentiels significatifs.

    Dans l’agro-industrie et la sécurité alimentaire, la robotique peut soutenir le suivi des cultures, l’irrigation intelligente, la récolte assistée, l’analyse des sols, les drones agricoles et la traçabilité alimentaire.

    Dans la santé et les services hospitaliers, la robotique peut contribuer au moyen de robots de transport interne, de l’automatisation des pharmacies, de la chirurgie assistée, de la gestion logistique, de l’automatisation administrative, du suivi à distance et des processus de traçabilité.

    Dans les infrastructures physiques, les drones, les robots mobiles et les réseaux de capteurs peuvent appuyer l’inspection des ponts, des routes, des tunnels, des réseaux électriques, des aqueducs, des barrages et des bâtiments.

    Dans la fabrication et la logistique, la robotique collaborative peut accroître la productivité des PME industrielles, des centres de distribution, des ports, des zones franches et des chaînes de valeur orientées vers l’exportation.

    Dans l’exploitation minière, l’énergie et la transition écologique, les robots peuvent soutenir l’inspection à distance, les opérations dans des environnements dangereux, la maintenance prédictive et la surveillance environnementale.

    Dans l’éducation et la recherche, les universités, les instituts techniques et les écoles devraient devenir des nœuds de formation, d’expérimentation, de recherche appliquée et de transfert technologique.

    Ces secteurs montrent que l’infrastructure robotique ne doit pas être comprise uniquement comme une question de modernisation industrielle. Elle doit également être considérée comme une politique de développement liée à la transformation territoriale, à la productivité, à la durabilité et à la souveraineté technologique.

    7. Vers un agenda régional
    L’Amérique latine doit passer de projets isolés à une stratégie systémique. Une politique régionale d’infrastructure robotique devrait inclure au moins huit axes stratégiques : laboratoires nationaux et régionaux de robotique appliquée ; formation à grande échelle des talents techniques, technologiques et professionnels ; centres d’essai pour les PME ; politiques de données industrielles ; achats publics innovants ; collaboration université-entreprise-État ; cybersécurité et souveraineté numérique ; et coopération latino-américaine.

    Un tel agenda est cohérent avec la nécessité d’avancer vers une transformation numérique inclusive, durable et orientée vers le développement productif. Il reconnaît également la robotique comme une technologie transversale capable de transformer simultanément de multiples secteurs.

    Le défi n’est pas simplement d’adopter davantage de robots. Le véritable défi consiste à construire les conditions institutionnelles, technologiques, éducatives et productives permettant à la robotique de devenir une plateforme de développement.

    8. Les risques de l’inaction
    Si l’Amérique latine ne développe pas sa propre infrastructure robotique, elle fera face à plusieurs risques : dépendance technologique accrue, perte de compétitivité industrielle, retard dans les chaînes de valeur mondiales automatisées, difficulté à attirer des investissements avancés, faible productivité persistante, création limitée d’emplois à forte intensité technologique, vulnérabilité face aux fournisseurs externes et capacité réduite à mettre à l’échelle des solutions locales pour les défis territoriaux.

    Le plus grand risque n’est pas simplement que les robots remplacent certaines tâches humaines. Le risque le plus important est que l’Amérique latine soit exclue des chaînes de valeur dans lesquelles la robotique, l’intelligence artificielle, les données et l’automatisation sont déjà devenues des conditions fondamentales de la concurrence mondiale.

    Alors que la Chine progresse grâce à un déploiement industriel massif et que les États-Unis cherchent à consolider leur leadership à travers une stratégie nationale de robotique, l’Amérique latine doit formuler sa propre feuille de route — une feuille de route qui réponde à ses écarts structurels, à ses capacités existantes et à ses secteurs stratégiques.

    Conclusion

    L’infrastructure robotique doit devenir une priorité stratégique pour l’Amérique latine. Non pas comme une mode technologique, mais comme une condition pour construire l’autonomie, la productivité et la compétitivité mondiale.

    La Chine avance grâce à son échelle industrielle. Les États-Unis continuent de renforcer leurs capacités de pointe en innovation, intelligence artificielle et logiciels. L’Amérique latine a encore l’occasion de construire sa propre voie, fondée sur ses besoins productifs, sociaux et territoriaux.

    Cette voie ne doit pas se limiter à l’importation de robots. Elle doit inclure le développement des talents, les laboratoires appliqués, le soutien aux PME, le développement logiciel, la génération de données, la protection des infrastructures critiques, la collaboration entre universités et entreprises, ainsi que des politiques publiques de long terme.

    La question centrale n’est plus de savoir si l’Amérique latine doit adopter la robotique. La véritable question est de savoir si elle le fera en tant que consommatrice dépendante ou comme une région capable de construire ses propres capacités technologiques.

    Une infrastructure robotique latino-américaine est, en définitive, une infrastructure pour l’autonomie. Et sans autonomie technologique, la compétitivité mondiale sera de plus en plus difficile à soutenir.

    References

    Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

    Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

    Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

    International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

  • Robotic Infrastructure for Latin America: Technological Autonomy and Global Competitiveness in the Digital Economy of the 21st Century

    Latin America needs to develop its own robotic infrastructure—interoperable, context-sensitive, and strategically oriented—if it aims to participate with greater autonomy in the emerging global industrial economy. Robotics should no longer be understood merely as the acquisition of industrial arms, drones, or isolated automated systems. Rather, it should be conceived as a complex technological infrastructure that brings together physical robots, software-based automation, artificial intelligence, sensors, connectivity, data systems, cybersecurity, human talent, laboratories, standards, and local productive capabilities.

    This discussion is increasingly urgent. Around the world, the deployment of robotics is advancing at very different speeds across regions, deepening existing gaps in productivity, innovation, and industrial competitiveness. According to the International Federation of Robotics, China accounted for 54% of global industrial robot installations in 2024, with nearly 295,000 industrial robots installed that year, consolidating its position as the world’s largest robotics market. This trend confirms that robotics is no longer a peripheral technological asset. It has become a critical infrastructure for competing in the contemporary industrial economy.

    1. Robotics as Strategic Infrastructure

    For decades, robotics was mainly associated with advanced manufacturing and industrial automation. Today, however, that interpretation is too narrow. Robotics has become a cross-cutting infrastructure with applications in production, logistics, healthcare, agriculture, mining, energy, education, construction inspection, urban management, and services.

    To speak of robotic infrastructure is to recognize several interconnected layers. The first is a physical layer, composed of industrial robots, collaborative robots, drones, autonomous vehicles, mobile robots, sensors, actuators, laboratories, charging stations, and operational environments. The second is a digital layer, which includes robotic software, control platforms, digital twins, simulation systems, artificial intelligence, industrial Internet of Things architectures, APIs, cloud computing, and edge computing. The third is a data layer, focused on data capture, storage, analytics, traceability, model training, predictive monitoring, and data governance. Finally, there is an organizational layer that involves human talent, standards, regulations, cybersecurity, maintenance models, technological ethics, and business adoption strategies.

    From this perspective, a robotics policy for Latin America cannot be reduced to the purchase of equipment. It must instead build an architecture of capabilities capable of connecting industry, universities, the public sector, entrepreneurship, applied research, and talent development.

    2. The Geoeconomic Challenge: China Scales, the United States Innovates, and Latin America Adopts Slowly

    The international landscape reveals a profound gap. China has transformed robotics into a large-scale industrial policy. Its leadership cannot be explained solely by the size of its economy, but by the coordinated articulation of manufacturing capacity, financing mechanisms, local suppliers, technological development, productive automation, and industrial strategy. According to the International Federation of Robotics, China was not only the world’s largest market for industrial robots in 2024; it also surpassed two million industrial robots in operation, the largest operational stock globally.

    The United States, for its part, maintains significant strengths in research, artificial intelligence, software, startups, university laboratories, and advanced robotics. Nevertheless, even in the United States, there is growing recognition of the need for a more coordinated national strategy. In 2025, the Association for Advancing Automation proposed a vision for a national robotics strategy aimed at strengthening interinstitutional coordination, technological leadership, economic security, and robotic innovation.

    Latin America occupies a different position. The region has made progress in industrial automation, drones, educational robotics, healthcare applications, logistics, mining, precision agriculture, and process automation. However, it still lacks a sufficiently articulated regional robotic infrastructure. The Inter-American Development Bank has emphasized that robotics is transforming sectors such as manufacturing, logistics, agriculture, and services, while also highlighting the growing relevance of collaborative robots, drones, and humanoid systems in contemporary productive environments.

    In other words, Latin America’s gap is not only a robotics gap. It is also a gap in productivity, investment, talent, connectivity, industrial sophistication, data governance, technological financing, and public policy.

    3. Technological Autonomy: Beyond Dependence on Imported Platforms

    Technological autonomy should not be understood as technological isolation. Rather, it refers to the capacity to decide, adapt, integrate, maintain, audit, and develop technologies according to the specific needs of each territory. In the field of robotics, dependence may arise at multiple levels: imported hardware, proprietary software, data hosted outside the region, external maintenance services, artificial intelligence models not trained on local data, and standards defined by foreign industrial ecosystems.

    Latin America can and should import technology. However, it cannot limit itself to being a passive consumer of external platforms. The region needs to strengthen its capacity to design solutions, adapt robots to local environments, integrate sensors, develop software, create laboratories, train specialized talent, generate its own data, and build value chains associated with robotics.

    This autonomy is particularly important in strategic sectors such as agroindustry, healthcare, energy transition, road infrastructure, ports, biodiversity, water management, responsible mining, manufacturing, occupational safety, and smart cities. As ECLAC has noted, Latin American and Caribbean countries face structural challenges that limit the effective adoption of digital technologies. This makes it necessary to strengthen the enabling conditions for an inclusive and sustainable digital transformation.

    4. Global Competitiveness: Without Robotics, There Will Be No Productive Leap

    Latin America has historically faced low productivity levels compared to more industrialized economies. Robotics could become a key lever for closing part of that gap, but only if it is embedded within a broader strategy for productive transformation.

    Robotic infrastructure can contribute to automating repetitive, dangerous, or low-precision tasks; improving quality and traceability; reducing waste; increasing productivity; optimizing logistics; strengthening precision agriculture; improving occupational safety; and creating new export capabilities. However, these benefits do not emerge automatically. They require investment, training, digital infrastructure, connectivity, data systems, and organizational capabilities.

    For this reason, robotics should not be treated as a collection of isolated devices. It should be understood as an advanced dimension of productive digital transformation. Its value depends not only on the machines themselves, but also on the ecosystems that make their adoption, adaptation, and scaling possible.

    5. Robotic Infrastructure Must Include Both Physical and Logical Robots

    A common misconception is to associate robotics exclusively with physical machines. Contemporary robotic infrastructure also includes logical robots: software systems capable of automating digital processes.

    Physical robots act upon the material world. They assemble, transport, inspect, clean, assist, measure, and manipulate objects. Logical robots, by contrast, act upon information. They validate data, integrate systems, process requests, generate alerts, automate procedures, extract information, execute rules, and support decision-making.

    For Latin America, this distinction is especially important. Many sectors can begin their robotic transformation through process automation, robotic process automation, artificial intelligence agents, integration bots, and operational analytics systems. Over time, this digital layer can be integrated with physical robots in hospitals, ports, factories, laboratories, logistics centers, and smart territories.

    This broader understanding of robotics allows the region to move progressively from digital automation toward more complex forms of cyber-physical integration.

    6. Priority Sectors for Latin America

    A Latin American agenda for robotic infrastructure should prioritize sectors where the region faces critical needs and also possesses significant potential advantages.

    In agroindustry and food security, robotics can support crop monitoring, smart irrigation, assisted harvesting, soil analysis, agricultural drones, and food traceability.

    In healthcare and hospital services, robotics can contribute through internal transport robots, pharmacy automation, assisted surgery, logistics management, administrative automation, remote monitoring, and traceability processes.

    In physical infrastructure, drones, mobile robots, and sensor networks can support the inspection of bridges, roads, tunnels, power grids, aqueducts, dams, and buildings.

    In manufacturing and logistics, collaborative robotics can increase productivity in industrial SMEs, distribution centers, ports, free trade zones, and export-oriented value chains.

    In mining, energy, and ecological transition, robots can support remote inspection, operations in hazardous environments, predictive maintenance, and environmental monitoring.

    In education and research, universities, technical institutes, and schools should become nodes for training, experimentation, applied research, and technology transfer.

    These sectors show that robotic infrastructure should not be understood only as a matter of industrial modernization. It should also be seen as a development policy linked to territorial transformation, productivity, sustainability, and technological sovereignty.

    7. Toward a Regional Agenda

    Latin America needs to move from isolated projects to a systemic strategy. A regional policy for robotic infrastructure should include at least eight strategic lines of action: national and regional laboratories for applied robotics; large-scale training of technical, technological, and professional talent; testing centers for SMEs; industrial data policies; innovative public procurement; university-business-government collaboration; cybersecurity and digital sovereignty; and Latin American cooperation.

    Such an agenda is consistent with the need to advance toward an inclusive, sustainable, and productive digital transformation. It also recognizes robotics as a cross-cutting technology with the potential to transform multiple sectors simultaneously.

    The challenge is not simply to adopt more robots. The real challenge is to build the institutional, technological, educational, and productive conditions that allow robotics to become a platform for development.

    8. The Risks of Inaction

    If Latin America does not develop its own robotic infrastructure, it will face several risks: deeper technological dependence, loss of industrial competitiveness, lagging participation in automated global value chains, difficulty attracting advanced investment, persistent low productivity, limited creation of technology-intensive jobs, vulnerability to external providers, and reduced capacity to scale local solutions for territorial challenges.

    The greatest risk is not simply that robots may replace certain human tasks. The greater risk is that Latin America may be excluded from value chains in which robotics, artificial intelligence, data, and automation have already become basic conditions for global competition.

    While China advances through massive industrial deployment and the United States seeks to consolidate its leadership through a national robotics strategy, Latin America must formulate its own roadmap—one that responds to its structural gaps, existing capabilities, and strategic sectors.

    Conclusion

    Robotic infrastructure must become a strategic priority for Latin America. Not as a technological fashion, but as a condition for building autonomy, productivity, and global competitiveness.

    China is advancing through industrial scale. The United States continues to strengthen its frontier capabilities in innovation, artificial intelligence, and software. Latin America still has the opportunity to build its own path, grounded in its productive, social, and territorial needs.

    That path should not be limited to importing robots. It must include talent development, applied laboratories, support for SMEs, software development, data generation, protection of critical infrastructure, university-industry collaboration, and long-term public policy.

    The central question is no longer whether Latin America should adopt robotics. The real question is whether it will do so as a dependent consumer or as a region capable of building its own technological capabilities.

    A Latin American robotic infrastructure is, ultimately, an infrastructure for autonomy. And without technological autonomy, global competitiveness will become increasingly difficult to sustain.

    References

    Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

    Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

    Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

    International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

  • Infraestructura robótica para América Latina. Autonomía tecnológica y competitividad global en la nueva economía digital del siglo XXI

    América Latina necesita construir una infraestructura robótica propia, interoperable y estratégicamente orientada si quiere participar con autonomía en la nueva economía industrial global. La robótica ya no debe entenderse únicamente como la adquisición de brazos industriales, drones o sistemas automatizados aislados, sino como una infraestructura compuesta por robots físicos, robots lógicos, inteligencia artificial, sensores, conectividad, datos, ciberseguridad, talento humano, laboratorios, estándares y capacidades productivas locales.

    Esta discusión es urgente porque el despliegue global de la robótica avanza con una velocidad desigual entre regiones. De acuerdo con la International Federation of Robotics, China concentró el 54% de las instalaciones mundiales de robots industriales en 2024, con cerca de 295.000 robots industriales instalados, consolidándose como el mayor mercado robótico del mundo (International Federation of Robotics [IFR], 2025). Esta tendencia muestra que la robótica ya no es un complemento tecnológico, sino una infraestructura crítica para competir en la economía industrial contemporánea.

    1. La robótica como infraestructura estratégica

    Durante mucho tiempo, la robótica fue vista como una tecnología sectorial asociada principalmente a la manufactura avanzada. Sin embargo, esa lectura hoy resulta insuficiente. La robótica se ha convertido en una infraestructura transversal para la producción, la logística, la salud, la agricultura, la minería, la energía, la educación, la inspección de obras, la gestión urbana y los servicios.

    Hablar de infraestructura robótica implica reconocer varios niveles. En primer lugar, una infraestructura física compuesta por robots industriales, cobots, drones, robots móviles, vehículos autónomos, sensores, actuadores, laboratorios, estaciones de carga y espacios de operación. En segundo lugar, una infraestructura digital integrada por plataformas de control, software robótico, gemelos digitales, sistemas de simulación, inteligencia artificial, internet industrial de las cosas, APIs, nube y edge computing. En tercer lugar, una infraestructura de datos orientada a la captura, almacenamiento, analítica, trazabilidad, entrenamiento de modelos, monitoreo predictivo y gobierno de datos. Finalmente, una infraestructura organizacional que incluye talento humano, normas, estándares, procesos, ciberseguridad, mantenimiento, ética tecnológica y modelos de adopción empresarial.

    Desde esta perspectiva, una política de robótica para América Latina no puede limitarse a promover la compra de equipos. Debe construir una arquitectura de capacidades que conecte industria, universidad, Estado, emprendimiento, investigación aplicada y formación de talento.

    2. El desafío geoeconómico: China escala, Estados Unidos innova, América Latina adopta lentamente

    La comparación internacional evidencia una brecha profunda. China ha convertido la robótica en una política industrial de escala. Su liderazgo no se explica solamente por el tamaño de su economía, sino por la articulación entre manufactura, financiamiento, proveedores locales, capacidades tecnológicas, automatización productiva y política industrial. Según la IFR, China no solo fue el mayor mercado mundial de robots industriales en 2024, sino que además superó los 2 millones de robots industriales en operación, el mayor stock operativo del mundo (IFR, 2025).

    Estados Unidos mantiene una fortaleza considerable en investigación, inteligencia artificial, software, startups, laboratorios universitarios y robótica avanzada. No obstante, incluso allí se reconoce la necesidad de una estrategia nacional más coordinada. La Association for Advancing Automation propuso en 2025 una visión para una estrategia nacional de robótica de Estados Unidos, orientada a fortalecer la coordinación interinstitucional, el liderazgo tecnológico, la seguridad económica y la innovación robótica (Association for Advancing Automation [A3], 2025).

    América Latina se encuentra en una posición diferente. La región tiene avances en automatización industrial, drones, robótica educativa, automatización de procesos, salud, logística, minería y agricultura de precisión, pero todavía no cuenta con una infraestructura robótica regional suficientemente articulada. El Banco Interamericano de Desarrollo plantea que la robótica está transformando industrias como manufactura, logística, agricultura y servicios, y destaca el papel creciente de los robots colaborativos, los drones y los robots humanoides en los entornos productivos contemporáneos (Banco Interamericano de Desarrollo [BID], 2025).

    Es dicer que la brecha latinoamericana no es únicamente una brecha de robots. Es una brecha de productividad, inversión, talento, conectividad, sofisticación industrial, datos, financiamiento tecnológico y política pública.

    3. Autonomía tecnológica: no depender solo de plataformas importadas

    La autonomía tecnológica no debe entenderse como aislamiento. Significa capacidad de decidir, adaptar, integrar, mantener, auditar y desarrollar tecnología de acuerdo con las necesidades propias del territorio. En robótica, la dependencia puede aparecer en distintos niveles: hardware importado, software propietario, datos alojados fuera de la región, mantenimiento externo, modelos de inteligencia artificial no entrenados con datos locales y estándares definidos por ecosistemas industriales ajenos.

    América Latina puede y debe importar tecnología, pero no puede limitarse a ser usuaria pasiva. La región necesita capacidades para diseñar soluciones, adaptar robots a contextos locales, integrar sensores, desarrollar software, crear laboratorios, formar talento, generar datos propios y construir cadenas de valor asociadas a la robótica.

    Esta autonomía es especialmente importante en sectores estratégicos como agroindustria, salud, transición energética, infraestructura vial, puertos, biodiversidad, agua, minería responsable, manufactura, seguridad laboral y ciudades inteligentes. Como advierte la CEPAL, los países de América Latina y el Caribe enfrentan desafíos estructurales que limitan la adopción efectiva de tecnologías digitales, lo cual obliga a fortalecer condiciones habilitantes para una transformación digital inclusiva y sostenible (Comisión Económica para América Latina y el Caribe [CEPAL], 2022).

    4. Competitividad global: sin robótica no habrá salto productivo

    La productividad latinoamericana ha sido históricamente baja frente a economías más industrializadas. La robótica puede convertirse en una palanca para cerrar parte de esa brecha, pero solo si se inserta en una estrategia de transformación productiva.

    La infraestructura robótica puede contribuir a la automatización de tareas repetitivas, peligrosas o de baja precisión; mejorar la calidad y la trazabilidad; reducir desperdicios; aumentar la productividad; optimizar la logística; fortalecer la agricultura de precisión; mejorar la seguridad laboral; y crear nuevas capacidades exportadoras. Sin embargo, estos beneficios no ocurren de manera automática. Requieren inversión, formación, infraestructura digital, datos, conectividad y capacidades organizacionales.

    La CEPAL sostiene que la transformación digital de América Latina exige acciones coordinadas para superar brechas estructurales, fortalecer capacidades productivas y garantizar una adopción tecnológica inclusiva (CEPAL, 2022). En ese sentido, la robótica no debe tratarse como un conjunto de dispositivos aislados, sino como una dimensión avanzada de la transformación digital productiva.

    5. La infraestructura robótica debe incluir robots físicos y robots lógicos

    Un error frecuente es asociar robótica únicamente con máquinas físicas. En realidad, la infraestructura robótica contemporánea incluye también robots lógicos, es decir, sistemas de software que automatizan procesos digitales.

    Los robots físicos actúan sobre el mundo material: ensamblan, transportan, inspeccionan, limpian, asisten, miden o manipulan objetos. Los robots lógicos actúan sobre información: validan datos, integran sistemas, procesan solicitudes, generan alertas, automatizan trámites, extraen información, ejecutan reglas y apoyan decisiones.

    Para América Latina, esta distinción es fundamental. Muchos sectores pueden iniciar su transformación robótica mediante automatización de procesos, RPA, agentes de inteligencia artificial, bots de integración y sistemas de analítica operativa. Luego, esa capa digital puede integrarse con robots físicos en hospitales, puertos, fábricas, laboratorios, centros logísticos y territorios inteligentes.

    El BID señala que la robótica contemporánea no se limita a máquinas industriales tradicionales, sino que incluye robots colaborativos, drones, soluciones móviles, sistemas autónomos e integración con inteligencia artificial, lo que amplía sus campos de aplicación productiva y social (BID, 2025).

    6. Sectores prioritarios para América Latina

    Una agenda latinoamericana de infraestructura robótica debería priorizar sectores donde la región tiene necesidades críticas y ventajas potenciales.

    • En agroindustria y seguridad alimentaria, la robótica puede apoyar monitoreo de cultivos, riego inteligente, cosecha asistida, análisis de suelos, drones agrícolas y trazabilidad alimentaria.
    • En salud y servicios hospitalarios, puede contribuir mediante robots de transporte interno, automatización de farmacia, cirugía asistida, gestión logística, RPA administrativo, monitoreo remoto y apoyo a procesos de trazabilidad.
    • En infraestructura física, drones, robots móviles y sensores pueden apoyar inspección de puentes, vías, túneles, redes eléctricas, acueductos, represas y edificaciones.
    • En manufactura y logística, la robótica colaborativa puede elevar productividad en pymes industriales, centros de distribución, puertos, zonas francas y cadenas exportadoras.
    • En minería, energía y transición ecológica, los robots pueden apoyar inspección remota, operación en entornos peligrosos, mantenimiento predictivo y monitoreo ambiental.
    • En educación e investigación, las universidades, centros técnicos y colegios deben convertirse en nodos de formación, experimentación y transferencia tecnológica.

    Estos sectores muestran que la infraestructura robótica no debe pensarse solo como modernización industrial, sino como una política de desarrollo territorial, productividad, sostenibilidad y soberanía tecnológica.

    7. Propuesta de agenda regional

    América Latina requiere pasar de proyectos aislados a una estrategia sistémica. Una política de infraestructura robótica debería incluir al menos ocho líneas: laboratorios nacionales y regionales de robótica aplicada; formación masiva de talento técnico, tecnológico y profesional; centros de prueba para pymes; política de datos industriales; compras públicas innovadoras; integración universidad-empresa-Estado; ciberseguridad y soberanía digital; y cooperación latinoamericana.

    Esta agenda resulta coherente con el diagnóstico de la CEPAL sobre la necesidad de avanzar hacia una transformación digital inclusiva, sostenible y orientada al desarrollo productivo (CEPAL, 2022). También dialoga con la visión del BID sobre el crecimiento de la robótica como tecnología transversal para múltiples industrias (BID, 2025).

    8. Riesgos de no actuar

    Si América Latina no desarrolla infraestructura robótica, enfrentará varios riesgos: mayor dependencia tecnológica, pérdida de competitividad industrial, rezago frente a cadenas globales automatizadas, dificultad para atraer inversión avanzada, baja productividad persistente, escasa generación de empleos tecnológicos, vulnerabilidad frente a proveedores externos e incapacidad de escalar soluciones propias para problemas territoriales.

    El riesgo no es simplemente que los robots reemplacen tareas humanas. El riesgo mayor es que América Latina quede por fuera de las cadenas de valor donde la robótica, la inteligencia artificial, los datos y la automatización ya son condiciones básicas de competencia global.

    Mientras China avanza con despliegues industriales masivos y Estados Unidos busca consolidar su liderazgo mediante una estrategia nacional de robótica, América Latina necesita formular su propia hoja de ruta, adecuada a sus brechas, capacidades y sectores estratégicos (A3, 2025; BID, 2025; IFR, 2025).

    Conclusión

    La infraestructura robótica debe convertirse en una prioridad estratégica para América Latina. No como una moda tecnológica, sino como una condición para construir autonomía, productividad y competitividad global.

    China avanza con escala industrial. Estados Unidos sostiene capacidades de frontera en innovación, inteligencia artificial y software. América Latina todavía está a tiempo de construir un camino propio, basado en sus necesidades productivas, sociales y territoriales.

    Ese camino no debe limitarse a importar robots. Debe formar talento, crear laboratorios, fortalecer pymes, desarrollar software, generar datos, proteger infraestructuras críticas, articular universidades y empresas, y diseñar políticas públicas de largo plazo.

    La pregunta central ya no es si América Latina debe adoptar robótica. La pregunta es si lo hará como consumidora dependiente o como región capaz de construir capacidades propias.

    Una infraestructura robótica latinoamericana es, en última instancia, una infraestructura para la autonomía. Y sin autonomía tecnológica, la competitividad global será cada vez más difícil de sostener.

    Referencias

    Association for Advancing Automation. (2025). A3 releases vision for a U.S. National Robotics Strategy. A3.

    Banco Interamericano de Desarrollo. (2025). The robotics revolution: Technology, trends, and impact in 2024. BID.

    Comisión Económica para América Latina y el Caribe. (2022). A digital path for sustainable development in Latin America and the Caribbean. CEPAL.

    International Federation of Robotics. (2025). World Robotics 2025: Industrial robots. IFR.

  • Computação e Inteligência Artificial: Uma Nova Dimensão Transversal para Todas as Áreas do Conhecimento e Profissões no Século XXI

    Por muito tempo, a computação foi vista como um assunto reservado exclusivamente para engenheiros, programadores, matemáticos ou especialistas em sistemas. Em universidades e ambientes corporativos, falar de computação significava falar de laboratórios, códigos, servidores, bancos de dados ou softwares. No entanto, essa visão estreita já não é suficiente para explicar o mundo atual. No século XXI, a computação deixou de ser uma disciplina isolada para se transformar em uma infraestrutura transversal e fundamental da vida econômica, científica, educacional, social e cultural.

    Hoje, praticamente nenhuma profissão pode ser compreendida fora dos dados, dos algoritmos, das plataformas digitais, da automação e da inteligência artificial (IA).

    • A medicina analisa imagens de diagnóstico com modelos de aprendizagem profunda (deep learning).
    • O setor jurídico utiliza ferramentas avançadas de busca e análise documental.
    • A educação incorpora tutores inteligentes.
    • A agricultura baseia-se em sensores, drones e modelos preditivos.
    • A indústria trabalha com robótica, manutenção preditiva e gêmeos digitais (digital twins).
    • As ciências sociais processam grandes volumes de texto para mapear a opinião pública e o comportamento digital.
    • As artes exploram novas fronteiras de criação assistida por inteligência artificial.

    Essa rápida expansão confirma que a IA não opera simplesmente como uma tecnologia setorial, mas sim como uma tecnologia de propósito geral que transforma economias, organizações e práticas sociais inteiras (OCDE, 2019; Stanford HAI, 2025).

    Portanto, o grande debate não deveria mais se concentrar em saber se a IA pertence ou não estritamente à engenharia. A pergunta mais importante é outra: Como capacitar todos os profissionais para compreender, usar e direcionar criticamente a inteligência artificial em seus próprios campos de conhecimento?

    A Computação Não É Mais Apenas Programação

    Uma das mudanças de paradigma mais importantes das últimas décadas é que a computação deixou de ser entendida unicamente como a capacidade de programar. Embora escrever código continue sendo importante, a computação engloba muito mais: é uma forma de pensar, modelar, conceitualizar problemas, organizar informações, identificar padrões e projetar soluções.

    Jeannette Wing propôs o conceito de pensamento computacional para se referir a uma habilidade fundamental que não deveria ser exclusiva dos cientistas da computação. Para Wing (2006), pensar computacionalmente envolve formular problemas e suas soluções de modo que possam ser processados efetivamente por um agente de processamento de informações — seja uma máquina ou um ser humano seguindo procedimentos formais. Essa ideia é fundamental porque eleva a computação ao mesmo nível de outras competências gerais, como ler, escrever, argumentar ou raciocinar matematicamente.

    Sob essa perspectiva, um médico, advogado, administrador, biólogo, comunicador ou designer não precisa necessariamente se transformar em um engenheiro de software. No entanto, eles precisam entender como os dados são estruturados, como os processos são automatizados, como os modelos são treinados, o que significa uma previsão algorítmica e quais são os limites de uma resposta gerada por IA. Como apontam Lockwood e Mooney (2017), o pensamento computacional tornou-se uma competência educacional cada vez mais relevante, embora ainda existam lacunas significativas sobre como integrá-lo de forma ampla nos currículos acadêmicos.

    Em suma, a computação está se tornando a nova linguagem universal da vida profissional.

    A Inteligência Artificial como Tecnologia de Propósito Geral

    A inteligência artificial possui uma característica definidora que a diferencia da maioria das outras tecnologias: em vez de transformar um único setor, ela pode modificar quase todos os campos da atividade humana. Por isso, é frequentemente compreendida como uma tecnologia de propósito geral, semelhante ao impacto histórico da eletricidade, da máquina a vapor, do computador pessoal ou da internet.

    A OCDE destacou que a IA está reconfigurando ativamente economias e sociedades ao gerar novas capacidades de produtividade, eficiência, automação, análise de informações e tomada de decisões. Ao mesmo tempo, adverte que sua adoção generalizada apresenta desafios profundos relacionados aos valores humanos, equidade, privacidade, segurança e responsabilidade (OCDE, 2019). Essa dupla condição é fundamental: a IA não é uma ferramenta neutra projetada apenas para acelerar o que já fazíamos. É uma força transformadora que muda a maneira como tomamos decisões, investigamos, produzimos, ensinamos, diagnosticamos, desenhamos políticas públicas e interpretamos a realidade.

    Agrawal, Gans e Goldfarb (2018) propõem uma ideia muito poderosa: a inteligência artificial reduz drasticamente o custo da previsão. Isso significa que muitas decisões que antes dependiam unicamente da intuição e da experiência humana agora podem ser apoiadas por sistemas capazes de antecipar comportamentos, riscos, demandas, padrões ou cenários. A consequência é profunda: se a previsão se torna mais barata e mais acessível, inúmeras profissões precisarão redefinir suas estruturas de tomada de decisão.

    Na mesma linha, Iansiti e Lakhani (2020) sustentam que as organizações que competem na era da IA não apenas incorporam novos softwares; elas redesenham completamente seus modelos operacionais em torno de dados, algoritmos, plataformas e redes digitais. Portanto, o impacto da IA não se limita à eficiência técnica; ele transforma fundamentalmente a estratégia, a arquitetura organizacional e a geração de valor.

    Uma Competência Transversal para Todas as Profissões

    Falar da computação e da inteligência artificial como uma área transversal significa reconhecer que já não basta treinar especialistas isolados. Todas as profissões exigem agora uma base mínima de letramento algorítmico, pensamento computacional e compreensão crítica da IA.

    As aplicações já estão por toda parte:

    • Na saúde: a IA apoia diagnósticos, classifica imagens médicas, prevê riscos e personaliza tratamentos.
    • Na educação: ajuda a identificar dificuldades de aprendizagem, gera rotas personalizadas e apoia o trabalho docente.
    • Nas finanças: permite detectar fraudes, avaliar riscos e automatizar decisões de crédito.
    • Na indústria: melhora processos por meio de manutenção preditiva, visão computacional e robótica.
    • Na agricultura: facilita a gestão de cultivos, solos, clima e pragas.
    • No governo: pode apoiar o direcionamento de políticas públicas, o atendimento ao cidadão e a análise de dados territoriais.

    Mas em todos esses casos, surge a mesma pergunta crítica: Quem interpreta, valida e governa essas decisões automatizadas?

    Aqui está o ponto central. A IA não substitui a responsabilidade profissional; pelo contrário, torna as exigências de responsabilidade mais rigorosas. Um profissional do século XXI não deve apenas saber usar ferramentas inteligentes; deve também compreender suas consequências técnicas, éticas, sociais e organizacionais. Russell (2019) adverte que o avanço rápido da IA nos força a repensar o alinhamento entre os sistemas inteligentes e values humanos, especialmente quando esses sistemas participam de decisões que afetam diretamente vidas humanas.

    Do Letramento Digital ao Letramento Algorítmico

    Durante anos, falou-se em letramento digital (ou alfabetização digital) como a capacidade básica de usar computadores, navegar na internet, acessar plataformas, gerenciar planilhas ou usar ferramentas de comunicação. Embora essa base continue necessária, ela já não é suficiente.

    A nova era exige um letramento algorítmico e inteligência artificial aplicada. Isso implica compreender, ao menos em nível fundamental, o que são dados, como um algoritmo opera, como um modelo aprende, o que envolve treinar uma IA, o que constituem os vieses algorítmicos, como uma previsão é avaliada e por que uma resposta gerada automaticamente nunca deve ser aceita às cegas, sem um julgamento crítico.

    A UNESCO (2024) propôs um marco de competências em IA para professores que inclui fundamentos de IA, ética, pedagogia, desenvolvimento profissional e uma abordagem centrada no ser humano. Embora direcionado ao ambiente educacional, esse marco serve como um excelente modelo para pensar a formação transversal de qualquer profissional, pois insiste que a IA não deve ser ensinada apenas como técnica, mas também como uma prática ética, crítica e socialmente situada.

    Isso representa um mandato claro para o ensino superior. Se a IA está permeando todos os setores, as universidades não podem responder apenas com disciplinas optativas ou cursos isolados. É necessária uma reforma estrutural: incorporar a computação e a IA como componentes formativos transversais em todas as carreiras.

    A IA como Método Ampliado de Pesquisa

    Além de automatizar tarefas profissionais, a inteligência artificial está mudando fundamentalmente a forma como produzimos conhecimento em todas as disciplinas acadêmicas.

    • Ciências Naturais: Permite analisar dados genômicos, imagens de satélite, modelos climáticos e padrões ecológicos.
    • Ciências Sociais: Facilita o processamento de grandes volumes de texto, dinâmicas de redes sociais, pesquisas e registros administrativos.
    • Humanidades: Abre possibilidades para a análise computacional de arquivos históricos, discursos políticos, iconografia, linguística e patrimônio cultural.
    • Engenharia: Permite simular sistemas complexos, otimizar processos e projetar soluções avançadas por meio de modelos preditivos.

    Significa que a IA está se tornando um método ampliado de pesquisa. Ela não substitui a teoria fundamental, nem a interpretação humana, nem o julgamento disciplinar. Em vez disso, amplia nossa capacidade de observar, classificar, correlacionar, simular e descobrir padrões que antes eram invisíveis ou impossíveis de processar manualmente.

    O relatório AI Index Report 2025 da Stanford mostra que a inteligência artificial se expandiu rapidamente na pesquisa científica, indústria, investimentos, regulamentação e adoção empresarial, confirmando que a IA já não é uma tendência tecnológica emergente e marginal, mas sim uma força estrutural na ciência, economia e sociedade contemporâneas (Stanford HAI, 2025).

    Uma Nova Área Comum do Conhecimento Humano

    A tese de fundo é clara: a computação e a inteligência artificial devem ser entendidas como uma nova área comum do conhecimento. Não porque todas as pessoas devam se tornar especialistas em redes neurais, programação avançada ou arquitetura de modelos, mas porque todas as profissões serão inevitavelmente atravessadas por decisões mediadas por sistemas inteligentes.

    Assim como a estatística se tornou indispensável para interpretar dados na saúde, economia, psicologia, administração ou ciências sociais, a IA está se tornando uma competência fundamental para navegar e agir em um mundo automatizado. Assim como a escrita permitiu organizar e transmitir o conhecimento, e a matemática ofereceu uma linguagem para a ciência moderna, os algoritmos estão se tornando a linguagem operacional da sociedade digital.

    Por isso, as universidades deveriam pensar em uma formação transversal em IA estruturada em pelo menos cinco níveis progressivos:

    1. Letramento em IA: Compreender conceitos básicos, incluindo dados, algoritmos, modelos de aprendizado de máquina e automação.
    2. Pensamento Computacional: Formular problemas por meio de abstração, lógica, reconhecimento de padrões e processos modeláveis.
    3. Uso Profissional da IA: Aplicar ferramentas inteligentes a problemas específicos de cada disciplina.
    4. Analítica para a Decisão: Interpretar dados, previsões algorítmicas, visualizações complexas e cenários projetados.
    5. Ética e Governança: Avaliar criticamente vieses, riscos, restrições de privacidade, transparência, responsabilidade e impactos sociais mais amplos.

    Esse modelo estruturado permitiria superar dois extremos perigosos: a ideia equivocada de que a IA deve ser deixada apenas para as elites técnicas, e a suposição igualmente perigosa de que basta usar essas ferramentas sem entender como funcionam.

    O Desafio Ético: Nem Tudo o que é Tecnicamente Possível é Socialmente Desejável

    Uma perspectiva acadêmica sobre a IA não pode se limitar ao entusiasmo tecnológico. A inteligência artificial também apresenta riscos profundos: pode reproduzir vieses estruturais, afetar direitos fundamentais, aumentar as desigualdades socioeconômicas, concentrar o poder tecnológico, precarizar o trabalho, invadir a privacidade ou automatizar decisões sem a devida transparência.

    Portanto, capacitar em IA não deve significar apenas ensinar a usar ferramentas; deve focar em cultivar o julgamento crítico.

    Russell (2019) insiste que um dos maiores desafios do nosso tempo é garantir que os sistemas inteligentes estejam estritamente alinhados com os valores humanos. Essa preocupação não é um dilema filosófico abstrato. Em campos como saúde, justiça, educação, emprego ou crédito, uma decisão automatizada afeta diretamente o destino de uma pessoa.

    Por essa razão, a computação e a IA devem ser sempre ensinadas ao lado de ética, responsabilidade profissional, pensamento crítico, análise social e governança tecnológica. A própria OCDE (2019) afirma que o desenvolvimento da IA deve ser guiado por princípios de confiança, transparência, robustez, segurança e responsabilidade, especialmente quando seu uso se estende a setores sensíveis da sociedade.

    Conclusão: Um Novo Letramento para uma Nova Era

    A computação e a inteligência artificial representam uma das transformações mais profundas do século XXI. Sua verdadeira importância não reside apenas na proliferação de novos softwares, mas sim na emergência de uma forma inteiramente nova de pensar, pesquisar, produzir, decidir e exercer as profissões.

    A IA não pode mais ser vista como um assunto exclusivo de engenheiros ou cientistas de dados; deve ser compreendida como uma dimensão transversal de todas as áreas do conhecimento humano. Cada profissão precisa desenvolver seu próprio diálogo especializado com essas tecnologias: a medicina com a IA diagnóstica, o direito com a IA documental, a educação com a IA pedagógica, a biologia com a IA computacional, a administração com a IA estratégica, as artes com a IA criativa e o governo com a IA pública.

    O desafio para as universidades, empresas e instituições públicas vai muito além de ensinar a usar softwares da moda. O verdadeiro mandato é formar profissionais capazes de compreender a lógica dos sistemas inteligentes, aplicá-los com responsabilidade em seus campos, questionar seus resultados e direcionar seu poder para fins humanos, éticos e socialmente valiosos.

    A computação na era da inteligência artificial é o novo letramento profissional do século XXI: uma competência comum, crítica e estratégica necessária para participar ativamente do futuro da nossa sociedade do conhecimento.

    Referências

    Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

    Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and prediction: The disruptive economics of artificial intelligence. Harvard Business Review Press.

    Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.

    Lockwood, J., & Mooney, A. (2017). Computational thinking in education: Where does it fit? A systematic literary review. arXiv. https://arxiv.org/abs/1703.07659

    OECD. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en

    Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

    Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

    Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.

    UNESCO. (2024). AI competency framework for teachers. UNESCO.

    Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

  • Informatique et intelligence artificielle : une nouvelle dimension transversale pour tous les domaines de la connaissance et toutes les professions au XXIe siècle

    Pendant longtemps, l’informatique a été perçue comme un domaine réservé exclusivement aux ingénieurs, programmeurs, mathématiciens ou spécialistes des systèmes. Dans les universités comme dans le monde de l’entreprise, parler d’informatique revenait à parler de laboratoires, de lignes de code, de serveurs, de bases de données ou de logiciels. Cependant, cette vision étroite ne suffit plus à expliquer le monde actuel. Au XXIe siècle, l’informatique a cessé d’être une discipline fermée pour devenir une infrastructure transversale et fondamentale de la vie économique, scientifique, éducative, sociale et culturelle.

    Aujourd’hui, pratiquement aucune profession ne peut être comprise en dehors des données, des algorithmes, des plateformes numériques, de l’automatisation et de l’intelligence artificielle (IA).

    • La médecine analyse les images diagnostiques à l’aide de modèles d’apprentissage profond.
    • Le secteur juridique s’appuie sur des outils avancés de recherche et d’analyse documentaire.
    • L’éducation intègre des tuteurs intelligents.
    • L’agriculture repose sur des capteurs, des drones et des modèles prédictifs.
    • L’industrie travaille avec la robotique, la maintenance prédictive et les jumeaux numériques.
    • Les sciences sociales traitent de volumes massifs de texte pour cartographier l’opinion publique et le comportement numérique.
    • Les arts explorent de nouvelles frontières de création assistée par IA.

    Cette expansion rapide confirme que l’IA ne fonctionne pas simplement comme une technologie sectorielle, mais comme une technologie à usage général qui transforme des économies, des organisations et des pratiques sociales entières (OCDE, 2019 ; Stanford HAI, 2025).

    Par conséquent, le grand débat ne devrait plus être de savoir si l’IA appartient ou non au domaine strict de l’ingénierie. La question cruciale est désormais la suivante : Comment former tous les professionnels à comprendre, utiliser et orienter de manière critique l’intelligence artificielle dans leurs propres domaines de connaissance ?

    L’informatique ne se limite plus à la programmation

    L’un des changements de paradigme les plus importants des dernières décennies est que l’informatique n’est plus synonyme de programmation. Bien que l’écriture de code reste importante, l’informatique englobe bien plus : c’est une manière de penser, de modéliser, de conceptualiser des problèmes, d’organiser l’information, d’identifier des motifs (patterns) et de concevoir des solutions.

    Jeannette Wing a proposé le concept de pensée informatique (computational thinking) pour désigner une compétence fondamentale qui ne devrait pas être l’apanage exclusif des informaticiens. Pour Wing (2006), penser de manière informatique implique de formuler des problèmes et leurs solutions de façon à ce qu’ils puissent être traités efficacement par un agent de traitement de l’information — qu’il s’agisse d’une machine ou d’un être humain suivant des procédures formelles. Cette idée est essentielle car elle place l’informatique au même niveau que d’autres compétences générales, telles que la lecture, l’écriture, l’argumentation ou le raisonnement mathématique.

    Dans cette perspective, un médecin, un avocat, un gestionnaire, un biologiste, un communicant ou un designer n’a pas nécessairement besoin de devenir un ingénieur logiciel. En revanche, ils doivent comprendre comment les données sont structurées, comment les processus sont automatisés, comment les modèles sont entraînés, ce que signifie une prédiction algorithmique et quelles sont les limites d’une réponse générée par l’IA. Comme le soulignent Lockwood et Mooney (2017), la pensée informatique est devenue une compétence éducative de plus en plus pertinente, bien qu’il existe encore des lacunes quant à la manière de l’intégrer largement dans les programmes académiques.

    En d’autres termes, l’informatique devient le nouveau langage universel de la vie professionnelle.

    L’intelligence artificielle comme technologie à usage général

    L’intelligence artificielle possède une caractéristique unique qui la distingue de la plupart des autres technologies : elle ne transforme pas un seul secteur, mais peut modifier presque tous les domaines de l’activité humaine. C’est pourquoi elle est souvent comprise comme une technologie à usage général, à l’instar de ce que l’électricité, la machine à vapeur, l’ordinateur personnel ou Internet ont représenté en leur temps.

    L’OCDE a souligné que l’IA reconfigure activement les économies et les sociétés en générant de nouvelles capacités de productivité, d’efficacité, d’automatisation, d’analyse de l’information et de prise de décision. En même temps, elle avertit que son adoption généralisée soulève des défis majeurs liés aux valeurs humaines, à l’équité, à la vie privée, à la sécurité et à la responsabilité (OCDE, 2019). Cette double nature est fondamentale : l’IA n’est pas un simple outil neutre conçu pour accélérer ce que nous faisions déjà. C’est une force transformatrice qui change notre façon de décider, de chercher, de produire, d’enseigner, de diagnostiquer, de concevoir des politiques publiques et d’interpréter la réalité.

    Agrawal, Gans et Goldfarb (2018) avancent une idée très puissante : l’intelligence artificielle réduit considérablement le coût de la prédiction. Cela signifie que de nombreuses décisions qui dépendaient auparavant uniquement de l’intuition et de l’expérience humaines peuvent désormais s’appuyer sur des systèmes capables d’anticiper des comportements, des risques, des demandes, des tendances ou des scénarios. La conséquence est profonde : si la prédiction devient moins chère et plus accessible, de nombreuses professions devront redéfinir leurs cadres de prise de décision.

    Dans la même lignée, Iansiti et Lakhani (2020) soutiennent que les organisations qui rivalisent à l’ère de l’IA ne se contentent pas d’adopter de nouveaux logiciels ; elles repensent entièrement leurs modèles opérationnels autour des données, des algorithmes, des plateformes et des réseaux numériques. Par conséquent, l’impact de l’IA ne se limite pas à l’efficacité technique ; il transforme fondamentalement la stratégie, l’architecture organisationnelle et la création de valeur.

    Une compétence transversale pour toutes les professions

    Parler de l’informatique et de l’intelligence artificielle comme d’un domaine transversal implique de reconnaître qu’il ne suffit plus de former des spécialistes isolés. Toutes les professions exigent désormais un socle minimal de littératie algorithmique, de pensée informatique et de compréhension critique de l’IA.

    Les applications sont déjà omniprésentes :

    • En santé : l’IA soutient le diagnostic, classifie l’imagerie médicale, prédit les risques et personnalise les traitements.
    • En éducation : elle aide à identifier les difficultés d’apprentissage, génère des parcours personnalisés et enrichit le travail des enseignants.
    • En finance : elle permet la détection des fraudes, l’évaluation des risques et l’automatisation des décisions de crédit.
    • Dans l’industrie : elle optimise les processus grâce à la maintenance prédictive, la vision par ordinateur et la robotique.
    • En agriculture : elle facilite la gestion des cultures, des sols, du climat et des parasites.
    • Dans la gouvernance : elle améliore le ciblage des politiques publiques, le service aux citoyens et l’analyse des données territoriales.

    Pourtant, face à tous ces cas d’usage, une même question surgit : Qui interprète, valide et gouverne ces décisions automatisées ?

    C’est là le cœur du sujet. L’IA ne décharge pas le professionnel de sa responsabilité ; au contraire, elle rend l’exigence d’imputabilité plus stricte. Un professionnel du XXIe siècle doit non seulement savoir utiliser des outils intelligents, mais aussi comprendre leurs conséquences techniques, éthiques, sociales et organisationnelles. Russell (2019) avertit que l’avancement rapide de l’IA oblige à repenser l’alignement entre les systèmes intelligents et les valeurs humaines, en particulier lorsque ces systèmes participent à des décisions qui affectent directement des vies humaines.

    De la littératie numérique à la littératie algorithmique

    Pendant des années, la littératie numérique a été définie comme la capacité de base à utiliser des ordinateurs, naviguer sur Internet, utiliser des plateformes, gérer des feuilles de calcul ou utiliser des outils de communication. Bien que ce socle reste nécessaire, il n’est plus suffisant.

    La nouvelle ère exige une littératie algorithmique et une intelligence artificielle appliquée. Cela implique de comprendre, du moins à un niveau fondamental, ce qu’est une donnée, comment fonctionne un algorithme, comment un modèle apprend, ce que signifie entraîner une IA, ce que sont les biais algorithmiques, comment une prédiction est évaluée et pourquoi un résultat automatisé ne doit jamais être accepté aveuglément sans esprit critique.

    L’UNESCO (2024) a proposé un référentiel de compétences en IA pour les enseignants, comprenant les principes fondamentaux de l’IA, l’éthique, la pédagogie, le développement professionnel et une approche centrée sur l’humain. Bien que conçu pour le corps enseignant, ce cadre s’avère un excellent modèle pour penser la formation transversale de n’importe quel professionnel. Il insiste à juste titre sur le fait que l’IA ne doit pas être enseignée uniquement comme une technique, mais aussi comme une pratique éthique, critique et socialement située.

    Il s’agit là d’un mandat clair pour l’enseignement supérieur. Si l’IA pénètre tous les secteurs, les universités ne peuvent pas se contenter de proposer des cours optionnels ou des ateliers isolés. Une refonte structurelle est nécessaire pour intégrer l’informatique et l’IA comme des composantes de formation transversales au sein de chaque cursus.

    L’IA comme méthode de recherche augmentée

    Au-delà de l’automatisation des tâches professionnelles, l’intelligence artificielle transforme fondamentalement la manière dont nous produisons des connaissances dans toutes les disciplines académiques.

    • Sciences naturelles : Elle accélère l’analyse des données génomiques, de l’imagerie satellitaire, des modèles climatiques et des cycles écologiques.
    • Sciences sociales : Elle facilite le traitement de volumes massifs de textes, l’analyse des réseaux sociaux, des enquêtes et des registres administratifs.
    • Sciences humaines : Elle ouvre de nouvelles perspectives pour l’analyse informatique des archives historiques, des discours politiques, de l’iconographie, de la linguistique et du patrimoine culturel.
    • Ingénierie : Elle permet de simuler des systèmes complexes, d’optimiser des processus et de concevoir des solutions avancées grâce à des modèles prédictifs.

    Par conséquent, l’IA est en train de s’imposer comme une méthode de recherche augmentée. Elle ne remplace ni la théorie fondamentale, ni l’interprétation humaine, ni l’expertise disciplinaire. En revanche, elle amplifie notre capacité à observer, classifier, corréler, simuler et découvrir des motifs qui étaient auparavant invisibles ou impossibles à traiter manuellement.

    Le rapport AI Index Report 2025 de Stanford souligne que l’intelligence artificielle s’est rapidement propagée dans la recherche scientifique, l’industrie, le capital-risque, la réglementation et l’adoption par les entreprises. Cela confirme que l’IA n’est plus une tendance technologique émergente et marginale, mais un pilier structurel de la science, de l’économie et de la société contemporaines (Stanford HAI, 2025).

    Un nouveau socle commun pour la connaissance humaine

    La thèse de fond est claire : l’informatique et l’intelligence artificielle doivent être reconnues comme une nouvelle aire commune de la connaissance. Cela ne signifie pas que tout le monde doive devenir un expert en réseaux de neurones, en programmation avancée ou en architecture de modèles. Cela signifie plutôt que chaque profession évoluera inévitablement dans une réalité façonnée par des systèmes intelligents.

    Tout comme les statistiques sont devenues indispensables pour interpréter les données en santé, en économie, en psychologie, en gestion ou en sociologie, l’IA devient une compétence de base pour naviguer dans un monde automatisé. Tout comme l’écriture a permis à l’humanité d’organiser et de transmettre le savoir, et les mathématiques ont fourni le langage de la science moderne, les algorithmes sont en train de devenir le langage opérationnel de la société numérique.

    Pour y répondre, les universités devraient envisager un programme d’IA transversal structuré autour de cinq niveaux progressifs :

    1. Littératie en IA : Saisir les concepts fondamentaux, y compris les structures de données, les algorithmes, les modèles d’apprentissage automatique et l’automatisation.
    2. Pensée informatique : Formuler des problèmes par l’abstraction, la logique, la reconnaissance de formes et des processus reproductibles.
    3. Application professionnelle de l’IA : Utiliser des outils intelligents spécifiques à une discipline pour résoudre des problèmes sectoriels.
    4. Analyse décisionnelle : Interpréter les données, les prédictions algorithmiques, les visualisations complexes et les scénarios prospectifs.
    5. Éthique et gouvernance : Évaluer de manière critique les biais, les risques, les contraintes de confidentialité, la transparence, la responsabilité et les impacts sociétaux plus larges.

    Ce cadre structuré permet d’éviter deux extrêmes dangereux : l’idée fausse selon laquelle l’IA devrait être laissée uniquement aux élites techniques, et l’hypothèse tout aussi périlleuse selon laquelle il suffit d’utiliser ces outils sans comprendre leur fonctionnement.

    Le défi éthique : Faisabilité technique vs Désirabilité sociale

    Une évaluation académique de l’IA ne peut se limiter à l’enthousiasme technologique. L’intelligence artificielle introduit des risques profonds : elle peut perpétuer des biais structurels, porter atteinte aux droits fondamentaux, aggraver les inégalités socio-économiques, centraliser le pouvoir technologique, précariser l’emploi, envahir la vie privée ou automatiser des décisions sans aucune transparence.

    Par conséquent, enseigner l’IA ne peut pas simplement consister à former des utilisateurs d’outils ; cela doit se concentrer sur le développement du jugement critique.

    Russell (2019) insiste sur le fait que l’un des plus grands défis de notre époque est de veiller à ce que les systèmes intelligents restent strictement alignés sur les valeurs humaines. Il ne s’agit pas d’un dilemme philosophique abstrait. Dans des domaines tels que la médecine, la justice pénale, l’éducation, l’emploi et l’attribution de crédits, une décision automatisée a un impact direct sur des destins humains.

    C’est pourquoi l’informatique et l’IA doivent toujours être enseignées aux côtés de l’éthique, de la responsabilité professionnelle, de la pensée critique, de l’analyse sociale et de la gouvernance technologique. Comme le soutient l’OCDE (2019), le développement de l’IA doit être guidé par des principes de confiance, de transparence, de robustesse, de sécurité et de responsabilité, en particulier lorsqu’elle est déployée dans des secteurs sociaux sensibles.

    Conclusion : Une nouvelle littératie pour une époque en transformation

    L’informatique et l’intelligence artificielle représentent l’un des changements de paradigme les plus profonds du XXIe siècle. Leur véritable importance ne réside pas dans la simple prolifération de nouveaux logiciels, mais dans l’émergence d’une toute nouvelle façon de penser, de chercher, de produire, de décider et de travailler.

    L’IA ne peut plus être traitée comme le terrain de jeu exclusif des ingénieurs ou des scientifiques des données ; elle doit être adoptée comme une dimension transversale de l’ensemble des connaissances humaines. Chaque domaine doit développer son propre dialogue spécialisé avec ces technologies : la médecine avec l’IA diagnostique, le droit avec l’IA documentaire, l’éducation avec l’IA pédagogique, la biologie avec l’IA computationnelle, la gestion avec l’IA stratégique, les arts avec l’IA créative et la gouvernance avec l’IA publique.

    Le défi à venir pour les universités, les entreprises et les institutions publiques va bien au-delà de l’apprentissage de l’utilisation des derniers logiciels à la mode. Le véritable mandat est de former des professionnels qui comprennent la logique sous-jacente des systèmes intelligents, savent comment les appliquer de manière responsable dans leurs domaines, possèdent le recul critique pour remettre en question leurs résultats et s’engagent à orienter leur puissance vers des fins éthiques, humaines et socialement valables.

    L’informatique à l’ère de l’intelligence artificielle est la nouvelle littératie professionnelle du XXIe siècle : une capacité fondamentale, critique et stratégique requise pour façonner activement l’avenir de notre société de la connaissance.

    Références

    Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

    Agrawal, A., Gans, J., & Goldfarb, A. (2022). Power and prediction: The disruptive economics of artificial intelligence. Harvard Business Review Press.

    Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Review Press.

    Lockwood, J., & Mooney, A. (2017). Computational thinking in education: Where does it fit? A systematic literary review. arXiv. https://arxiv.org/abs/1703.07659

    OECD. (2019). Artificial intelligence in society. OECD Publishing. https://doi.org/10.1787/eedfee77-en

    Russell, S. (2019). Human compatible: Artificial intelligence and the problem of control. Viking.

    Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

    Stanford Institute for Human-Centered Artificial Intelligence. (2025). Artificial Intelligence Index Report 2025. Stanford University.

    UNESCO. (2024). AI competency framework for teachers. UNESCO.

    Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215